AI Benchy リーダーボード

Name: AI BENCHY モデルベンチマーク結果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

ベンチマークは AI BENCHY テストスイートから次の日時に生成: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#8#8	GPT-6 Astraxhigh	9.9	OpenAI	$6.213	29.67s
モデルカードを見る合計テスト数 23 誤答テスト数 1 信頼性 9.9 試行ごとの合格率 97.1% 不安定なテスト 1 入力トークン 170,731 出力トークン 5,865 推論トークン 84,230 応答時間（平均） 29.67s 応答時間（合計） 682.42s 応答時間（最大） 381.11s 不正解: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.6 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#369#369	North Mini Codedefault	4.7	Cohere	$0.000	29.47s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 8.9 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 177,989 出力トークン 26,954 推論トークン 0 応答時間（平均） 29.47s 応答時間（合計） 677.70s 応答時間（最大） 159.85s 不正解: 13 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 3.0 反AIトリック : 3.0 コーディング : 3.9 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 6.5 パズル解決 : 3.5 ツール呼び出し : 9.5 雑学 : 3.0
#84#84	GPT-5 Minimedium	8.4	OpenAI	$0.315 ↑	29.42s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 4 入力トークン 214,645 出力トークン 15,532 推論トークン 103,679 応答時間（平均） 29.42s 応答時間（合計） 676.56s 応答時間（最大） 111.48s 不正解: 5 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 7.1 コーディング : 10.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.5 指示追従 : 10.0 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#146#146	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 4 入力トークン 302,228 出力トークン 181,271 推論トークン 0 応答時間（平均） 29.38s 応答時間（合計） 675.79s 応答時間（最大） 234.56s 不正解: 10 エージェントタスク : 10.0 反AIトリック : 6.4 コーディング : 6.2 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.2 指示追従 : 6.2 パズル解決 : 8.3 ツール呼び出し : 10.0 雑学 : 3.0
#161#161	GLM 5.3 Flashhigh	7.3	Z.ai	$0.056	29.11s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 4 入力トークン 225,013 出力トークン 12,197 推論トークン 87,143 応答時間（平均） 29.11s 応答時間（合計） 669.54s 応答時間（最大） 163.41s 不正解: 4 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 8.3 コーディング : 8.2 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#157#157	Inkling Smallhigh	7.4	Thinkingmachines	$0.398 ↓	29.10s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 2 入力トークン 85,669 出力トークン 6,092 推論トークン 292,801 応答時間（平均） 29.10s 応答時間（合計） 669.40s 応答時間（最大） 122.60s 不正解: 6 指示に従っていない: 2 API エラー: 1 エージェントタスク : 3.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 4.8 ツール呼び出し : 3.0 雑学 : 3.0
#76#76	Qwen3.8 Max (0902)low	8.6	Qwen	$1.131	29.07s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 85.5% 不安定なテスト 3 入力トークン 298,682 出力トークン 8,374 推論トークン 80,549 応答時間（平均） 29.07s 応答時間（合計） 668.66s 応答時間（最大） 207.79s 不正解: 4 無効なツール呼び出し: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 6.1 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#422#422	Grok Build 0.1none	3.2	X AI	$0.547	28.69s
モデルカードを見る合計テスト数 19 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 42.0% 不安定なテスト 4 入力トークン 11,793 出力トークン 1,809 推論トークン 265,466 応答時間（平均） 28.69s 応答時間（合計） 459.00s 応答時間（最大） 138.35s 不正解: 7 API エラー: 3 指示に従っていない: 2 エージェントタスク : 0.0 反AIトリック : 8.7 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 3.8 ドメイン特化 : 3.6 汎用知能 : 4.3 指示追従 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#395#395	gpt-oss-120bnone	4.2	OpenAI	$0.016 ↓	28.63s
モデルカードを見る合計テスト数 20 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 3 入力トークン 131,652 出力トークン 16,869 推論トークン 53,081 応答時間（平均） 28.63s 応答時間（合計） 486.69s 応答時間（最大） 140.90s 不正解: 9 API エラー: 3 指示に従っていない: 2 エージェントタスク : 6.1 反AIトリック : 6.5 コーディング : 1.5 複合 : 1.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 3.0 雑学 : 3.0
#128#128	GLM 5.3high	7.8	Z.ai	$0.495 ↓	28.38s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 7 入力トークン 219,811 出力トークン 8,811 推論トークン 59,671 応答時間（平均） 28.38s 応答時間（合計） 652.78s 応答時間（最大） 159.91s 不正解: 6 余分な書式: 2 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 6.6 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.1 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#59#59	Pareto 26.9default	8.9	Unbiased	$1.864	28.26s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 6 入力トークン 218,199 出力トークン 175,696 推論トークン 0 応答時間（平均） 28.26s 応答時間（合計） 649.90s 応答時間（最大） 151.76s 不正解: 6 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 7.5 コーディング : 10.0 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.5 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#55#55	Muse Spark 1.2high	8.9	Meta	$2.018	28.15s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 9.9 試行ごとの合格率 75.4% 不安定なテスト 5 入力トークン 277,967 出力トークン 9,240 推論トークン 383,606 応答時間（平均） 28.15s 応答時間（合計） 647.40s 応答時間（最大） 192.00s 不正解: 4 指示に従っていない: 3 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 7.1 コーディング : 10.0 複合 : 8.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#242#242	Claude Sonnet 4.6medium	6.4	Anthropic	$2.126	28.08s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 1 入力トークン 106,316 出力トークン 79,338 推論トークン 41,089 応答時間（平均） 28.08s 応答時間（合計） 421.15s 応答時間（最大） 140.96s 不正解: 4 余分な書式: 3 タイムアウト: 1 エージェントタスク : 0.0 反AIトリック : 6.5 コーディング : 5.7 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	DeepSeek V4.1 Flashlow	8.0	DeepSeek	$0.494 ↑	28.04s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 9.6 試行ごとの合格率 73.9% 不安定なテスト 4 入力トークン 266,849 出力トークン 8,284 推論トークン 363,263 応答時間（平均） 28.04s 応答時間（合計） 645.03s 応答時間（最大） 149.84s 不正解: 7 API エラー: 1 エージェントタスク : 6.1 反AIトリック : 8.3 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#25#25	Claude Opus 5.5high	9.4	Anthropic	$2.133	27.55s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 87.0% 不安定なテスト 2 入力トークン 319,095 出力トークン 10,371 推論トークン 32,411 応答時間（平均） 27.55s 応答時間（合計） 633.73s 応答時間（最大） 95.95s 不正解: 2 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#270#270	DeepSeek V4 Flash 0731none	6.2	DeepSeek	$0.053 ↑	27.42s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 30.4% 不安定なテスト 4 入力トークン 349,876 出力トークン 39,789 推論トークン 0 応答時間（平均） 27.42s 応答時間（合計） 630.70s 応答時間（最大） 387.15s 不正解: 13 指示に従っていない: 2 無効なツール呼び出し: 2 余分な書式: 1 エージェントタスク : 10.0 反AIトリック : 3.4 コーディング : 4.3 複合 : 3.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.4 指示追従 : 5.0 パズル解決 : 3.2 ツール呼び出し : 9.5 雑学 : 3.0
#35#35	Qwen3.8 MAXmedium	9.2	Qwen	$1.181 ↑	27.34s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 1 入力トークン 276,512 出力トークン 8,152 推論トークン 96,444 応答時間（平均） 27.34s 応答時間（合計） 628.75s 応答時間（最大） 126.60s 不正解: 4 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#57#57	Muse Spark 1.1medium	8.9	Meta	$1.665	27.02s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 305,707 出力トークン 10,240 推論トークン 291,479 応答時間（平均） 27.02s 応答時間（合計） 621.38s 応答時間（最大） 165.38s 不正解: 4 指示に従っていない: 2 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 7.9 ツール呼び出し : 9.8 雑学 : 3.0
#102#102	GLM 5.2medium	8.2	Z.ai	$1.007 ↑	26.88s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.6 試行ごとの合格率 81.2% 不安定なテスト 4 入力トークン 227,164 出力トークン 20,029 推論トークン 60,991 応答時間（平均） 26.88s 応答時間（合計） 591.34s 応答時間（最大） 102.40s 不正解: 3 回答なし: 2 タイムアウト: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 8.2 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#129#129	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 4 入力トークン 319,524 出力トークン 440,835 推論トークン 0 応答時間（平均） 26.57s 応答時間（合計） 611.09s 応答時間（最大） 152.83s 不正解: 6 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 8.7 コーディング : 8.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 3.0
#210#210	Qwen3.5-Flashnone	6.7	Qwen	$0.089	26.52s
モデルカードを見る合計テスト数 23 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 37.7% 不安定なテスト 2 入力トークン 463,872 出力トークン 219,122 推論トークン 0 応答時間（平均） 26.52s 応答時間（合計） 609.94s 応答時間（最大） 480.96s 不正解: 14 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 3.5 コーディング : 5.5 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 6.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#316#316	Kimi K2.6none	5.5	Moonshot AI	$0.486 ↑	26.34s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 30.4% 不安定なテスト 3 入力トークン 241,357 出力トークン 64,021 推論トークン 1 応答時間（平均） 26.34s 応答時間（合計） 605.78s 応答時間（最大） 238.89s 不正解: 13 指示に従っていない: 3 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 4.6 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#31#31	Claude Opus 5.5medium	9.2	Anthropic	$1.804	25.85s
モデルカードを見る合計テスト数 23 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 89.9% 不安定なテスト 1 入力トークン 290,117 出力トークン 9,805 推論トークン 22,322 応答時間（平均） 25.85s 応答時間（合計） 594.63s 応答時間（最大） 90.20s 不正解: 2 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 8.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#24#24	Claude Opus 5.5low	9.4	Anthropic	$1.733	25.68s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 88.4% 不安定なテスト 2 入力トークン 308,056 出力トークン 9,434 推論トークン 15,572 応答時間（平均） 25.68s 応答時間（合計） 590.71s 応答時間（最大） 89.16s 不正解: 2 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#27#27	Claude Opus 5high	9.4	Anthropic	$4.524	25.31s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 82.6% 不安定なテスト 0 入力トークン 376,421 出力トークン 67,688 推論トークン 37,974 応答時間（平均） 25.31s 応答時間（合計） 582.11s 応答時間（最大） 159.01s 不正解: 2 余分な書式: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow