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: 2026-09-02 評価済みモデル数: 311

311/311

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#279#279	Laguna M.1medium	4.7	Poolside	$0.033 ↕	14.73s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 指示に従っていない: 1 回答なし: 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 : 10.0 ドメイン特化 : 5.3 汎用知能 : 3.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#83#83	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.489 ↑	92.50s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 6 入力トークン 90,757 出力トークン 22,928 推論トークン 186,516 応答時間（平均） 92.50s 応答時間（合計） 2035.01s 応答時間（最大） 416.76s 不正解: 7 指示に従っていない: 2 API エラー: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 5.7 コーディング : 6.3 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.8 パズル解決 : 6.9 ツール呼び出し : 9.8 雑学 : 3.0
#118#118	Muse Glimmer 30Bhigh	7.2	Meta	$0.430 ↓	66.70s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 8 入力トークン 103,494 出力トークン 100,589 推論トークン 270,217 応答時間（平均） 66.70s 応答時間（合計） 1467.39s 応答時間（最大） 451.90s 不正解: 7 指示に従っていない: 3 回答なし: 2 反AIトリック : 8.7 コーディング : 8.8 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 8.4 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 3.0
#131#131	Mercury 2medium	7.0	Inception	$0.094	2.95s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 53.0% 不安定なテスト 4 入力トークン 110,515 出力トークン 10,325 推論トークン 77,229 応答時間（平均） 2.95s 応答時間（合計） 61.89s 応答時間（最大） 14.63s 不正解: 8 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 6.9 コーディング : 8.2 複合 : 6.7 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#134#134	Kimi K2.5medium	7.0	Moonshot AI	$0.479 ↓	98.19s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 8 入力トークン 118,496 出力トークン 53,522 推論トークン 167,420 応答時間（平均） 98.19s 応答時間（合計） 1571.05s 応答時間（最大） 281.00s 不正解: 5 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 6.1 複合 : 6.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#137#137	Qwen3.7 Flashmedium	6.9	Qwen	$0.065	47.38s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 7 入力トークン 114,477 出力トークン 12,786 推論トークン 457,290 応答時間（平均） 47.38s 応答時間（合計） 1042.43s 応答時間（最大） 593.64s 不正解: 8 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 6.2 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 : 5.5 指示追従 : 5.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#142#142	Seed-2.0-Codemedium	6.8	Bytedance Seed	$1.153	101.05s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 7.3 試行ごとの合格率 63.6% 不安定なテスト 7 入力トークン 76,036 出力トークン 7,267 推論トークン 364,176 応答時間（平均） 101.05s 応答時間（合計） 2223.19s 応答時間（最大） 626.58s API エラー: 6 不正解: 4 余分な書式: 1 指示に従っていない: 1 反AIトリック : 6.9 コーディング : 8.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 4.7 雑学 : 3.0
#152#152	LongCat 2.0low	6.7	Meituan	$0.412	113.61s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 9.9 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 90,870 出力トークン 5,676 推論トークン 314,918 応答時間（平均） 113.61s 応答時間（合計） 2499.46s 応答時間（最大） 560.39s 不正解: 7 API エラー: 2 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.6 複合 : 10.0 データ解析と抽出 : 6.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#160#160	Inkling Smallmedium	6.6	Thinkingmachines	$0.113 ↓	6.30s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 53.0% 不安定なテスト 3 入力トークン 100,255 出力トークン 6,422 推論トークン 49,847 応答時間（平均） 6.30s 応答時間（合計） 138.60s 応答時間（最大） 17.26s 不正解: 6 指示に従っていない: 4 無効なツール呼び出し: 2 反AIトリック : 10.0 コーディング : 7.8 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.3 指示追従 : 8.5 パズル解決 : 5.8 ツール呼び出し : 3.0 雑学 : 3.0
#165#165	Qwen3.6 27Bmedium	6.5	Qwen	$1.045 ↑	106.06s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 60.6% 不安定なテスト 7 入力トークン 106,176 出力トークン 33,013 推論トークン 239,560 応答時間（平均） 106.06s 応答時間（合計） 2333.36s 応答時間（最大） 1085.11s 不正解: 5 回答なし: 3 無効なツール呼び出し: 2 余分な書式: 1 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 7.7 複合 : 6.7 データ解析と抽出 : 3.5 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#170#170	Dots 3 Note Previewlow	6.4	Dots Studio	$0.000	61.81s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 57.6% 不安定なテスト 5 入力トークン 113,889 出力トークン 110,550 推論トークン 496,487 応答時間（平均） 61.81s 応答時間（合計） 1359.72s 応答時間（最大） 417.36s 不正解: 7 指示に従っていない: 2 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 3.6 汎用知能 : 4.0 指示追従 : 7.9 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#171#171	Dots 3 Note Previewhigh	6.4	Dots Studio	$0.000	67.81s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 59.1% 不安定なテスト 6 入力トークン 127,621 出力トークン 141,858 推論トークン 590,204 応答時間（平均） 67.81s 応答時間（合計） 1491.80s 応答時間（最大） 480.52s 不正解: 8 回答なし: 2 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 8.7 コーディング : 5.8 複合 : 6.9 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 3.4 指示追従 : 8.3 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#180#180	GPT-5.6 Lunalow	6.2	OpenAI	$0.051 ↓	5.20s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.5% 不安定なテスト 5 入力トークン 96,355 出力トークン 8,213 推論トークン 18,073 応答時間（平均） 5.20s 応答時間（合計） 114.46s 応答時間（最大） 19.44s 不正解: 10 指示に従っていない: 1 無効なツール呼び出し: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 2.8 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.0 指示追従 : 8.5 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#182#182	Gemini 3.1 Flash Liteminimal	6.1	Google	$0.047	1.85s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 51.5% 不安定なテスト 3 入力トークン 119,076 出力トークン 11,118 推論トークン 0 応答時間（平均） 1.85s 応答時間（合計） 40.74s 応答時間（最大） 12.97s 不正解: 8 指示に従っていない: 3 回答なし: 1 反AIトリック : 8.3 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 : 4.0 指示追従 : 10.0 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#188#188	Inklinglow	6.1	Thinkingmachines	$0.187	5.11s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 4 入力トークン 109,893 出力トークン 8,580 推論トークン 10,324 応答時間（平均） 5.11s 応答時間（合計） 112.46s 応答時間（最大） 41.58s 不正解: 8 指示に従っていない: 2 無効なツール呼び出し: 2 反AIトリック : 8.3 コーディング : 5.1 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 : 9.8 パズル解決 : 6.4 ツール呼び出し : 3.0 雑学 : 3.0
#206#206	GLM 5.3 Flashlow	5.9	Z.ai	$0.015	9.65s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 56.1% 不安定なテスト 4 入力トークン 117,551 出力トークン 9,199 推論トークン 14,537 応答時間（平均） 9.65s 応答時間（合計） 212.22s 応答時間（最大） 90.45s 不正解: 8 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 8.7 コーディング : 5.4 複合 : 3.8 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#208#208	Seed 2.1 Turbonone	5.9	Bytedance Seed	$0.092	6.84s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 54.6% 不安定なテスト 3 入力トークン 129,150 出力トークン 10,643 推論トークン 0 応答時間（平均） 6.84s 応答時間（合計） 150.46s 応答時間（最大） 55.92s 不正解: 11 回答なし: 1 反AIトリック : 4.8 コーディング : 4.5 複合 : 3.8 データ解析と抽出 : 7.1 ドメイン特化 : 7.7 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#273#273	Grok 4.20 Multi Agent Betamedium	4.8	X AI	$5.599 ↑	9.69s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 48.5% 不安定なテスト 5 入力トークン 721,952 出力トークン 294,668 推論トークン 305,374 応答時間（平均） 9.69s 応答時間（合計） 155.07s 応答時間（最大） 35.28s 不正解: 4 API エラー: 2 余分な書式: 2 指示に従っていない: 2 反AIトリック : 6.9 コーディング : 3.3 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.8 指示追従 : 9.8 パズル解決 : 6.7 ツール呼び出し : 3.0 雑学 : 0.0
#277#277	Hunter Alphamedium	4.7	OpenRouter	$0.000	10.33s
モデルカードを見る合計テスト数 18 誤答テスト数 10 信頼性該当なし試行ごとの合格率 53.0% 不安定なテスト 6 入力トークン 28,927 出力トークン 4,682 推論トークン 17,969 応答時間（平均） 10.33s 応答時間（合計） 175.58s 応答時間（最大） 30.53s 不正解: 4 指示に従っていない: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 反AIトリック : 7.3 コーディング : 9.8 複合 : 2.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 7.0 指示追従 : 9.9 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 0.0
#213#213	GLM 5none	5.7	Z.ai	$0.027 ↑	4.03s
モデルカードを見る合計テスト数 21 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 42.4% 不安定なテスト 1 入力トークン 37,135 出力トークン 1,989 推論トークン 0 応答時間（平均） 4.03s 応答時間（合計） 56.37s 応答時間（最大） 11.07s 不正解: 12 反AIトリック : 4.8 コーディング : 4.0 複合 : 1.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#145#145	DeepSeek V4 Pronone	6.8	DeepSeek	$0.226 ↑	11.71s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 47.0% 不安定なテスト 4 入力トークン 148,078 出力トークン 35,547 推論トークン 0 応答時間（平均） 11.71s 応答時間（合計） 257.67s 応答時間（最大） 119.44s 不正解: 9 指示に従っていない: 2 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 3.2 コーディング : 5.6 複合 : 7.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#155#155	LongCat 2.0high	6.7	Meituan	$0.492	153.29s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 51.5% 不安定なテスト 4 入力トークン 93,411 出力トークン 30,470 推論トークン 356,172 応答時間（平均） 153.29s 応答時間（合計） 3372.36s 応答時間（最大） 941.66s 不正解: 7 指示に従っていない: 2 回答なし: 2 タイムアウト: 2 反AIトリック : 8.9 コーディング : 7.8 複合 : 10.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 5.1 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
#158#158	Qwen3.5-27Bnone	6.6	Qwen	$0.058 ↓	4.77s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 102,325 出力トークン 24,323 推論トークン 0 応答時間（平均） 4.77s 応答時間（合計） 105.00s 応答時間（最大） 69.46s 不正解: 11 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 5.8 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#166#166	Laguna XS 2.1medium	6.5	Poolside	$0.068	48.18s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 45.5% 不安定なテスト 2 入力トークン 118,998 出力トークン 30,750 推論トークン 491,730 応答時間（平均） 48.18s 応答時間（合計） 1059.93s 応答時間（最大） 422.72s 不正解: 10 回答なし: 2 無効なツール呼び出し: 1 反AIトリック : 4.8 コーディング : 5.5 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.0 指示追従 : 9.8 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#184#184	gpt-oss-120bmedium	6.1	OpenAI	$0.020 ↓	20.81s
モデルカードを見る合計テスト数 22 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.0% 不安定なテスト 5 入力トークン 108,767 出力トークン 29,378 推論トークン 68,904 応答時間（平均） 20.81s 応答時間（合計） 332.88s 応答時間（最大） 68.16s 不正解: 9 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 6.7 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 6.4 ドメイン特化 : 2.9 汎用知能 : 4.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 9.8 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 FlashhighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-5.6 Sollow GPT-5.6 SollowvsGemini 3 Flash Previewmedium Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3.5 FlashhighvsGemini 3.7 Flashmedium Gemini 3.7 FlashmediumvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low GPT-5.5lowvsGrok 4.6high Grok 4.6highvsGemini 3.1 Pro Previewmedium