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）
#267#267	Space Bunny Alphaxhigh	6.2	Stealth	$0.000	60.03s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 8 入力トークン 363,310 出力トークン 381,919 推論トークン 0 応答時間（平均） 60.03s 応答時間（合計） 1380.67s 応答時間（最大） 459.99s 不正解: 9 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 エージェントタスク : 5.2 反AIトリック : 6.4 コーディング : 6.6 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 5.0 指示追従 : 5.6 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#268#268	KAT-Coder-Pro V2.5medium	6.2	Kwaipilot	$0.669 ↑	23.94s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 8 入力トークン 87,916 出力トークン 7,213 推論トークン 132,162 応答時間（平均） 23.94s 応答時間（合計） 550.52s 応答時間（最大） 257.00s 不正解: 9 API エラー: 2 指示に従っていない: 1 エージェントタスク : 3.0 反AIトリック : 8.2 コーディング : 7.8 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 : 4.7 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#269#269	GLM 5 Turbomedium	6.2	Z.ai	$0.323 ↑	23.00s
モデルカードを見る合計テスト数 21 誤答テスト数 7 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 35,593 出力トークン 12,245 推論トークン 62,277 応答時間（平均） 23.00s 応答時間（合計） 482.97s 応答時間（最大） 194.23s 不正解: 4 指示に従っていない: 1 回答なし: 1 タイムアウト: 1 エージェントタスク : 0.0 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 : 2.9 汎用知能 : 6.1 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
#271#271	Gemini 3.1 Flash Lite Previewnone	6.2	Google	$0.090	3.60s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 261,962 出力トークン 12,799 推論トークン 2,961 応答時間（平均） 3.60s 応答時間（合計） 82.91s 応答時間（最大） 48.59s 不正解: 8 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 7.5 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 : 5.3 汎用知能 : 4.0 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
#272#272	Claude Fable 5.1low	6.2	Anthropic	$3.395	11.40s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 3 入力トークン 209,116 出力トークン 10,031 推論トークン 16,042 応答時間（平均） 11.40s 応答時間（合計） 262.14s 応答時間（最大） 34.77s 余分な書式: 4 不正解: 4 指示に従っていない: 3 API エラー: 1 エージェントタスク : 2.8 反AIトリック : 6.5 コーディング : 3.4 複合 : 10.0 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 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#273#273	Gemini 3.5 Flashnone	6.1	Google	$1.752	14.13s
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 68.1% 不安定なテスト 4 入力トークン 246,061 出力トークン 3,828 推論トークン 149,767 応答時間（平均） 14.13s 応答時間（合計） 268.55s 応答時間（最大） 85.26s API エラー: 4 不正解: 4 無効なツール呼び出し: 1 エージェントタスク : 2.8 反AIトリック : 10.0 コーディング : 8.8 複合 : 3.0 データ解析と抽出 : 6.5 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 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#274#274	Beam 1.0 501B A23Bhigh	6.1	Reflection	$0.674	9.03s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 59.4% 不安定なテスト 5 入力トークン 232,218 出力トークン 4,944 推論トークン 142,263 応答時間（平均） 9.03s 応答時間（合計） 207.67s 応答時間（最大） 36.04s 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 : 3.0 反AIトリック : 8.8 コーディング : 8.4 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#275#275	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.862	84.01s
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 49.3% 不安定なテスト 7 入力トークン 319,352 出力トークン 158,447 推論トークン 875,524 応答時間（平均） 84.01s 応答時間（合計） 1932.24s 応答時間（最大） 525.14s 不正解: 9 指示に従っていない: 4 無効なツール呼び出し: 2 エージェントタスク : 6.1 反AIトリック : 6.8 コーディング : 7.5 複合 : 2.9 データ解析と抽出 : 6.3 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 5.2 ツール呼び出し : 10.0 雑学 : 3.0
#276#276	Apodex 1.1 Minilow	6.1	Apodex	$0.000	33.68s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 6 入力トークン 321,894 出力トークン 139,334 推論トークン 369,481 応答時間（平均） 33.68s 応答時間（合計） 774.73s 応答時間（最大） 163.05s 不正解: 9 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 8.7 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 : 3.6 汎用知能 : 4.7 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
#277#277	Inklingnone	6.1	Thinkingmachines	$0.292 ↓	5.30s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 31.9% 不安定なテスト 1 入力トークン 236,599 出力トークン 11,561 推論トークン 4,975 応答時間（平均） 5.30s 応答時間（合計） 121.91s 応答時間（最大） 48.02s 不正解: 13 余分な書式: 1 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 : 4.8 コーディング : 4.5 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 : 5.0 指示追従 : 6.3 パズル解決 : 5.6 ツール呼び出し : 3.0 雑学 : 3.0
#281#281	KAT-Coder-Pro V2.5default	6.1	Kwaipilot	$0.742 ↑	24.96s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 8 入力トークン 98,508 出力トークン 8,088 推論トークン 131,484 応答時間（平均） 24.96s 応答時間（合計） 574.12s 応答時間（最大） 335.41s 不正解: 10 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 3.0 反AIトリック : 8.7 コーディング : 6.1 複合 : 4.1 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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 : 10.0 雑学 : 3.0
#283#283	Claude Sonnet 4.6none	6.0	Anthropic	$0.661	7.67s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 123,273 出力トークン 19,362 推論トークン 0 応答時間（平均） 7.67s 応答時間（合計） 122.78s 応答時間（最大） 51.18s 不正解: 5 余分な書式: 4 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 4.8 コーディング : 5.5 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#284#284	GLM 5.3 FlashXlow	6.0	Z.ai	$0.157	9.69s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 9 入力トークン 277,028 出力トークン 11,965 推論トークン 31,238 応答時間（平均） 9.69s 応答時間（合計） 222.83s 応答時間（最大） 77.99s 不正解: 10 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 : 4.7 反AIトリック : 8.2 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 : 3.5 汎用知能 : 4.7 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
#285#285	MiMo-V2.6-Pronone	6.0	Xiaomi	$0.193	9.66s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 43.5% 不安定なテスト 2 入力トークン 278,866 出力トークン 82,069 推論トークン 0 応答時間（平均） 9.66s 応答時間（合計） 222.07s 応答時間（最大） 106.86s 不正解: 10 余分な書式: 2 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 : 5.0 反AIトリック : 3.5 コーディング : 5.6 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 : 5.1 指示追従 : 9.8 パズル解決 : 7.9 ツール呼び出し : 10.0 雑学 : 3.0
#286#286	Inkling Smallmedium	6.0	Thinkingmachines	$0.113 ↓	6.03s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 50.7% 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） 6.03s 応答時間（合計） 138.65s 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 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 : 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
#287#287	Seed-2.0-Litenone	6.0	Bytedance Seed	$0.114	7.49s
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 39.1% 不安定なテスト 3 入力トークン 314,113 出力トークン 17,558 推論トークン 0 応答時間（平均） 7.49s 応答時間（合計） 172.19s 応答時間（最大） 75.99s 不正解: 14 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 3.0 コーディング : 5.6 複合 : 3.0 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 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#288#288	Gemini 3.1 Flash Liteminimal	5.9	Google	$0.080	3.95s
モデルカードを見る合計テスト数 23 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 49.3% 不安定なテスト 3 入力トークン 238,785 出力トークン 12,875 推論トークン 0 応答時間（平均） 3.95s 応答時間（合計） 90.76s 応答時間（最大） 50.03s 不正解: 9 指示に従っていない: 3 回答なし: 1 エージェントタスク : 5.0 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
#289#289	gpt-oss-120bmedium	5.9	OpenAI	$0.030 ↓	31.58s
モデルカードを見る合計テスト数 23 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 47.8% 不安定なテスト 5 入力トークン 285,293 出力トークン 29,565 推論トークン 89,266 応答時間（平均） 31.58s 応答時間（合計） 536.78s 応答時間（最大） 203.90s 不正解: 10 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 : 5.0 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
#291#291	Qwen3.6 Flashnone	5.9	Qwen	$0.139 ↓	7.63s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 33.3% 不安定なテスト 1 入力トークン 388,929 出力トークン 57,714 推論トークン 0 応答時間（平均） 7.63s 応答時間（合計） 175.42s 応答時間（最大） 93.47s 不正解: 13 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 3.1 コーディング : 5.4 複合 : 3.8 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 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#292#292	Claude Sonnet 5none	5.9	Anthropic	$1.095	8.60s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 393,560 出力トークン 30,466 推論トークン 311 応答時間（平均） 8.60s 応答時間（合計） 197.73s 応答時間（最大） 64.73s 不正解: 9 余分な書式: 4 回答なし: 2 指示に従っていない: 1 エージェントタスク : 4.7 反AIトリック : 5.3 コーディング : 4.6 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 6.4 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#293#293	Nemotron 3 Ultranone	5.9	NVIDIA	$0.164 ↕	6.76s
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 40.6% 不安定なテスト 2 入力トークン 275,381 出力トークン 11,544 推論トークン 0 応答時間（平均） 6.76s 応答時間（合計） 155.50s 応答時間（最大） 70.17s 不正解: 12 API エラー: 2 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 3.5 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 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#294#294	Qwen3.7 Flashnone	5.9	Qwen	$0.028	14.70s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 36.2% 不安定なテスト 3 入力トークン 410,787 出力トークン 117,742 推論トークン 0 応答時間（平均） 14.70s 応答時間（合計） 338.13s 応答時間（最大） 186.24s 不正解: 14 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 : 4.7 反AIトリック : 3.0 コーディング : 5.5 複合 : 3.8 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 : 3.7 ツール呼び出し : 10.0 雑学 : 3.0
#295#295	Qwen3.8 Flash Nextnone	5.8	Qwen	~$0.011	5.71s
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 43.5% 不安定なテスト 3 入力トークン 266,004 出力トークン 9,077 推論トークン 0 応答時間（平均） 5.71s 応答時間（合計） 131.36s 応答時間（最大） 65.25s 不正解: 14 回答なし: 1 エージェントタスク : 5.0 反AIトリック : 6.5 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 : 3.0 汎用知能 : 6.1 指示追従 : 7.1 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#296#296	DeepSeek V4.1 Flash 1017none	5.8	DeepSeek	$0.055	3.46s
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 36.2% 不安定なテスト 1 入力トークン 293,927 出力トークン 16,806 推論トークン 0 応答時間（平均） 3.46s 応答時間（合計） 79.48s 応答時間（最大） 43.95s 不正解: 14 指示に従っていない: 1 エージェントタスク : 5.0 反AIトリック : 3.6 コーディング : 5.6 複合 : 3.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 5.1 指示追従 : 6.5 パズル解決 : 5.4 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