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: 2026-09-03 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）
#136#136	Claude Fable 5.1low	6.9	Anthropic	$2.565	10.33s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 56.1% 不安定なテスト 2 入力トークン 134,582 出力トークン 8,955 推論トークン 15,420 応答時間（平均） 10.33s 応答時間（合計） 227.37s 応答時間（最大） 33.10s 余分な書式: 4 不正解: 4 指示に従っていない: 3 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
#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
#16#16	Claude Opus 5medium	9.2	Anthropic	$1.586	10.26s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 135,604 出力トークン 23,814 推論トークン 12,804 応答時間（平均） 10.26s 応答時間（合計） 225.66s 応答時間（最大） 35.43s 不正解: 3 回答なし: 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 : 2.9 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
#139#139	Gemini 3.5 Flashnone	6.9	Google	$1.093	10.18s
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 69.7% 不安定なテスト 3 入力トークン 13,852 出力トークン 119,100 推論トークン 0 応答時間（平均） 10.18s 応答時間（合計） 183.29s 応答時間（最大） 64.36s API エラー: 4 不正解: 4 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
#11#11	GPT-5.5low	9.3	OpenAI	$1.257	10.15s
モデルカードを見る合計テスト数 22 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 86.4% 不安定なテスト 0 入力トークン 80,067 出力トークン 5,378 推論トークン 23,162 応答時間（平均） 10.15s 応答時間（合計） 223.24s 応答時間（最大） 56.19s 不正解: 3 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#185#185	Qwen3.7 Flashnone	6.1	Qwen	$0.019	10.05s
モデルカードを見る合計テスト数 22 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 2 入力トークン 218,740 出力トークン 90,507 推論トークン 0 応答時間（平均） 10.05s 応答時間（合計） 221.13s 応答時間（最大） 186.24s 不正解: 13 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 : 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
#30#30	Gemini 3.5 Flash Litehigh	8.8	Google	$0.540	10.05s
モデルカードを見る合計テスト数 22 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 2 入力トークン 93,046 出力トークン 5,884 推論トークン 198,741 応答時間（平均） 10.05s 応答時間（合計） 221.06s 応答時間（最大） 36.22s 不正解: 5 反AIトリック : 10.0 コーディング : 8.4 複合 : 9.9 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#225#225	Owl Alphanone	5.6	Openrouter	$0.000	9.88s
モデルカードを見る合計テスト数 21 誤答テスト数 14 信頼性 10.0 試行ごとの合格率 34.9% 不安定なテスト 1 入力トークン 42,283 出力トークン 5,913 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 207.38s 応答時間（最大） 47.10s 不正解: 10 指示に従っていない: 3 余分な書式: 1 反AIトリック : 3.4 コーディング : 5.6 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 : 4.3 指示追従 : 6.4 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#164#164	Qwen3.5 Plus 2026-02-15none	6.6	Qwen	$0.073 ↓	9.86s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 53.0% 不安定なテスト 2 入力トークン 102,655 出力トークン 29,370 推論トークン 0 応答時間（平均） 9.86s 応答時間（合計） 157.77s 応答時間（最大） 123.00s 不正解: 11 反AIトリック : 4.8 コーディング : 4.3 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 : 4.4 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
#44#44	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
モデルカードを見る合計テスト数 22 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 77.3% 不安定なテスト 3 入力トークン 101,811 出力トークン 8,025 推論トークン 115,938 応答時間（平均） 9.77s 応答時間（合計） 214.83s 応答時間（最大） 47.80s 不正解: 4 指示に従っていない: 3 反AIトリック : 9.2 コーディング : 8.4 複合 : 9.8 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#196#196	Grok 4.20 Betamedium	6.0	X AI	$0.750 ↑	9.75s
モデルカードを見る合計テスト数 18 誤答テスト数 4 信頼性該当なし試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 35,955 出力トークン 1,647 推論トークン 91,565 応答時間（平均） 9.75s 応答時間（合計） 175.48s 応答時間（最大） 31.36s 不正解: 3 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 3.3 複合 : 5.0 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 0.0
#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
#150#150	GLM 5.2none	6.7	Z.ai	$0.153 ↓	9.65s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 2 入力トークン 112,458 出力トークン 14,344 推論トークン 0 応答時間（平均） 9.65s 応答時間（合計） 212.38s 応答時間（最大） 79.65s 不正解: 7 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 : 3.7 複合 : 6.9 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 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
#283#283	Qwen3 Coder Nextmedium	4.6	Qwen	$0.034 ↑	9.07s
モデルカードを見る合計テスト数 22 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 25.8% 不安定なテスト 4 入力トークン 148,203 出力トークン 19,069 推論トークン 0 応答時間（平均） 9.07s 応答時間（合計） 154.19s 応答時間（最大） 81.80s 不正解: 14 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 反AIトリック : 3.5 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 6.3 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#198#198	Gemini 3 PRO Previewmedium	6.0	Google	$0.385 ↑	9.05s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性該当なし試行ごとの合格率 63.6% 不安定なテスト 0 入力トークン 28,848 出力トークン 1,490 推論トークン 10,102 応答時間（平均） 9.05s 応答時間（合計） 90.53s 応答時間（最大） 26.24s API エラー: 4 不正解: 3 反AIトリック : 10.0 コーディング : 3.0 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 : 10.0 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
#5#5	GPT-5.6 Sollow	9.5	OpenAI	$0.357 ↓	9.04s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 86.4% 不安定なテスト 2 入力トークン 78,580 出力トークン 4,476 推論トークン 15,470 応答時間（平均） 9.04s 応答時間（合計） 198.97s 応答時間（最大） 53.91s 不正解: 4 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 : 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 : 8.2 ツール呼び出し : 10.0 雑学 : 10.0
#275#275	GLM 4.7 Flashnone	4.8	Z.ai	$0.016	8.81s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 30.3% 不安定なテスト 3 入力トークン 101,513 出力トークン 22,992 推論トークン 0 応答時間（平均） 8.81s 応答時間（合計） 140.88s 応答時間（最大） 97.15s 不正解: 14 無効なツール呼び出し: 2 指示に従っていない: 1 反AIトリック : 5.2 コーディング : 4.3 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.0 指示追従 : 6.5 パズル解決 : 6.4 ツール呼び出し : 2.8 雑学 : 3.0
#226#226	KAT-Coder-Air V2.5medium	5.6	Kwaipilot	$0.048	8.65s
モデルカードを見る合計テスト数 22 誤答テスト数 14 信頼性 9.6 試行ごとの合格率 45.5% 不安定なテスト 3 入力トークン 51,369 出力トークン 8,008 推論トークン 58,568 応答時間（平均） 8.65s 応答時間（合計） 190.35s 応答時間（最大） 48.19s 不正解: 10 API エラー: 1 余分な書式: 1 指示に従っていない: 1 タイムアウト: 1 反AIトリック : 8.7 コーディング : 3.6 複合 : 6.5 データ解析と抽出 : 6.5 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 : 3.6 ツール呼び出し : 10.0 雑学 : 3.0
#254#254	Qwen3 Coder Nextnone	5.1	Qwen	$0.026 ↑	8.63s
モデルカードを見る合計テスト数 22 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 25.8% 不安定なテスト 1 入力トークン 134,227 出力トークン 11,808 推論トークン 0 応答時間（平均） 8.63s 応答時間（合計） 146.72s 応答時間（最大） 45.14s 不正解: 14 余分な書式: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 3.6 コーディング : 4.6 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 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#244#244	Ling-2.6-1Tnone	5.3	Inclusionai	$0.016 ↑	8.59s
モデルカードを見る合計テスト数 22 誤答テスト数 18 信頼性 10.0 試行ごとの合格率 18.2% 不安定なテスト 0 入力トークン 106,423 出力トークン 11,555 推論トークン 0 応答時間（平均） 8.59s 応答時間（合計） 163.20s 応答時間（最大） 25.72s 不正解: 12 API エラー: 3 指示に従っていない: 2 無効なツール呼び出し: 1 反AIトリック : 3.4 コーディング : 3.8 複合 : 6.5 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 : 6.4 パズル解決 : 3.1 ツール呼び出し : 3.0 雑学 : 3.0
#21#21	Gemini 3.5 Flashmedium	9.0	Google	$0.665	8.48s
モデルカードを見る合計テスト数 22 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 1 入力トークン 69,756 出力トークン 2,166 推論トークン 60,007 応答時間（平均） 8.48s 応答時間（合計） 186.57s 応答時間（最大） 76.68s 不正解: 3 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 7.9 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 10.0
#169#169	Qwen3.6 Max Previewnone	6.4	Qwen	$0.228 ↓	7.82s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.9 試行ごとの合格率 56.1% 不安定なテスト 2 入力トークン 106,348 出力トークン 19,257 推論トークン 0 応答時間（平均） 7.82s 応答時間（合計） 172.04s 応答時間（最大） 102.62s 不正解: 11 反AIトリック : 5.2 コーディング : 3.8 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.3 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
#67#67	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 101,104 出力トークン 29,742 推論トークン 0 応答時間（平均） 7.73s 応答時間（合計） 162.40s 応答時間（最大） 38.52s 不正解: 6 API エラー: 1 指示に従っていない: 1 回答なし: 1 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 : 3.0 汎用知能 : 4.4 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#108#108	Claude Sonnet 4.6none	7.3	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 57.6% 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 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

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