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）
#186#186	Gemini 3.1 Flash Litenone	6.1	Google	$0.046	1.75s
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 4 入力トークン 118,059 出力トークン 10,723 推論トークン 0 応答時間（平均） 1.75s 応答時間（合計） 38.42s 応答時間（最大） 16.25s 不正解: 11 指示に従っていない: 1 回答なし: 1 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 : 2.9 汎用知能 : 4.0 指示追従 : 10.0 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#191#191	Gemma 4 31Bnone	6.1	Google	$0.016 ↓	5.41s
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 43.9% 不安定なテスト 1 入力トークン 125,703 出力トークン 13,317 推論トークン 0 応答時間（平均） 5.41s 応答時間（合計） 108.12s 応答時間（最大） 29.95s 不正解: 10 API エラー: 2 指示に従っていない: 1 反AIトリック : 6.5 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 : 6.5 パズル解決 : 6.5 ツール呼び出し : 3.0 雑学 : 3.0
#214#214	Inkling Smalllow	5.7	Thinkingmachines	$0.055 ↓	2.07s
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 4 入力トークン 81,447 出力トークン 2,715 推論トークン 11,971 応答時間（平均） 2.07s 応答時間（合計） 45.64s 応答時間（最大） 5.82s 不正解: 9 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 : 9.2 コーディング : 4.6 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 : 5.3 指示追従 : 9.9 パズル解決 : 5.3 ツール呼び出し : 3.0 雑学 : 3.0
#223#223	Gemma 4 26B A4Bnone	5.6	Google	$0.015 ↓	7.58s
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 43.9% 不安定なテスト 1 入力トークン 131,257 出力トークン 15,781 推論トークン 0 応答時間（平均） 7.58s 応答時間（合計） 166.82s 応答時間（最大） 57.10s 不正解: 9 指示に従っていない: 2 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.3 コーディング : 3.7 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 : 6.3 パズル解決 : 6.2 ツール呼び出し : 10.0 雑学 : 3.0
#231#231	Qwen3.8 27Bnone	5.5	Qwen	~$0.006	3.12s
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 40.9% 不安定なテスト 0 入力トークン 122,463 出力トークン 11,445 推論トークン 0 応答時間（平均） 3.12s 応答時間（合計） 68.69s 応答時間（最大） 44.76s 不正解: 11 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 : 6.5 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 7.7 汎用知能 : 4.2 指示追従 : 6.3 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#269#269	Ring-2.6-1Tnone	4.8	Inclusionai	$0.026 ↑	51.99s
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 7,608 出力トークン 40,277 推論トークン 0 応答時間（平均） 51.99s 応答時間（合計） 831.90s 応答時間（最大） 143.82s API エラー: 6 不正解: 5 指示に従っていない: 2 反AIトリック : 9.2 コーディング : 5.3 複合 : 3.0 データ解析と抽出 : 3.0 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 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#221#221	GLM 5V Turbonone	5.6	Z.ai	$0.052	2.99s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 36.4% 不安定なテスト 0 入力トークン 37,100 出力トークン 1,766 推論トークン 0 応答時間（平均） 2.99s 応答時間（合計） 62.74s 応答時間（最大） 6.51s 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 : 5.5 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 : 4.6 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#222#222	Owl Alphamedium	5.6	Openrouter	$0.000	11.95s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 1 入力トークン 43,478 出力トークン 2,974 推論トークン 0 応答時間（平均） 11.95s 応答時間（合計） 250.88s 応答時間（最大） 58.63s 不正解: 10 指示に従っていない: 2 API エラー: 1 反AIトリック : 4.8 コーディング : 5.4 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 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#232#232	Mimo V2 Omninone	5.5	Xiaomi	$0.021 ↓	2.44s
モデルカードを見る合計テスト数 21 誤答テスト数 13 信頼性 10.0 試行ごとの合格率 37.9% 不安定なテスト 1 入力トークン 40,852 出力トークン 3,314 推論トークン 0 応答時間（平均） 2.44s 応答時間（合計） 48.81s 応答時間（最大） 6.81s 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 反AIトリック : 3.6 コーディング : 4.4 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 : 4.1 指示追従 : 6.5 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#300#300	Grok Build 0.1none	4.0	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 43.9% 不安定なテスト 4 入力トークン 11,793 出力トークン 267,275 推論トークン 0 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 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
#172#172	LongCat 2.0none	6.4	Meituan	$0.044	5.17s
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 10.0 試行ごとの合格率 40.9% 不安定なテスト 2 入力トークン 108,752 出力トークン 9,375 推論トークン 0 応答時間（平均） 5.17s 応答時間（合計） 113.83s 応答時間（最大） 48.38s 不正解: 13 余分な書式: 1 反AIトリック : 4.8 コーディング : 5.5 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 : 5.0 指示追従 : 6.5 パズル解決 : 4.0 ツール呼び出し : 10.0 雑学 : 3.0
#178#178	Seed-2.0-Litenone	6.2	Bytedance Seed	$0.066	4.37s
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 10.0 試行ごとの合格率 40.9% 不安定なテスト 3 入力トークン 142,206 出力トークン 14,744 推論トークン 0 応答時間（平均） 4.37s 応答時間（合計） 96.20s 応答時間（最大） 44.58s 不正解: 13 回答なし: 1 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
#189#189	Trinity Large Thinkingmedium	6.1	Arcee AI	$0.756 ↓	85.44s
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 10.0 試行ごとの合格率 48.5% 不安定なテスト 6 入力トークン 118,486 出力トークン 156,166 推論トークン 860,619 応答時間（平均） 85.44s 応答時間（合計） 1879.75s 応答時間（最大） 525.14s 不正解: 8 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 : 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
#192#192	Qwen3.5 Plus 2026-04-20none	6.1	Qwen	$0.122 ↓	13.10s
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 10.0 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 94,477 出力トークン 51,487 推論トークン 0 応答時間（平均） 13.10s 応答時間（合計） 288.23s 応答時間（最大） 206.05s 不正解: 12 指示に従っていない: 2 反AIトリック : 4.8 コーディング : 3.9 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 : 4.8 指示追従 : 6.2 パズル解決 : 6.7 ツール呼び出し : 10.0 雑学 : 3.0
#193#193	Nemotron 3 Ultranone	6.1	NVIDIA	$0.084 ↕	3.88s
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 10.0 試行ごとの合格率 42.4% 不安定なテスト 2 入力トークン 101,168 出力トークン 9,470 推論トークン 0 応答時間（平均） 3.88s 応答時間（合計） 85.33s 応答時間（最大） 37.50s 不正解: 11 API エラー: 2 指示に従っていない: 1 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
#194#194	Trinity Large Thinkinglow	6.0	Arcee AI	$0.625 ↓	96.61s
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 10.0 試行ごとの合格率 47.0% 不安定なテスト 5 入力トークン 122,854 出力トークン 119,810 推論トークン 698,549 応答時間（平均） 96.61s 応答時間（合計） 2125.51s 応答時間（最大） 540.96s 不正解: 7 API エラー: 2 指示に従っていない: 2 無効なツール呼び出し: 2 回答なし: 1 反AIトリック : 8.3 コーディング : 5.3 複合 : 5.2 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 10.0 指示追従 : 4.4 パズル解決 : 6.3 ツール呼び出し : 10.0 雑学 : 3.0
#195#195	Gemini 2.5 Flashnone	6.0	Google	$0.017	6.19s
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 10.0 試行ごとの合格率 39.4% 不安定なテスト 1 入力トークン 39,886 出力トークン 1,890 推論トークン 0 応答時間（平均） 6.19s 応答時間（合計） 136.23s 応答時間（最大） 118.00s 不正解: 13 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 : 3.0 データ解析と抽出 : 10.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#197#197	GPT-5.6 Terranone	6.0	OpenAI	$0.280 ↓	1.66s
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 10.0 試行ごとの合格率 42.4% 不安定なテスト 3 入力トークン 102,268 出力トークン 6,221 推論トークン 0 応答時間（平均） 1.66s 応答時間（合計） 36.54s 応答時間（最大） 10.07s 不正解: 11 指示に従っていない: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.8 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 : 5.0 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 9.6 雑学 : 3.0
#199#199	GPT-5 Nanomedium	6.0	OpenAI	$0.118	54.20s
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 10.0 試行ごとの合格率 54.5% 不安定なテスト 9 入力トークン 94,944 出力トークン 12,037 推論トークン 270,400 応答時間（平均） 54.20s 応答時間（合計） 867.23s 応答時間（最大） 227.89s 不正解: 10 指示に従っていない: 2 回答なし: 1 タイムアウト: 1 反AIトリック : 6.5 コーディング : 7.0 複合 : 6.4 データ解析と抽出 : 3.7 ドメイン特化 : 3.4 汎用知能 : 4.1 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
#203#203	Dots 3 Note Previewmedium	5.9	Dots Studio	$0.000	67.13s
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 10.0 試行ごとの合格率 57.6% 不安定なテスト 8 入力トークン 94,639 出力トークン 108,013 推論トークン 571,526 応答時間（平均） 67.13s 応答時間（合計） 1476.95s 応答時間（最大） 459.19s 不正解: 9 指示に従っていない: 2 回答なし: 2 余分な書式: 1 反AIトリック : 8.7 コーディング : 4.2 複合 : 9.9 データ解析と抽出 : 4.5 ドメイン特化 : 3.6 汎用知能 : 3.8 指示追従 : 8.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#211#211	North Mini Codemedium	5.7	Cohere	$0.000	141.99s
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 8.5 試行ごとの合格率 43.9% 不安定なテスト 4 入力トークン 81,742 出力トークン 423,884 推論トークン 1,340,907 応答時間（平均） 141.99s 応答時間（合計） 3123.87s 応答時間（最大） 786.72s 不正解: 9 余分な書式: 2 API エラー: 1 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 8.4 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 : 2.9 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.3 ツール呼び出し : 10.0 雑学 : 3.0
#212#212	Nemotron 3 Supermedium	5.7	NVIDIA	$0.050 ↑	52.31s
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 9.1 試行ごとの合格率 40.9% 不安定なテスト 3 入力トークン 81,438 出力トークン 17,674 推論トークン 97,900 応答時間（平均） 52.31s 応答時間（合計） 1046.21s 応答時間（最大） 431.98s 不正解: 5 API エラー: 4 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 : 8.3 コーディング : 3.1 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 : 4.1 指示追従 : 7.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#216#216	GLM 5.1none	5.7	Z.ai	$0.164 ↓	6.74s
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 10.0 試行ごとの合格率 45.5% 不安定なテスト 5 入力トークン 124,219 出力トークン 14,393 推論トークン 0 応答時間（平均） 6.74s 応答時間（合計） 148.20s 応答時間（最大） 61.20s 不正解: 12 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 4.0 コーディング : 3.9 複合 : 2.8 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 : 7.7 ツール呼び出し : 10.0 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
#224#224	Mimo V2 PROnone	5.6	Xiaomi	$0.045 ↓	2.27s
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 39.4% 不安定なテスト 3 入力トークン 39,344 出力トークン 2,352 推論トークン 0 応答時間（平均） 2.27s 応答時間（合計） 45.50s 応答時間（最大） 6.58s 不正解: 11 指示に従っていない: 2 API エラー: 1 反AIトリック : 3.5 コーディング : 5.5 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 : 4.3 指示追従 : 6.5 パズル解決 : 6.0 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 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