AI BENCHY

AIベンチマークリーダーボード

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: 2026-06-04 評価済みモデル数: 163

163/163

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#76#76	Kimi K2.5medium	6.8	Moonshot AI	$0.328 ↓	98.43s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 68.3% 不安定なテスト 8 入力トークン 34,312 出力トークン 48,379 推論トークン 157,747 応答時間（平均） 98.43s 応答時間（合計） 1378.03s 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 反AIトリック : 7.3 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 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
#161#161	Qwen3.5-9Bmedium	4.2	Qwen	$0.035 ↓	82.24s
モデルカードを見る合計テスト数 21 誤答テスト数 18 信頼性 6.7 試行ごとの合格率 27.0% 不安定なテスト 5 入力トークン 17,070 出力トークン 29,045 推論トークン 209,516 応答時間（平均） 82.24s 応答時間（合計） 1315.88s 応答時間（最大） 226.38s タイムアウト: 11 回答なし: 2 不正解: 2 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 : 5.1 コーディング : 2.9 複合 : 3.0 データ解析と抽出 : 3.6 ドメイン特化 : 3.6 汎用知能 : 2.8 指示追従 : 6.5 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	Seed-2.0-Minimedium	6.9	Bytedance Seed	$0.044	80.22s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 6.7 試行ごとの合格率 57.1% 不安定なテスト 2 入力トークン 41,904 出力トークン 2,555 推論トークン 95,974 応答時間（平均） 80.22s 応答時間（合計） 1363.72s 応答時間（最大） 262.83s タイムアウト: 5 不正解: 4 指示に従っていない: 1 反AIトリック : 6.6 コーディング : 5.5 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 : 5.1 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	Qwen3.5 Plus 2026-02-15medium	7.9	Qwen	$0.310 ↓	73.79s
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 73.0% 不安定なテスト 3 入力トークン 40,918 出力トークン 2,159 推論トークン 189,604 応答時間（平均） 73.79s 応答時間（合計） 1033.07s 応答時間（最大） 266.69s 不正解: 4 タイムアウト: 2 API エラー: 1 反AIトリック : 8.2 コーディング : 6.6 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 : 4.7 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
#66#66	Qwen3.5-35B-A3Bmedium	7.1	Qwen	$0.401 ↓	72.57s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.8% 不安定なテスト 6 入力トークン 42,196 出力トークン 40,630 推論トークン 353,577 応答時間（平均） 72.57s 応答時間（合計） 1524.04s 応答時間（最大） 409.98s タイムアウト: 5 回答なし: 2 不正解: 2 API エラー: 1 反AIトリック : 10.0 コーディング : 5.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 4.1 汎用知能 : 2.8 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
#62#62	Step 3.5 Flashmedium	7.2	Stepfun	$0.070 ↑	72.53s
モデルカードを見る合計テスト数 20 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 56.7% 不安定なテスト 1 入力トークン 34,431 出力トークン 91,587 推論トークン 195,973 応答時間（平均） 72.53s 応答時間（合計） 1015.47s 応答時間（最大） 453.94s 不正解: 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 : 10.0 コーディング : 3.5 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 : 5.5 指示追従 : 8.3 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#60#60	Kimi K2.6medium	7.2	Moonshot AI	$0.891 ↓	71.67s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 3 入力トークン 29,450 出力トークン 102,923 推論トークン 254,094 応答時間（平均） 71.67s 応答時間（合計） 1433.36s 応答時間（最大） 406.78s タイムアウト: 3 不正解: 3 指示に従っていない: 2 回答なし: 1 反AIトリック : 7.0 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 : 5.3 汎用知能 : 10.0 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
#72#72	DeepSeek V3.2medium	7.0	DeepSeek	$0.044 ↓	68.71s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 65.1% 不安定なテスト 6 入力トークン 38,333 出力トークン 7,186 推論トークン 99,081 応答時間（平均） 68.71s 応答時間（合計） 1442.81s 応答時間（最大） 376.10s 不正解: 5 API エラー: 2 タイムアウト: 2 指示に従っていない: 1 反AIトリック : 8.2 コーディング : 6.0 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 : 3.4 指示追従 : 10.0 パズル解決 : 7.0 ツール呼び出し : 10.0 雑学 : 3.0
#30#30	Qwen3.5-27Bmedium	7.8	Qwen	$0.536 ↓	68.39s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 73.0% 不安定なテスト 4 入力トークン 42,164 出力トークン 8,534 推論トークン 329,289 応答時間（平均） 68.39s 応答時間（合計） 1436.24s 応答時間（最大） 234.36s 不正解: 4 指示に従っていない: 2 余分な書式: 1 タイムアウト: 1 反AIトリック : 8.7 コーディング : 6.2 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#67#67	MiniMax M3medium	7.1	Minimax	$0.131	68.17s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 9.6 試行ごとの合格率 65.1% 不安定なテスト 5 入力トークン 46,546 出力トークン 49,036 推論トークン 92,543 応答時間（平均） 68.17s 応答時間（合計） 1363.38s 応答時間（最大） 431.03s タイムアウト: 3 不正解: 3 指示に従っていない: 2 余分な書式: 1 回答なし: 1 反AIトリック : 5.5 コーディング : 6.1 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.5 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
#12#12	Gemini 3.1 Flash Lite Previewhigh	8.6	Google	$2.310	68.14s
モデルカードを見る合計テスト数 16 誤答テスト数 3 信頼性該当なし試行ごとの合格率 81.3% 不安定なテスト 0 入力トークン 28,980 出力トークン 1,283 推論トークン 1,533,310 応答時間（平均） 68.14s 応答時間（合計） 1090.28s 応答時間（最大） 280.52s 不正解: 2 指示に従っていない: 1 反AIトリック : 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 : 9.8 パズル解決 : 7.7 ツール呼び出し : 10.0
#129#129	MiniMax M2.5medium	5.3	Minimax	$0.385 ↓	65.37s
モデルカードを見る合計テスト数 21 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 46.0% 不安定なテスト 9 入力トークン 43,706 出力トークン 109,495 推論トークン 330,814 応答時間（平均） 65.37s 応答時間（合計） 849.76s 応答時間（最大） 251.36s 不正解: 7 タイムアウト: 4 指示に従っていない: 3 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 7.9 コーディング : 3.4 複合 : 4.5 データ解析と抽出 : 4.6 ドメイン特化 : 2.9 汎用知能 : 3.8 指示追従 : 7.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#103#103	DeepSeek V4 Prohigh	6.0	DeepSeek	$0.079 ↓	65.21s
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 9.0 試行ごとの合格率 52.4% 不安定なテスト 6 入力トークン 32,240 出力トークン 12,250 推論トークン 72,257 応答時間（平均） 65.21s 応答時間（合計） 1304.19s 応答時間（最大） 358.35s API エラー: 5 不正解: 4 タイムアウト: 3 指示に従っていない: 1 反AIトリック : 6.4 コーディング : 3.3 複合 : 10.0 データ解析と抽出 : 7.3 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 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#71#71	Step 3.7 Flashhigh	7.0	Stepfun	$1.148	64.46s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.5% 不安定なテスト 4 入力トークン 38,391 出力トークン 991,355 推論トークン 0 応答時間（平均） 64.46s 応答時間（合計） 1353.57s 応答時間（最大） 364.99s 不正解: 6 回答なし: 4 反AIトリック : 10.0 コーディング : 4.0 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 : 5.5 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
#37#37	Gemma 4 26B A4Bmedium	7.6	Google	$0.045 ↓	63.41s
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 69.8% 不安定なテスト 2 入力トークン 40,252 出力トークン 28,000 推論トークン 100,490 応答時間（平均） 63.41s 応答時間（合計） 1268.28s 応答時間（最大） 369.32s 不正解: 3 回答なし: 2 タイムアウト: 2 反AIトリック : 10.0 コーディング : 2.9 複合 : 9.6 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
#49#49	Qwen3.5-Flashmedium	7.4	Qwen	$0.080 ↓	63.29s
モデルカードを見る合計テスト数 21 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.4% 不安定なテスト 5 入力トークン 38,926 出力トークン 2,088 推論トークン 294,598 応答時間（平均） 63.29s 応答時間（合計） 1265.85s 応答時間（最大） 234.29s 不正解: 4 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 3.7 複合 : 10.0 データ解析と抽出 : 7.3 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#53#53	Gemini 3.1 Flash Litehigh	7.3	Google	$2.044	61.96s
モデルカードを見る合計テスト数 18 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 68.5% 不安定なテスト 4 入力トークン 29,134 出力トークン 1,984 推論トークン 1,355,583 応答時間（平均） 61.96s 応答時間（合計） 1115.31s 応答時間（最大） 149.23s 不正解: 4 指示に従っていない: 3 回答なし: 1 反AIトリック : 8.7 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 : 3.6 汎用知能 : 5.0 指示追従 : 7.3 パズル解決 : 5.7 ツール呼び出し : 10.0
#75#75	Ring-2.6-1Tmedium	6.9	Inclusionai	$0.033	61.29s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 60.3% 不安定なテスト 3 入力トークン 35,892 出力トークン 21,752 推論トークン 42,754 応答時間（平均） 61.29s 応答時間（合計） 1164.50s 応答時間（最大） 304.19s 不正解: 6 API エラー: 2 指示に従っていない: 2 反AIトリック : 10.0 コーディング : 5.3 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 : 4.1 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#78#78	Qwen3.6 27Bmedium	6.8	Qwen	$0.444 ↑	59.71s
モデルカードを見る合計テスト数 21 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 60.3% 不安定なテスト 5 入力トークン 39,376 出力トークン 16,189 推論トークン 122,521 応答時間（平均） 59.71s 応答時間（合計） 1254.01s 応答時間（最大） 168.22s 不正解: 6 回答なし: 3 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 : 7.7 複合 : 7.0 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
#14#14	Qwen3.6 Max Previewmedium	8.5	Qwen	$0.960 ↓	59.63s
モデルカードを見る合計テスト数 21 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.0% 不安定なテスト 2 入力トークン 42,362 出力トークン 2,273 推論トークン 144,367 応答時間（平均） 59.63s 応答時間（合計） 1252.17s 応答時間（最大） 238.07s 不正解: 5 反AIトリック : 10.0 コーディング : 8.8 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
#82#82	Hy3 previewhigh	6.6	Tencent	$0.048	56.57s
モデルカードを見る合計テスト数 21 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 55.6% 不安定なテスト 2 入力トークン 25,987 出力トークン 216,719 推論トークン 0 応答時間（平均） 56.57s 応答時間（合計） 848.59s 応答時間（最大） 149.94s API エラー: 7 不正解: 3 反AIトリック : 6.4 コーディング : 5.3 複合 : 10.0 データ解析と抽出 : 6.5 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#27#27	Gemma 4 31Bmedium	7.8	Google	$0.035 ↓	56.55s
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 69.8% 不安定なテスト 1 入力トークン 17,957 出力トークン 22,356 推論トークン 65,726 応答時間（平均） 56.55s 応答時間（合計） 1074.41s 応答時間（最大） 437.40s API エラー: 2 タイムアウト: 2 不正解: 2 回答なし: 1 反AIトリック : 10.0 コーディング : 4.3 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 : 10.0 指示追従 : 10.0 パズル解決 : 9.9 ツール呼び出し : 3.0 雑学 : 3.0
#96#96	Ring-2.6-1Tnone	6.2	Inclusionai	$0.026	55.10s
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 47.6% 不安定なテスト 2 入力トークン 7,599 出力トークン 39,954 推論トークン 0 応答時間（平均） 55.10s 応答時間（合計） 881.55s 応答時間（最大） 143.82s API エラー: 5 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
#47#47	Grok Build 0.1medium	7.4	X AI	$0.927	49.90s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 61.9% 不安定なテスト 0 入力トークン 44,418 出力トークン 2,782 推論トークン 438,018 応答時間（平均） 49.90s 応答時間（合計） 1047.92s 応答時間（最大） 252.69s 不正解: 5 余分な書式: 3 反AIトリック : 8.3 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 : 5.3 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
#38#38	Grok 4.3medium	7.6	X AI	$0.614	47.51s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 71.4% 不安定なテスト 4 入力トークン 44,472 出力トークン 1,981 推論トークン 221,382 応答時間（平均） 47.51s 応答時間（合計） 997.68s 応答時間（最大） 216.69s 不正解: 5 指示に従っていない: 2 余分な書式: 1 反AIトリック : 10.0 コーディング : 5.9 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 : 5.4 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#19#19	Seed-2.0-Litemedium	8.2	Bytedance Seed	$0.175	47.07s
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 76.2% 不安定なテスト 3 入力トークン 46,740 出力トークン 3,230 推論トークン 78,406 応答時間（平均） 47.07s 応答時間（合計） 988.37s 応答時間（最大） 254.92s 不正解: 5 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 8.0 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 : 6.7 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 3.0
#36#36	Qwen3.5 Plus 2026-04-20medium	7.6	Qwen	$0.317 ↓	46.36s
モデルカードを見る合計テスト数 21 誤答テスト数 8 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 42,097 出力トークン 2,280 推論トークン 166,613 応答時間（平均） 46.36s 応答時間（合計） 973.57s 応答時間（最大） 189.38s 不正解: 8 反AIトリック : 10.0 コーディング : 6.2 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 : 4.9 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
#31#31	DeepSeek V4 Flashhigh	7.7	DeepSeek	$0.029 ↓	45.85s
モデルカードを見る合計テスト数 21 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 74.6% 不安定なテスト 4 入力トークン 39,745 出力トークン 10,310 推論トークン 123,501 応答時間（平均） 45.85s 応答時間（合計） 962.79s 応答時間（最大） 218.13s 不正解: 6 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 7.8 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 : 6.1 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
#94#94	GPT-5 Nanomedium	6.3	OpenAI	$0.081	42.51s
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 57.1% 不安定なテスト 7 入力トークン 34,108 出力トークン 5,464 推論トークン 192,064 応答時間（平均） 42.51s 応答時間（合計） 595.09s 応答時間（最大） 204.02s 不正解: 9 指示に従っていない: 2 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 : 10.0 データ解析と抽出 : 3.7 ドメイン特化 : 5.2 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
#29#29	Qwen3.5-122B-A10Bmedium	7.8	Qwen	$0.588 ↓	42.49s
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 73.0% 不安定なテスト 3 入力トークン 41,832 出力トークン 26,187 推論トークン 251,028 応答時間（平均） 42.49s 応答時間（合計） 892.30s 応答時間（最大） 168.16s 不正解: 5 タイムアウト: 2 反AIトリック : 10.0 コーディング : 6.0 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 : 3.4 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

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashlow Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsQwen3.7 Maxmedium Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultra 550b A55bmedium無料で利用可能 Gemini 3.5 FlashhighvsGemini 3.5 Flashlow Gemini 3.5 FlashlowvsGemini 3.1 Pro Previewmedium Gemini 3.1 Pro PreviewmediumvsQwen3.7 Maxmedium Qwen3.7 MaxmediumvsGPT-5.5low GPT-5.5lowvsGemini 3.5 Flashmedium

AIベンチマーク リーダーボード

モデルを絞り込む

クイック比較

AIベンチマークリーダーボード