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: 2026-07-18 評価済みモデル数: 206

206/206

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#1🥇 #1	Gemini 3 Flash Previewmedium	9.6	Google	$0.742	19.20s
モデルカードを見る合計テスト数 22 誤答テスト数 1 信頼性 10.0 試行ごとの合格率 98.5% 不安定なテスト 1 入力トークン 87,861 出力トークン 5,486 推論トークン 227,164 応答時間（平均） 19.20s 応答時間（合計） 422.42s 応答時間（最大） 117.26s 不正解: 1 反AIトリック : 10.0 コーディング : 8.6 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 10.0 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 : 10.0
#2🥈 #2	Gemini 3.5 Flashhigh	9.5	Google	$1.976	15.07s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 93.9% 不安定なテスト 2 入力トークン 107,137 出力トークン 8,777 推論トークン 192,900 応答時間（平均） 15.07s 応答時間（合計） 331.48s 応答時間（最大） 145.92s 無効なツール呼び出し: 1 不正解: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 8.2 データ解析と抽出 : 10.0 ドメイン特化 : 7.6 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 : 9.8 雑学 : 10.0
#7#7	Gemini 3.1 Pro Previewmedium	9.2	Google	$1.361	21.47s
モデルカードを見る合計テスト数 22 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 90.9% 不安定なテスト 0 入力トークン 92,287 出力トークン 5,232 推論トークン 92,726 応答時間（平均） 21.47s 応答時間（合計） 322.08s 応答時間（最大） 88.68s 不正解: 2 反AIトリック : 10.0 コーディング : 7.9 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 : 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 : 10.0
#6#6	GPT-5.5low	9.3	OpenAI	$1.253	10.13s
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 80,058 出力トークン 5,378 推論トークン 23,040 応答時間（平均） 10.13s 応答時間（合計） 222.82s 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
#9#9	Gemini 3.5 Flashmedium	9.1	Google	$0.642	8.20s
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 87.9% 不安定なテスト 1 入力トークン 69,747 出力トークン 2,166 推論トークン 57,436 応答時間（平均） 8.20s 応答時間（合計） 180.47s 応答時間（最大） 76.68s 不正解: 2 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 : 7.7 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
#11#11	Gemini 3.5 Flashlow	8.9	Google	$0.433	5.55s
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 87.9% 不安定なテスト 1 入力トークン 87,817 出力トークン 2,239 推論トークン 31,182 応答時間（平均） 5.55s 応答時間（合計） 122.19s 応答時間（最大） 53.55s 不正解: 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 : 7.8 複合 : 8.2 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 : 9.9 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#92#92	Claude Opus 4.7none	6.6	Anthropic	$0.505	3.02s
モデルカードを見る合計テスト数 19 誤答テスト数 3 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 0 入力トークン 69,576 出力トークン 6,265 推論トークン 0 応答時間（平均） 3.02s 応答時間（合計） 57.44s 応答時間（最大） 18.27s 不正解: 3 反AIトリック : 8.3 コーディング : 3.3 複合 : 4.8 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#3🥉 #3	GPT-5.6 Sollow	9.5	OpenAI	$0.971	8.79s
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 78,571 出力トークン 4,476 推論トークン 14,770 応答時間（平均） 8.79s 応答時間（合計） 193.33s 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
#4#4	GPT-5.6 Solmedium	9.4	OpenAI	$1.316	11.35s
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 90.9% 不安定なテスト 3 入力トークン 78,997 出力トークン 4,696 推論トークン 26,002 応答時間（平均） 11.35s 応答時間（合計） 249.73s 応答時間（最大） 79.40s 不正解: 4 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 : 5.9 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 : 4.7
#5#5	GPT-5.6 Solhigh	9.4	OpenAI	$1.234	11.73s
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 89.4% 不安定なテスト 3 入力トークン 79,249 出力トークン 4,855 推論トークン 23,044 応答時間（平均） 11.73s 応答時間（合計） 257.99s 応答時間（最大） 54.79s 不正解: 4 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 : 5.3 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 : 4.7
#8#8	Qwen3.7 Maxmedium	9.2	Qwen	$1.116 ↓	40.57s
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 87.9% 不安定なテスト 2 入力トークン 106,020 出力トークン 5,748 推論トークン 211,004 応答時間（平均） 40.57s 応答時間（合計） 892.57s 応答時間（最大） 556.06s 不正解: 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 : 10.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 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
#10#10	GPT-5.5medium	9.0	OpenAI	$4.137	38.42s
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 87.9% 不安定なテスト 3 入力トークン 80,659 出力トークン 5,617 推論トークン 118,819 応答時間（平均） 38.42s 応答時間（合計） 845.35s 応答時間（最大） 332.10s 不正解: 4 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 : 5.3 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 : 2.8
#14#14	Claude Opus 4.8medium	8.8	Anthropic	$1.931	12.49s
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 84.9% 不安定なテスト 1 入力トークン 138,451 出力トークン 40,766 推論トークン 9,075 応答時間（平均） 12.49s 応答時間（合計） 274.72s 応答時間（最大） 70.54s 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 : 9.9 データ解析と抽出 : 7.1 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#15#15	Claude Opus 4.7medium	8.7	Anthropic	$1.477	7.61s
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 145,252 出力トークン 24,948 推論トークン 5,042 応答時間（平均） 7.61s 応答時間（合計） 159.91s 応答時間（最大） 65.40s 不正解: 3 タイムアウト: 1 反AIトリック : 8.3 コーディング : 7.6 複合 : 10.0 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 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#159#159	Gemini 3.1 Flash Lite Previewhigh	5.3	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 59.1% 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 : 7.5 コーディング : 0.0 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 : 7.7 ツール呼び出し : 10.0 雑学 : 0.0
#127#127	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
#12#12	Grok 4.5high	8.9	X AI	$1.707	76.50s
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 151,562 出力トークン 5,655 推論トークン 247,540 応答時間（平均） 76.50s 応答時間（合計） 1683.07s 応答時間（最大） 676.83s 回答なし: 2 不正解: 2 指示に従っていない: 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 : 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
#17#17	Claude Fable 5medium	8.6	Anthropic	$3.478	17.20s
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 78.8% 不安定なテスト 1 入力トークン 89,643 出力トークン 41,360 推論トークン 10,269 応答時間（平均） 17.20s 応答時間（合計） 378.41s 応答時間（最大） 80.80s 回答なし: 2 不正解: 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 : 10.0 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 : 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
#13#13	GPT-5.3-Codexmedium	8.9	OpenAI	$0.920	16.96s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 83.3% 不安定なテスト 4 入力トークン 81,268 出力トークン 6,251 推論トークン 49,274 応答時間（平均） 16.96s 応答時間（合計） 373.19s 応答時間（最大） 100.93s 不正解: 4 指示に従っていない: 2 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 : 5.9 汎用知能 : 4.6 指示追従 : 10.0 パズル解決 : 9.0 ツール呼び出し : 10.0 雑学 : 2.8
#19#19	Qwen3.6 Max Previewmedium	8.4	Qwen	$1.143 ↓	67.53s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.9 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 79,240 出力トークン 5,098 推論トークン 164,842 応答時間（平均） 67.53s 応答時間（合計） 1485.64s 応答時間（最大） 238.07s 不正解: 5 タイムアウト: 1 反AIトリック : 10.0 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 : 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
#20#20	Grok 4.5low	8.4	X AI	$0.935	15.56s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.8% 不安定なテスト 1 入力トークン 125,596 出力トークン 7,505 推論トークン 106,446 応答時間（平均） 15.56s 応答時間（合計） 342.32s 応答時間（最大） 205.28s 不正解: 6 反AIトリック : 10.0 コーディング : 10.0 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 : 6.1 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
#22#22	Grok 4.5medium	8.3	X AI	$1.928	61.71s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 3 入力トークン 122,146 出力トークン 5,514 推論トークン 275,053 応答時間（平均） 61.71s 応答時間（合計） 1357.56s 応答時間（最大） 436.38s 不正解: 6 反AIトリック : 10.0 コーディング : 7.6 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 : 6.5 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
#23#23	Claude Sonnet 5medium	8.3	Anthropic	$0.922	12.52s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 145,956 出力トークン 52,333 推論トークン 10,874 応答時間（平均） 12.52s 応答時間（合計） 275.42s 応答時間（最大） 66.71s 不正解: 4 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 : 10.0 コーディング : 9.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 4.8 指示追従 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#33#33	Kimi K3max	8.0	Moonshot AI	$3.112	122.48s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 9.1 試行ごとの合格率 75.8% 不安定なテスト 1 入力トークン 34,916 出力トークン 2,910 推論トークン 197,529 応答時間（平均） 122.48s 応答時間（合計） 2327.06s 応答時間（最大） 766.58s API エラー: 2 タイムアウト: 2 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 5.9 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 : 3.0 雑学 : 3.0
#41#41	Claude Opus 4.8low	7.8	Anthropic	$2.077	12.74s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 80.3% 不安定なテスト 3 入力トークン 156,525 出力トークン 43,141 推論トークン 8,617 応答時間（平均） 12.74s 応答時間（合計） 280.29s 応答時間（最大） 127.97s 不正解: 4 余分な書式: 1 回答なし: 1 反AIトリック : 10.0 コーディング : 6.6 複合 : 9.9 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 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#60#60	Gemini 3 Flash Previewlow	7.4	Google	$0.177	6.28s
モデルカードを見る合計テスト数 22 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 75.8% 不安定なテスト 2 入力トークン 123,684 出力トークン 9,572 推論トークン 28,518 応答時間（平均） 6.28s 応答時間（合計） 138.06s 応答時間（最大） 17.13s 不正解: 6 反AIトリック : 10.0 コーディング : 5.8 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 : 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 : 10.0
#38#38	GLM 5.2medium	7.8	Z.ai	$0.068 ↓	23.28s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 9.5 試行ごとの合格率 80.3% 不安定なテスト 4 入力トークン 37,199 出力トークン 12,261 推論トークン 49,500 応答時間（平均） 23.28s 応答時間（合計） 488.94s 応答時間（最大） 101.36s 不正解: 3 回答なし: 2 タイムアウト: 1 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 : 4.1 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#42#42	GLM 5medium	7.7	Z.ai	$0.372 ↑	33.54s
モデルカードを見る合計テスト数 21 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 78.8% 不安定なテスト 4 入力トークン 35,224 出力トークン 21,570 推論トークン 102,996 応答時間（平均） 33.54s 応答時間（合計） 435.99s 応答時間（最大） 99.85s 不正解: 3 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 : 10.0 複合 : 5.0 データ解析と抽出 : 7.1 ドメイン特化 : 3.5 汎用知能 : 6.1 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
#16#16	Muse Spark 1.1medium	8.6	Meta	$1.357	24.97s
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 72.7% 不安定なテスト 2 入力トークン 142,567 出力トークン 7,905 推論トークン 269,225 応答時間（平均） 24.97s 応答時間（合計） 549.31s 応答時間（最大） 165.38s 不正解: 4 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 : 10.0 コーディング : 10.0 複合 : 8.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 7.9 ツール呼び出し : 9.8 雑学 : 3.0
#18#18	GPT-5.4medium	8.5	OpenAI	$1.533	23.10s
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 4 入力トークン 81,127 出力トークン 6,155 推論トークン 82,515 応答時間（平均） 23.10s 応答時間（合計） 508.26s 応答時間（最大） 100.41s 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 : 8.8 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 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0

1 2 3 4 5 6 7

→

クイック比較

Gemini 3 Flash PreviewmediumvsGemini 3.5 Flashhigh Gemini 3 Flash PreviewmediumvsGPT-5.6 Sollow Gemini 3 Flash PreviewmediumvsGPT-5.6 Solmedium Gemini 3 Flash PreviewmediumvsGPT-5.6 Solhigh Gemini 3 Flash PreviewmediumvsGPT-5.5low Gemini 3 Flash PreviewmediumvsGemini 3.1 Pro Previewmedium Gemini 3 Flash PreviewmediumvsNemotron 3 Ultramedium無料で利用可能 Gemini 3 Flash PreviewmediumvsNorth Mini Codemedium無料で利用可能 Gemini 3.5 FlashhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-5.6 Solmedium GPT-5.6 SolmediumvsGPT-5.6 Solhigh GPT-5.6 SolhighvsGPT-5.5low

AI Benchy リーダーボード

モデルを絞り込む

クイック比較