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: 2026-10-01 評価済みモデル数: 382

382/382

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#301#301	KAT Coder AIR V2.5low	5.0	Kwaipilot	$0.046	10.21s
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 9.9 試行ごとの合格率 42.0% 不安定なテスト 6 入力トークン 61,094 出力トークン 6,532 推論トークン 53,882 応答時間（平均） 10.21s 応答時間（合計） 234.86s 応答時間（最大） 86.23s 不正解: 7 余分な書式: 4 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 : 7.3 コーディング : 3.5 複合 : 6.4 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 : 9.8 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#302#302	Grok 4.20 Betamedium	4.9	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 63.8% 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 エージェントタスク : 0.0 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
#303#303	Inkling Smallnone	4.9	Thinkingmachines	$0.054 ↓	1.45s
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 23.2% 不安定なテスト 1 入力トークン 94,733 出力トークン 8,770 推論トークン 0 応答時間（平均） 1.45s 応答時間（合計） 33.24s 応答時間（最大） 12.35s 不正解: 15 API エラー: 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 : 3.0 反AIトリック : 3.1 コーディング : 3.6 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 : 6.3 パズル解決 : 3.2 ツール呼び出し : 3.0 雑学 : 3.0
#304#304	Qwen3 Coder Nextnone	4.9	Qwen	$0.067 ↑	19.73s
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 24.6% 不安定なテスト 1 入力トークン 250,329 出力トークン 45,168 推論トークン 0 応答時間（平均） 19.73s 応答時間（合計） 355.09s 応答時間（最大） 208.38s 不正解: 15 余分な書式: 1 指示に従っていない: 1 回答なし: 1 エージェントタスク : 3.9 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
#305#305	Laguna S 2.1high	4.9	Poolside	$0.145 ↓	113.63s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 27.5% 不安定なテスト 6 入力トークン 344,806 出力トークン 177,330 推論トークン 453,213 応答時間（平均） 113.63s 応答時間（合計） 2613.48s 応答時間（最大） 1190.11s 不正解: 12 無効なツール呼び出し: 2 回答なし: 2 API エラー: 1 余分な書式: 1 指示に従っていない: 1 エージェントタスク : 2.8 反AIトリック : 3.4 コーディング : 5.3 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.6 指示追従 : 4.6 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#306#306	Gemini 3 PRO Previewmedium	4.9	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 60.9% 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 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 : 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
#307#307	Ling 2.6 1tnone	4.9	Inclusionai	$0.016 ↑	8.16s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 17.4% 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） 8.16s 応答時間（合計） 163.24s 応答時間（最大） 25.72s 不正解: 12 API エラー: 4 指示に従っていない: 2 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 : 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
#308#308	MiMo-V2.5none	4.9	Xiaomi	$0.049 ↓	9.88s
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 26.1% 不安定なテスト 2 入力トークン 276,608 出力トークン 33,960 推論トークン 0 応答時間（平均） 9.88s 応答時間（合計） 227.24s 応答時間（最大） 124.23s 不正解: 14 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 回答なし: 1 エージェントタスク : 3.9 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 : 6.5 ドメイン特化 : 2.9 汎用知能 : 4.4 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
#309#309	Qwen3.5-9Bnone	4.9	Qwen	$0.041	37.19s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 9.8 試行ごとの合格率 18.8% 不安定なテスト 1 入力トークン 307,670 出力トークン 70,427 推論トークン 0 応答時間（平均） 37.19s 応答時間（合計） 855.27s 応答時間（最大） 433.02s 不正解: 15 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 3.9 反AIトリック : 3.1 コーディング : 3.9 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 : 4.4 指示追従 : 6.5 パズル解決 : 3.2 ツール呼び出し : 10.0 雑学 : 3.0
#310#310	Hy4 previewnone	4.9	Tencent	$0.165	40.38s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 6.2 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 185,167 出力トークン 9,430 推論トークン 0 応答時間（平均） 40.38s 応答時間（合計） 928.76s 応答時間（最大） 95.32s 不正解: 14 API エラー: 2 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 エージェントタスク : 5.0 反AIトリック : 3.3 コーディング : 3.8 複合 : 3.0 データ解析と抽出 : 8.7 ドメイン特化 : 6.8 汎用知能 : 5.1 指示追従 : 7.0 パズル解決 : 4.6 ツール呼び出し : 3.0 雑学 : 3.0
#311#311	Mimo V2 Omnimedium	4.9	Xiaomi	$0.683 ↓	41.16s
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 50.7% 不安定なテスト 3 入力トークン 37,007 出力トークン 1,952 推論トークン 357,306 応答時間（平均） 41.16s 応答時間（合計） 823.26s 応答時間（最大） 299.23s 不正解: 5 指示に従っていない: 2 回答なし: 2 API エラー: 1 余分な書式: 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 : 3.3 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.4 指示追従 : 8.3 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#312#312	Hy3 previewhigh	4.8	Tencent	$0.135 ↕	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 50.7% 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 エージェントタスク : 0.0 反AIトリック : 6.4 コーディング : 5.3 複合 : 5.0 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
#313#313	GLM 4.7 Flashnone	4.8	Z.ai	$0.027	13.04s
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 29.0% 不安定なテスト 3 入力トークン 255,363 出力トークン 27,395 推論トークン 0 応答時間（平均） 13.04s 応答時間（合計） 221.61s 応答時間（最大） 97.15s 不正解: 15 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 : 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
#314#314	Mercury 2.5 Previewnone	4.7	Inception	$0.023 ↑	7.05s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 9.9 試行ごとの合格率 29.0% 不安定なテスト 5 入力トークン 250,541 出力トークン 86,367 推論トークン 0 応答時間（平均） 7.05s 応答時間（合計） 162.25s 応答時間（最大） 84.96s 不正解: 16 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 : 3.9 反AIトリック : 3.8 コーディング : 4.7 複合 : 3.0 データ解析と抽出 : 6.3 ドメイン特化 : 3.6 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 : 10.0 雑学 : 3.0
#315#315	Nemotron 3.5 Lightningmedium	4.7	NVIDIA	$0.137 ↕	81.93s
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 9.8 試行ごとの合格率 47.8% 不安定なテスト 12 入力トークン 195,780 出力トークン 167,746 推論トークン 598,384 応答時間（平均） 81.93s 応答時間（合計） 1884.31s 応答時間（最大） 437.11s 不正解: 13 指示に従っていない: 3 無効なツール呼び出し: 1 タイムアウト: 1 エージェントタスク : 2.8 反AIトリック : 6.9 コーディング : 4.4 複合 : 6.2 データ解析と抽出 : 3.7 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.5 パズル解決 : 4.2 ツール呼び出し : 10.0 雑学 : 3.0
#316#316	North Mini Codenone	4.7	Cohere	$0.000	29.47s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 8.9 試行ごとの合格率 17.4% 不安定なテスト 0 入力トークン 177,989 出力トークン 26,954 推論トークン 0 応答時間（平均） 29.47s 応答時間（合計） 677.70s 応答時間（最大） 159.85s 不正解: 13 余分な書式: 2 指示に従っていない: 2 無効なツール呼び出し: 2 エージェントタスク : 3.0 反AIトリック : 3.0 コーディング : 3.9 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.9 指示追従 : 6.5 パズル解決 : 3.5 ツール呼び出し : 9.5 雑学 : 3.0
#317#317	Laguna S 2.1none	4.7	Poolside	$0.044 ↓	17.65s
モデルカードを見る合計テスト数 23 誤答テスト数 21 信頼性 10.0 試行ごとの合格率 14.5% 不安定なテスト 3 入力トークン 287,445 出力トークン 99,097 推論トークン 0 応答時間（平均） 17.65s 応答時間（合計） 406.05s 応答時間（最大） 200.52s 不正解: 18 指示に従っていない: 2 回答なし: 1 エージェントタスク : 5.4 反AIトリック : 3.1 コーディング : 3.4 複合 : 2.9 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 : 4.3 パズル解決 : 3.1 ツール呼び出し : 4.7 雑学 : 3.0
#318#318	Granite 4.2 8Bhigh	4.7	IBM Granite	$0.111	235.35s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 8.2 試行ごとの合格率 37.7% 不安定なテスト 10 入力トークン 282,658 出力トークン 198,563 推論トークン 462,804 応答時間（平均） 235.35s 応答時間（合計） 5413.09s 応答時間（最大） 685.87s タイムアウト: 10 不正解: 7 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 : 5.0 反AIトリック : 6.9 コーディング : 3.8 複合 : 5.0 データ解析と抽出 : 3.8 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 6.4 パズル解決 : 2.9 ツール呼び出し : 10.0 雑学 : 3.0
#319#319	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 4 入力トークン 311,647 出力トークン 40,395 推論トークン 0 応答時間（平均） 16.97s 応答時間（合計） 305.55s 応答時間（最大） 151.35s 不正解: 15 指示に従っていない: 3 回答なし: 1 タイムアウト: 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 : 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
#320#320	DeepSeek V3.2none	4.6	DeepSeek	$0.119 ↑	22.44s
モデルカードを見る合計テスト数 23 誤答テスト数 17 信頼性 10.0 試行ごとの合格率 34.8% 不安定なテスト 5 入力トークン 342,158 出力トークン 57,866 推論トークン 0 応答時間（平均） 22.44s 応答時間（合計） 516.03s 応答時間（最大） 122.50s 不正解: 9 API エラー: 3 余分な書式: 2 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 : 3.0 反AIトリック : 3.2 コーディング : 3.1 複合 : 4.8 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.7 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#321#321	GPT-5.4 Nanonone	4.6	OpenAI	$0.068	4.42s
モデルカードを見る合計テスト数 23 誤答テスト数 19 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 4 入力トークン 246,687 出力トークン 14,894 推論トークン 0 応答時間（平均） 4.42s 応答時間（合計） 101.75s 応答時間（最大） 45.38s 不正解: 16 指示に従っていない: 2 回答なし: 1 エージェントタスク : 3.9 反AIトリック : 3.5 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 : 2.9 汎用知能 : 3.8 指示追従 : 6.3 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#322#322	Gemini 3.1 Flash Litehigh	4.6	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 53.6% 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 エージェントタスク : 0.0 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 : 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 雑学 : 0.0
#323#323	GLM 5V Turbonone	4.6	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 34.8% 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 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 : 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
#324#324	Laguna S 2.1low	4.6	Poolside	$0.108 ↓	88.24s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 23.2% 不安定なテスト 6 入力トークン 232,641 出力トークン 69,335 推論トークン 426,182 応答時間（平均） 88.24s 応答時間（合計） 2029.57s 応答時間（最大） 814.73s 不正解: 16 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 エージェントタスク : 2.8 反AIトリック : 3.4 コーディング : 3.8 複合 : 3.2 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 4.8 指示追従 : 4.3 パズル解決 : 3.1 ツール呼び出し : 10.0 雑学 : 3.0
#325#325	Nemotron 3.5 Lightninglow	4.6	NVIDIA	$0.123 ↕	83.19s
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 9.5 試行ごとの合格率 40.6% 不安定なテスト 9 入力トークン 207,883 出力トークン 144,718 推論トークン 525,897 応答時間（平均） 83.19s 応答時間（合計） 1913.41s 応答時間（最大） 597.61s 不正解: 14 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 エージェントタスク : 3.5 反AIトリック : 6.9 コーディング : 4.0 複合 : 6.3 データ解析と抽出 : 2.9 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 8.4 パズル解決 : 3.6 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