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）
#376#376	Kev 4Bnone	2.4	Jaredpalmer	$0.002	5.63s
モデルカードを見る合計テスト数 12 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 15.9% 不安定なテスト 1 入力トークン 42,804 出力トークン 28,061 推論トークン 0 応答時間（平均） 5.63s 応答時間（合計） 67.61s 応答時間（最大） 17.79s 不正解: 9 エージェントタスク : 0.0 反AIトリック : 2.3 コーディング : 4.5 複合 : 0.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 2.0 ツール呼び出し : 0.0 雑学 : 0.0
#377#377	Step 3.5 Flashnone	1.9	Stepfun	$0.020	39.03s
モデルカードを見る合計テスト数 12 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 0 入力トークン 1,971 出力トークン 64,795 推論トークン 0 応答時間（平均） 39.03s 応答時間（合計） 312.26s 応答時間（最大） 114.12s API エラー: 4 指示に従っていない: 1 不正解: 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 : 1.0 複合 : 1.5 データ解析と抽出 : 1.5 ドメイン特化 : 3.3 汎用知能 : 4.0 指示追従 : 5.0 パズル解決 : 0.0 ツール呼び出し : 3.0 雑学 : 3.0
#378#378	Gemini 3 Flash Previewhigh	1.8	Google	$0.105	52.45s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 134,050 出力トークン 1,029 推論トークン 11,528 応答時間（平均） 52.45s 応答時間（合計） 52.45s 応答時間（最大） 52.45s エージェントタスク : 10.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 0.0 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0
#379#379	LFM2-24B-A2Bnone	1.8	Liquid	$0.001	782ms
モデルカードを見る合計テスト数 16 誤答テスト数 14 信頼性該当なし試行ごとの合格率 11.6% 不安定なテスト 1 入力トークン 10,771 出力トークン 1,173 推論トークン 0 応答時間（平均） 782ms 応答時間（合計） 10.94s 応答時間（最大） 3.15s 不正解: 9 API エラー: 4 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 : 2.5 コーディング : 0.0 複合 : 1.5 データ解析と抽出 : 3.0 ドメイン特化 : 5.9 汎用知能 : 4.0 指示追従 : 6.3 パズル解決 : 3.8 ツール呼び出し : 3.0 雑学 : 0.0
#380#380	Solar Decidenone	1.0	Upstage	$0.009 ↑	6.01s
モデルカードを見る合計テスト数 7 誤答テスト数 5 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 47,586 出力トークン 51 推論トークン 0 応答時間（平均） 6.01s 応答時間（合計） 42.05s 応答時間（最大） 13.10s 不正解: 5 エージェントタスク : 0.0 反AIトリック : 0.8 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.7 ドメイン特化 : 4.3 汎用知能 : 0.0 指示追従 : 5.0 パズル解決 : 1.0 ツール呼び出し : 0.0 雑学 : 0.0
#381#381	Tev1 4B Experimentalnone	1.0	Togethercomputer	$0.002	498ms
モデルカードを見る合計テスト数 7 誤答テスト数 4 信頼性 10.0 試行ごとの合格率 13.0% 不安定なテスト 0 入力トークン 33,864 出力トークン 96 推論トークン 0 応答時間（平均） 498ms 応答時間（合計） 3.49s 応答時間（最大） 602ms 不正解: 4 エージェントタスク : 0.0 反AIトリック : 2.5 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 3.0 ドメイン特化 : 6.7 汎用知能 : 0.0 指示追従 : 1.5 パズル解決 : 1.7 ツール呼び出し : 0.0 雑学 : 0.0
#382#382	Claude Opus 5.5none	0.2	Anthropic	$0.015	13.58s
モデルカードを見る合計テスト数 1 誤答テスト数 0 信頼性 10.0 試行ごとの合格率 4.4% 不安定なテスト 0 入力トークン 73 出力トークン 735 推論トークン 0 応答時間（平均） 13.58s 応答時間（合計） 13.58s 応答時間（最大） 13.58s エージェントタスク : 0.0 反AIトリック : 0.0 コーディング : 0.0 複合 : 0.0 データ解析と抽出 : 0.0 ドメイン特化 : 3.3 汎用知能 : 0.0 指示追従 : 0.0 パズル解決 : 0.0 ツール呼び出し : 0.0 雑学 : 0.0

←

1 15 16

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