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: 2026-08-15 評価済みモデル数: 287

287/287

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#31#31	Muse Spark 1.2medium	8.6	Meta	$1.339	19.67s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 74.2% 不安定なテスト 4 入力トークン 123,680 出力トークン 7,222 推論トークン 271,442 応答時間（平均） 19.67s 応答時間（合計） 432.72s 応答時間（最大） 142.49s 指示に従っていない: 3 不正解: 3 余分な書式: 1 無効なツール呼び出し: 1 反AIトリック : 7.3 コーディング : 10.0 複合 : 8.5 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 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#32#32	Muse Spark 1.1medium	8.6	Meta	$1.420	26.25s
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 142,147 出力トークン 7,905 推論トークン 284,247 応答時間（平均） 26.25s 応答時間（合計） 577.47s 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
#33#33	Claude Fable 5medium	8.6	Anthropic	$3.004	15.01s
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 89,640 出力トークン 33,092 推論トークン 9,054 応答時間（平均） 15.01s 応答時間（合計） 330.15s 応答時間（最大） 80.80s 回答なし: 3 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 : 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
#34#34	Qwen3.6 Max Previewmedium	8.6	Qwen	$1.132 ↓	66.52s
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 79,249 出力トークン 5,097 推論トークン 165,276 応答時間（平均） 66.52s 応答時間（合計） 1463.50s 応答時間（最大） 238.07s 不正解: 4 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 : 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
#35#35	Qwen3.8 Maxlow	8.6	Qwen	$0.702	21.83s
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 99,181 出力トークン 6,132 推論トークン 77,689 応答時間（平均） 21.83s 応答時間（合計） 480.37s 応答時間（最大） 155.75s 不正解: 5 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 8.4 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 : 10.0 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#36#36	GPT-5.4medium	8.5	OpenAI	$1.560	22.85s
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 81,136 出力トークン 6,155 推論トークン 84,311 応答時間（平均） 22.85s 応答時間（合計） 502.78s 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
#37#37	Grok 4.5medium	8.5	X AI	$2.042	68.59s
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 3 入力トークン 122,155 出力トークン 5,514 推論トークン 293,946 応答時間（平均） 68.59s 応答時間（合計） 1508.91s 応答時間（最大） 436.38s 不正解: 5 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 : 5.3 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
#38#38	Muse Spark 1.2low	8.4	Meta	$0.655	9.77s
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 3 入力トークン 101,811 出力トークン 8,025 推論トークン 115,938 応答時間（平均） 9.77s 応答時間（合計） 214.83s 応答時間（最大） 47.80s 不正解: 4 指示に従っていない: 3 反AIトリック : 9.2 コーディング : 8.4 複合 : 9.8 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 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#39#39	Grok 4.6medium	8.4	X AI	$1.713	73.46s
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 81.8% 不安定なテスト 4 入力トークン 106,787 出力トークン 4,811 推論トークン 244,997 応答時間（平均） 73.46s 応答時間（合計） 1616.12s 応答時間（最大） 514.35s 不正解: 5 指示に従っていない: 1 反AIトリック : 10.0 コーディング : 8.2 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 : 4.1 指示追従 : 9.8 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#40#40	Grok 4.5low	8.4	X AI	$0.945	16.17s
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 77.3% 不安定なテスト 2 入力トークン 125,605 出力トークン 7,505 推論トークン 107,984 応答時間（平均） 16.17s 応答時間（合計） 355.67s 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 : 2.9 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
#41#41	GPT-5.2medium	8.4	OpenAI	$1.182	28.51s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 72.7% 不安定なテスト 4 入力トークン 105,013 出力トークン 9,914 推論トークン 61,338 応答時間（平均） 28.51s 応答時間（合計） 456.13s 応答時間（最大） 116.86s 指示に従っていない: 3 不正解: 3 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 : 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 : 3.7 指示追従 : 9.9 パズル解決 : 7.5 ツール呼び出し : 4.7 雑学 : 3.0
#42#42	Qwen3.8 27Bhigh	8.4	Qwen	~$0.287	167.89s
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 9.6 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 100,179 出力トークン 904 推論トークン 655,731 応答時間（平均） 167.89s 応答時間（合計） 3693.54s 応答時間（最大） 640.85s 指示に従っていない: 2 回答なし: 2 不正解: 2 反AIトリック : 10.0 コーディング : 8.1 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 : 5.0 指示追従 : 9.8 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#43#43	Seed 2.1 Turbomedium	8.4	Bytedance Seed	$1.951	193.59s
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 78.8% 不安定なテスト 5 入力トークン 104,433 出力トークン 6,511 推論トークン 752,680 応答時間（平均） 193.59s 応答時間（合計） 4258.98s 応答時間（最大） 885.33s 不正解: 5 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 8.2 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 : 6.1 指示追従 : 9.8 パズル解決 : 9.9 ツール呼び出し : 10.0 雑学 : 3.0
#44#44	Inkling Smallhigh	8.4	Thinkingmachines	$0.398 ↓	30.43s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 2 入力トークン 85,669 出力トークン 6,092 推論トークン 292,801 応答時間（平均） 30.43s 応答時間（合計） 669.38s 応答時間（最大） 122.60s 不正解: 6 指示に従っていない: 2 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 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.3 指示追従 : 9.8 パズル解決 : 4.8 ツール呼び出し : 3.0 雑学 : 3.0
#45#45	Muse Spark 1.1low	8.3	Meta	$0.673	11.89s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 4 入力トークン 141,878 出力トークン 11,033 推論トークン 105,456 応答時間（平均） 11.89s 応答時間（合計） 261.69s 応答時間（最大） 54.15s 不正解: 5 指示に従っていない: 3 無効なツール呼び出し: 1 反AIトリック : 7.9 コーディング : 10.0 複合 : 6.6 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 7.3 パズル解決 : 8.3 ツール呼び出し : 9.8 雑学 : 3.0
#46#46	Gemini 2.5 Flashmedium	8.2	Google	$0.644	21.14s
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 71.2% 不安定なテスト 1 入力トークン 132,507 出力トークン 12,739 推論トークン 228,626 応答時間（平均） 21.14s 応答時間（合計） 465.10s 応答時間（最大） 140.50s 不正解: 6 指示に従っていない: 1 反AIトリック : 8.4 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 : 5.9 汎用知能 : 4.8 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
#47#47	Claude Sonnet 5medium	8.2	Anthropic	$0.922	12.54s
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 75.8% 不安定なテスト 3 入力トークン 145,953 出力トークン 52,330 推論トークン 10,874 応答時間（平均） 12.54s 応答時間（合計） 275.90s 応答時間（最大） 66.71s 不正解: 5 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 : 5.3 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
#48#48	Qwen3.8 2.4T A95Blow	8.1	Qwen	$2.672	118.97s
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 9.4 試行ごとの合格率 72.7% 不安定なテスト 2 入力トークン 113,279 出力トークン 121,045 推論トークン 374,496 応答時間（平均） 118.97s 応答時間（合計） 2617.41s 応答時間（最大） 534.21s 不正解: 4 回答なし: 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 : 3.2 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
#49#49	GPT-5 Minimedium	8.1	OpenAI	$0.241	27.64s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 98,383 出力トークン 14,409 推論トークン 93,610 応答時間（平均） 27.64s 応答時間（合計） 608.02s 応答時間（最大） 111.48s 不正解: 5 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 : 7.1 コーディング : 10.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 4.5 指示追従 : 10.0 パズル解決 : 5.6 ツール呼び出し : 10.0 雑学 : 3.0
#50#50	Muse Glimmer 30Bxhigh	8.1	Meta	$0.635	95.55s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 9.9 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 110,930 出力トークン 116,373 推論トークン 330,471 応答時間（平均） 95.55s 応答時間（合計） 2102.12s 応答時間（最大） 576.79s 不正解: 4 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 : 10.0 コーディング : 10.0 複合 : 6.0 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.5 指示追従 : 8.4 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#51#51	Inklinghigh	8.0	Thinkingmachines	$1.041 ↓	62.57s
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 3 入力トークン 86,755 出力トークン 6,057 推論トークン 230,570 応答時間（平均） 62.57s 応答時間（合計） 1376.46s 応答時間（最大） 327.51s 不正解: 4 無効なツール呼び出し: 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 : 8.5 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 : 10.0 指示追従 : 9.8 パズル解決 : 6.9 ツール呼び出し : 3.0 雑学 : 3.0
#52#52	Muse Spark 1.1high	8.0	Meta	$1.709	30.84s
モデルカードを見る合計テスト数 22 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 6 入力トークン 129,003 出力トークン 8,340 推論トークン 355,649 応答時間（平均） 30.84s 応答時間（合計） 647.67s 応答時間（最大） 196.03s 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 2 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 7.5 コーディング : 10.0 複合 : 5.9 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 : 6.4 パズル解決 : 7.8 ツール呼び出し : 9.6 雑学 : 3.0
#53#53	DeepSeek V4 Flash 0731low	8.0	DeepSeek	$0.072	77.55s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 71.2% 不安定なテスト 5 入力トークン 93,345 出力トークン 35,723 推論トークン 350,266 応答時間（平均） 77.55s 応答時間（合計） 1706.18s 応答時間（最大） 438.65s 不正解: 7 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.2 コーディング : 7.3 複合 : 9.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 6.5 指示追従 : 9.9 パズル解決 : 8.0 ツール呼び出し : 10.0 雑学 : 3.0
#54#54	DeepSeek V4 Flash 0731high	8.0	DeepSeek	$0.134	114.94s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 75.8% 不安定なテスト 5 入力トークン 96,702 出力トークン 16,966 推論トークン 496,341 応答時間（平均） 114.94s 応答時間（合計） 2528.65s 応答時間（最大） 600.61s 不正解: 4 指示に従っていない: 2 API エラー: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 6.3 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 : 10.0 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#55#55	GLM 5.2high	8.0	Z.ai	$0.603 ↓	69.86s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 3 入力トークン 83,822 出力トークン 72,040 推論トークン 292,615 応答時間（平均） 69.86s 応答時間（合計） 1536.98s 応答時間（最大） 599.43s タイムアウト: 3 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 : 6.4 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.1 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
#56#56	Inklingmedium	8.0	Thinkingmachines	$0.377 ↓	15.66s
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 75.8% 不安定なテスト 4 入力トークン 124,062 出力トークン 12,190 推論トークン 51,652 応答時間（平均） 15.66s 応答時間（合計） 344.52s 応答時間（最大） 85.12s 不正解: 4 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 8.4 複合 : 7.3 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 : 2.8
#57#57	GPT-5.6 Terrahigh	8.0	OpenAI	$0.418 ↓	11.22s
モデルカードを見る合計テスト数 22 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 2 入力トークン 81,056 出力トークン 5,055 推論トークン 51,033 応答時間（平均） 11.22s 応答時間（合計） 246.77s 応答時間（最大） 91.49s 不正解: 7 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 : 7.6 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.1 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
#58#58	Kimi K3max	7.9	Moonshot AI	$3.467	142.84s
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 9.0 試行ごとの合格率 77.3% 不安定なテスト 2 入力トークン 34,960 出力トークン 2,887 推論トークン 221,241 応答時間（平均） 142.84s 応答時間（合計） 2714.02s 応答時間（最大） 766.58s API エラー: 2 回答なし: 2 余分な書式: 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 : 6.5 データ解析と抽出 : 7.3 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 : 3.0 雑学 : 3.0
#59#59	GPT-5.2 Chatnone	7.9	OpenAI	$0.594	7.73s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 69.7% 不安定なテスト 4 入力トークン 101,104 出力トークン 29,742 推論トークン 0 応答時間（平均） 7.73s 応答時間（合計） 162.40s 応答時間（最大） 38.52s 不正解: 6 API エラー: 1 指示に従っていない: 1 回答なし: 1 反AIトリック : 8.7 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 : 3.0 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
#60#60	Step 3.7 Flashmedium	7.9	Stepfun	$0.495	23.51s
モデルカードを見る合計テスト数 22 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 68.2% 不安定なテスト 3 入力トークン 114,191 出力トークン 409,709 推論トークン 0 応答時間（平均） 23.51s 応答時間（合計） 517.21s 応答時間（最大） 152.83s 不正解: 6 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 : 8.7 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 : 5.3 汎用知能 : 4.0 指示追従 : 9.8 パズル解決 : 5.7 ツール呼び出し : 10.0 雑学 : 3.0

クイック比較

Gemini 3.6 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 Gemini 3.1 Pro PreviewmediumvsGemini 3.7 Flashlow

AI Benchy リーダーボード

おすすめモデル

モデルを絞り込む

クイック比較