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）
#61#61	Qwen3.8 27Blow	7.9	Qwen	~$0.071	39.11s
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 68.2% 不安定なテスト 0 入力トークン 99,705 出力トークン 1,545 推論トークン 167,784 応答時間（平均） 39.11s 応答時間（合計） 860.51s 応答時間（最大） 376.04s 不正解: 4 回答なし: 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 : 7.7 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 : 5.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 3.0 雑学 : 3.0
#62#62	Qwen3.7 Plusmedium	7.9	Qwen	$0.277 ↓	53.51s
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 115,242 出力トークン 6,163 推論トークン 181,174 応答時間（平均） 53.51s 応答時間（合計） 1177.25s 応答時間（最大） 315.30s 不正解: 5 無効なツール呼び出し: 1 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.1 複合 : 8.2 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 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#63#63	Qwen3.6 Plusmedium	7.8	Qwen	$0.418 ↑	45.52s
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 2 入力トークン 97,698 出力トークン 6,417 推論トークン 191,215 応答時間（平均） 45.52s 応答時間（合計） 955.94s 応答時間（最大） 291.55s 不正解: 5 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 : 6.1 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 : 5.1 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
#64#64	Gemini 3.5 Flash Litemedium	7.8	Google	$0.272	5.12s
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 78.8% 不安定なテスト 6 入力トークン 103,916 出力トークン 8,892 推論トークン 87,343 応答時間（平均） 5.12s 応答時間（合計） 112.73s 応答時間（最大） 26.41s 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 反AIトリック : 10.0 コーディング : 7.9 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 2.8
#65#65	GLM 5.2medium	7.8	Z.ai	$0.114 ↓	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
#66#66	GPT-5.6 Terramedium	7.8	OpenAI	$0.262 ↓	6.85s
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 79,184 出力トークン 4,878 推論トークン 25,471 応答時間（平均） 6.85s 応答時間（合計） 150.65s 応答時間（最大） 41.68s 不正解: 8 反AIトリック : 8.3 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 : 5.3 汎用知能 : 5.5 指示追従 : 10.0 パズル解決 : 8.4 ツール呼び出し : 10.0 雑学 : 3.0
#67#67	Claude Sonnet 4.6medium	7.8	Anthropic	$2.126	28.08s
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 65.2% 不安定なテスト 1 入力トークン 106,316 出力トークン 79,338 推論トークン 41,089 応答時間（平均） 28.08s 応答時間（合計） 421.15s 応答時間（最大） 140.96s 不正解: 4 余分な書式: 3 タイムアウト: 1 反AIトリック : 6.5 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 : 3.0 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 : 3.0
#68#68	Qwen3.8 27Bmedium	7.8	Qwen	~$0.058	33.05s
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 9.6 試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 98,266 出力トークン 1,861 推論トークン 134,301 応答時間（平均） 33.05s 応答時間（合計） 694.04s 応答時間（最大） 214.63s 不正解: 3 指示に従っていない: 2 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 : 10.0 コーディング : 10.0 複合 : 8.7 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 8.3 ツール呼び出し : 3.0 雑学 : 3.0
#69#69	Seed-2.0-Litemedium	7.8	Bytedance Seed	$0.236	47.94s
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 129,906 出力トークン 12,530 推論トークン 88,766 応答時間（平均） 47.94s 応答時間（合計） 1054.57s 応答時間（最大） 254.92s 不正解: 6 指示に従っていない: 2 回答なし: 1 反AIトリック : 8.3 コーディング : 8.0 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#70#70	Claude Opus 4.8low	7.8	Anthropic	$2.089	12.88s
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 156,522 出力トークン 43,056 推論トークン 9,181 応答時間（平均） 12.88s 応答時間（合計） 283.32s 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
#71#71	Qwen3.7 Flashhigh	7.8	Qwen	$0.052	41.37s
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 6 入力トークン 116,331 出力トークン 12,330 推論トークン 357,920 応答時間（平均） 41.37s 応答時間（合計） 910.11s 応答時間（最大） 431.47s 不正解: 7 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 : 8.2 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 7.1 ツール呼び出し : 10.0 雑学 : 3.0
#72#72	GLM 5medium	7.7	Z.ai	$0.228 ↓	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
#73#73	Seed-2.0-Codelow	7.7	Bytedance Seed	$0.767	72.24s
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 8.5 試行ごとの合格率 77.3% 不安定なテスト 6 入力トークン 85,657 出力トークン 8,142 推論トークン 233,167 応答時間（平均） 72.24s 応答時間（合計） 1589.31s 応答時間（最大） 485.92s 不正解: 6 API エラー: 2 指示に従っていない: 1 反AIトリック : 8.7 コーディング : 7.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 汎用知能 : 6.5 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
#74#74	Claude Opus 4.6medium	7.7	Anthropic	$2.961	32.23s
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 63.6% 不安定なテスト 3 入力トークン 108,573 出力トークン 69,994 推論トークン 26,728 応答時間（平均） 32.23s 応答時間（合計） 515.65s 応答時間（最大） 151.51s 余分な書式: 4 不正解: 4 指示に従っていない: 1 反AIトリック : 6.4 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 : 3.0 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
#75#75	DeepSeek V4 Prohigh	7.7	DeepSeek	$0.555 ↑	92.50s
モデルカードを見る合計テスト数 22 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 63.6% 不安定なテスト 6 入力トークン 90,757 出力トークン 22,928 推論トークン 186,516 応答時間（平均） 92.50s 応答時間（合計） 2035.01s 応答時間（最大） 416.76s 不正解: 7 指示に従っていない: 2 API エラー: 1 回答なし: 1 タイムアウト: 1 反AIトリック : 5.7 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 : 3.6 汎用知能 : 10.0 指示追従 : 7.8 パズル解決 : 6.9 ツール呼び出し : 9.8 雑学 : 3.0
#76#76	DeepSeek V4 Flash 0423high	7.6	DeepSeek	$0.031 ↓	51.81s
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 108,480 出力トークン 37,229 推論トークン 174,081 応答時間（平均） 51.81s 応答時間（合計） 1139.75s 応答時間（最大） 218.13s 不正解: 6 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 : 8.3 コーディング : 7.8 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 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
#77#77	GLM 5 Turbomedium	7.6	Z.ai	$0.323 ↑	23.00s
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 71.2% 不安定なテスト 4 入力トークン 35,593 出力トークン 12,245 推論トークン 62,277 応答時間（平均） 23.00s 応答時間（合計） 482.97s 応答時間（最大） 194.23s 不正解: 4 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 : 8.2 複合 : 5.0 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 : 10.0 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#78#78	GPT-5.6 Lunahigh	7.6	OpenAI	$0.090 ↓	16.49s
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 4 入力トークン 80,927 出力トークン 5,088 推論トークン 130,227 応答時間（平均） 16.49s 応答時間（合計） 362.78s 応答時間（最大） 111.09s 不正解: 8 反AIトリック : 8.3 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 : 5.3 汎用知能 : 5.0 指示追従 : 9.9 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#79#79	Solar Pro 4xhigh	7.6	Upstage	$0.050	134.85s
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 60.6% 不安定なテスト 2 入力トークン 98,116 出力トークン 21,720 推論トークン 367,730 応答時間（平均） 134.85s 応答時間（合計） 2966.79s 応答時間（最大） 491.42s 不正解: 4 指示に従っていない: 3 回答なし: 2 余分な書式: 1 反AIトリック : 8.3 コーディング : 5.8 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 : 5.5 指示追従 : 8.4 パズル解決 : 8.9 ツール呼び出し : 10.0 雑学 : 3.0
#80#80	Nemotron 3 Ultramedium	7.6	NVIDIA	$0.780 ↕	33.62s
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 9.8 試行ごとの合格率 66.7% 不安定なテスト 3 入力トークン 233,415 出力トークン 54,384 推論トークン 130,021 応答時間（平均） 33.62s 応答時間（合計） 739.59s 応答時間（最大） 392.56s 不正解: 7 API エラー: 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 : 8.4 複合 : 6.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 3.7 指示追従 : 9.8 パズル解決 : 5.5 ツール呼び出し : 10.0 雑学 : 3.0
#81#81	Claude Opus 5none	7.5	Anthropic	$1.550	7.65s
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 57.6% 不安定なテスト 1 入力トークン 185,547 出力トークン 24,866 推論トークン 0 応答時間（平均） 7.65s 応答時間（合計） 168.35s 応答時間（最大） 47.72s 不正解: 6 余分な書式: 2 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 5.5 コーディング : 5.9 複合 : 8.3 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 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#82#82	GPT-5.4 Nanomedium	7.5	OpenAI	$0.142	13.32s
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 82,828 出力トークン 7,100 推論トークン 92,781 応答時間（平均） 13.32s 応答時間（合計） 292.97s 応答時間（最大） 94.06s 不正解: 8 指示に従っていない: 2 反AIトリック : 8.3 コーディング : 6.1 複合 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 4.1 ツール呼び出し : 10.0 雑学 : 3.0
#83#83	GPT-5.6 Terralow	7.5	OpenAI	$0.210 ↓	5.45s
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 74.2% 不安定なテスト 6 入力トークン 80,304 出力トークン 4,714 推論トークン 16,872 応答時間（平均） 5.45s 応答時間（合計） 119.83s 応答時間（最大） 19.85s 不正解: 8 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 : 6.6 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 : 4.8 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 4.7 雑学 : 3.0
#84#84	MiniMax M3medium	7.5	Minimax	$0.300	75.15s
モデルカードを見る合計テスト数 22 誤答テスト数 11 信頼性 9.7 試行ごとの合格率 62.1% 不安定なテスト 5 入力トークン 121,996 出力トークン 90,051 推論トークン 185,731 応答時間（平均） 75.15s 応答時間（合計） 1578.24s 応答時間（最大） 431.03s 不正解: 4 タイムアウト: 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 : 3.2 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
#85#85	GPT 5.3 Chatnone	7.5	OpenAI	$0.533	6.56s
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 65.2% 不安定なテスト 4 入力トークン 78,846 出力トークン 28,179 推論トークン 0 応答時間（平均） 6.56s 応答時間（合計） 137.77s 応答時間（最大） 18.33s 不正解: 6 指示に従っていない: 2 API エラー: 1 反AIトリック : 6.7 コーディング : 5.6 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 : 4.6 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
#86#86	Qwen3.5 Plus 2026-02-15medium	7.5	Qwen	$0.459 ↓	91.76s
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 5 入力トークン 113,569 出力トークン 9,823 推論トークン 264,886 応答時間（平均） 91.76s 応答時間（合計） 1376.42s 応答時間（最大） 304.85s 不正解: 4 タイムアウト: 2 API エラー: 1 無効なツール呼び出し: 1 反AIトリック : 8.2 コーディング : 6.6 複合 : 6.9 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
#87#87	Qwen3.5-27Bmedium	7.5	Qwen	$0.982 ↓	113.28s
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 75.8% 不安定なテスト 6 入力トークン 111,644 出力トークン 16,113 推論トークン 598,796 応答時間（平均） 113.28s 応答時間（合計） 2492.26s 応答時間（最大） 1026.43s 不正解: 4 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 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 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 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
#88#88	GPT-5.4 Minimedium	7.5	OpenAI	$0.786	26.72s
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 5 入力トークン 97,164 出力トークン 6,211 推論トークン 152,133 応答時間（平均） 26.72s 応答時間（合計） 587.90s 応答時間（最大） 138.75s 不正解: 6 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 : 8.6 コーディング : 8.4 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 7.8 ツール呼び出し : 4.7 雑学 : 3.0
#89#89	Grok Build 0.1medium	7.5	X AI	$1.130	54.50s
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 60.6% 不安定なテスト 1 入力トークン 106,946 出力トークン 7,993 推論トークン 503,413 応答時間（平均） 54.50s 応答時間（合計） 1199.07s 応答時間（最大） 252.69s 不正解: 6 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 : 2.9 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
#90#90	Gemini 3.1 Flash Lite Previewmedium	7.4	Google	$0.117	4.59s
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 63.6% 不安定なテスト 0 入力トークン 117,493 出力トークン 10,589 推論トークン 47,189 応答時間（平均） 4.59s 応答時間（合計） 101.04s 応答時間（最大） 18.34s 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 反AIトリック : 9.1 コーディング : 5.5 複合 : 7.2 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

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