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）
#91#91	Qwen3.7 Maxnone	7.4	Qwen	$0.197 ↓	4.56s
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 9.9 試行ごとの合格率 68.2% 不安定なテスト 0 入力トークン 95,992 出力トークン 12,446 推論トークン 0 応答時間（平均） 4.56s 応答時間（合計） 100.30s 応答時間（最大） 72.30s 不正解: 7 反AIトリック : 6.5 コーディング : 5.5 複合 : 6.5 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
#92#92	Kimi K2.7 Codemedium	7.4	Moonshot AI	$0.709 ↓	80.09s
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 10.0 試行ごとの合格率 63.6% 不安定なテスト 5 入力トークン 72,085 出力トークン 57,453 推論トークン 182,093 応答時間（平均） 80.09s 応答時間（合計） 1681.85s 応答時間（最大） 365.80s 不正解: 6 タイムアウト: 3 API エラー: 1 指示に従っていない: 1 反AIトリック : 7.3 コーディング : 7.8 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.7 汎用知能 : 10.0 指示追従 : 9.9 パズル解決 : 5.9 ツール呼び出し : 3.0 雑学 : 3.0
#93#93	GPT-5.6 Lunamedium	7.4	OpenAI	$0.036 ↓	7.43s
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 62.1% 不安定なテスト 2 入力トークン 89,685 出力トークン 5,701 推論トークン 38,824 応答時間（平均） 7.43s 応答時間（合計） 163.54s 応答時間（最大） 29.85s 不正解: 9 反AIトリック : 8.3 コーディング : 5.4 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 : 5.1 指示追従 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#94#94	LongCat 2.0medium	7.4	Meituan	$0.499	143.55s
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 59.1% 不安定なテスト 2 入力トークン 97,324 出力トークン 44,383 推論トークン 346,490 応答時間（平均） 143.55s 応答時間（合計） 3158.11s 応答時間（最大） 939.52s 不正解: 7 API エラー: 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 : 7.3 データ解析と抽出 : 6.3 ドメイン特化 : 3.0 汎用知能 : 4.8 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
#95#95	Qwen3.8 2.4T A95Bhigh	7.4	Qwen	$2.357	120.59s
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 9.4 試行ごとの合格率 74.2% 不安定なテスト 4 入力トークン 108,931 出力トークン 112,801 推論トークン 343,227 応答時間（平均） 120.59s 応答時間（合計） 2653.05s 応答時間（最大） 532.28s 不正解: 3 指示に従っていない: 2 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 : 5.9 複合 : 6.9 データ解析と抽出 : 10.0 ドメイン特化 : 4.1 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
#96#96	Grok 4.6low	7.4	X AI	$0.449	14.55s
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 69.7% 不安定なテスト 1 入力トークン 109,960 出力トークン 5,124 推論トークン 32,924 応答時間（平均） 14.55s 応答時間（合計） 320.17s 応答時間（最大） 26.46s 不正解: 7 反AIトリック : 10.0 コーディング : 5.5 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 : 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
#97#97	Gemini 3 Flash Previewlow	7.4	Google	$0.185	6.51s
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 123,687 出力トークン 9,572 推論トークン 31,204 応答時間（平均） 6.51s 応答時間（合計） 143.12s 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
#98#98	Claude Sonnet 4.6none	7.3	Anthropic	$0.661	7.67s
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 123,273 出力トークン 19,362 推論トークン 0 応答時間（平均） 7.67s 応答時間（合計） 122.78s 応答時間（最大） 51.18s 不正解: 5 余分な書式: 4 指示に従っていない: 1 反AIトリック : 4.8 コーディング : 5.5 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 : 6.1 指示追従 : 6.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#99#99	KAT-Coder-Pro V2.5low	7.3	Kwaipilot	$0.400	20.20s
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 10.0 試行ごとの合格率 68.2% 不安定なテスト 8 入力トークン 87,682 出力トークン 7,166 推論トークン 106,027 応答時間（平均） 20.20s 応答時間（合計） 444.35s 応答時間（最大） 209.15s 不正解: 10 API エラー: 1 反AIトリック : 6.9 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 : 3.5 汎用知能 : 4.1 指示追従 : 10.0 パズル解決 : 6.4 ツール呼び出し : 10.0 雑学 : 3.0
#100#100	Gemini 3.1 Flash Litemedium	7.3	Google	$0.120	4.38s
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 62.1% 不安定なテスト 2 入力トークン 104,925 出力トークン 9,168 推論トークン 53,188 応答時間（平均） 4.38s 応答時間（合計） 96.32s 応答時間（最大） 26.22s 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 : 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 : 2.9 汎用知能 : 10.0 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
#101#101	Qwen3.7 Plusnone	7.3	Qwen	$0.106 ↓	12.11s
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 54.6% 不安定なテスト 0 入力トークン 98,833 出力トークン 58,097 推論トークン 0 応答時間（平均） 12.11s 応答時間（合計） 266.40s 応答時間（最大） 206.03s 不正解: 9 指示に従っていない: 1 反AIトリック : 6.5 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 : 5.3 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#102#102	DeepSeek V4 Flash 0731medium	7.3	DeepSeek	$0.106	84.66s
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 10.0 試行ごとの合格率 71.2% 不安定なテスト 8 入力トークン 89,819 出力トークン 58,398 推論トークン 492,457 応答時間（平均） 84.66s 応答時間（合計） 1862.46s 応答時間（最大） 288.78s 不正解: 5 回答なし: 3 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 : 8.2 コーディング : 6.4 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 : 6.1 指示追従 : 8.5 パズル解決 : 8.2 ツール呼び出し : 10.0 雑学 : 3.0
#103#103	Claude Opus 4.8none	7.3	Anthropic	$1.166	4.92s
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 2 入力トークン 149,203 出力トークン 16,797 推論トークン 0 応答時間（平均） 4.92s 応答時間（合計） 108.24s 応答時間（最大） 35.03s 不正解: 4 余分な書式: 3 指示に従っていない: 1 回答なし: 1 反AIトリック : 6.5 コーディング : 5.5 複合 : 9.8 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 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#104#104	Kimi K2.6medium	7.2	Moonshot AI	$0.711 ↓	115.89s
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 63.6% 不安定なテスト 4 入力トークン 68,913 出力トークン 64,654 推論トークン 282,865 応答時間（平均） 115.89s 応答時間（合計） 2433.66s 応答時間（最大） 876.20s タイムアウト: 3 不正解: 3 指示に従っていない: 2 無効なツール呼び出し: 1 回答なし: 1 反AIトリック : 7.0 コーディング : 5.7 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 : 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
#105#105	KAT-Coder-Pro V2.5high	7.2	Kwaipilot	$0.506	22.11s
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 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 106,085 出力トークン 9,071 推論トークン 135,288 応答時間（平均） 22.11s 応答時間（合計） 486.31s 応答時間（最大） 199.97s 不正解: 10 無効なツール呼び出し: 1 反AIトリック : 7.0 コーディング : 6.4 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 : 5.1 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
#106#106	Muse Glimmer 30Bhigh	7.2	Meta	$0.535	66.70s
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 65.2% 不安定なテスト 8 入力トークン 103,494 出力トークン 100,589 推論トークン 270,217 応答時間（平均） 66.70s 応答時間（合計） 1467.39s 応答時間（最大） 451.90s 不正解: 7 指示に従っていない: 3 回答なし: 2 反AIトリック : 8.7 コーディング : 8.8 複合 : 6.4 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 5.3 指示追従 : 8.4 パズル解決 : 6.1 ツール呼び出し : 10.0 雑学 : 3.0
#107#107	Qwen3.5 Plus 2026-04-20medium	7.2	Qwen	$0.323 ↓	46.97s
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 9.6 試行ごとの合格率 63.6% 不安定なテスト 2 入力トークン 42,106 出力トークン 2,280 推論トークン 169,843 応答時間（平均） 46.97s 応答時間（合計） 986.35s 応答時間（最大） 189.38s 不正解: 8 タイムアウト: 1 反AIトリック : 10.0 コーディング : 6.2 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 : 4.9 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
#108#108	Qwen3.7 Flashlow	7.2	Qwen	$0.043	38.05s
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 10.0 試行ごとの合格率 66.7% 不安定なテスト 6 入力トークン 92,191 出力トークン 14,286 推論トークン 289,733 応答時間（平均） 38.05s 応答時間（合計） 837.05s 応答時間（最大） 394.54s 不正解: 7 指示に従っていない: 3 API エラー: 1 反AIトリック : 10.0 コーディング : 6.7 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 : 4.0 指示追従 : 8.5 パズル解決 : 7.3 ツール呼び出し : 10.0 雑学 : 3.0
#109#109	Muse Glimmer 30Bmedium	7.2	Meta	$0.280	30.64s
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 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 116,513 出力トークン 33,065 推論トークン 135,009 応答時間（平均） 30.64s 応答時間（合計） 674.01s 応答時間（最大） 181.08s 不正解: 9 指示に従っていない: 1 回答なし: 1 反AIトリック : 9.2 コーディング : 8.4 複合 : 6.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.7 指示追従 : 9.8 パズル解決 : 6.0 ツール呼び出し : 10.0 雑学 : 3.0
#110#110	Qwen3.5-122B-A10Bmedium	7.1	Qwen	$1.207 ↑	65.67s
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 71.2% 不安定なテスト 4 入力トークン 124,780 出力トークン 47,694 推論トークン 439,825 応答時間（平均） 65.67s 応答時間（合計） 1444.68s 応答時間（最大） 519.30s 不正解: 5 タイムアウト: 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 : 6.0 複合 : 6.4 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#111#111	Muse Glimmer 30Blow	7.1	Meta	$0.187	18.64s
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 10.0 試行ごとの合格率 63.6% 不安定なテスト 5 入力トークン 130,312 出力トークン 33,867 推論トークン 62,103 応答時間（平均） 18.64s 応答時間（合計） 410.18s 応答時間（最大） 234.92s 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 回答なし: 1 反AIトリック : 8.7 コーディング : 8.1 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.0 指示追従 : 8.4 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#112#112	Step 3.7 Flashlow	7.1	Stepfun	$0.390	17.87s
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 10.0 試行ごとの合格率 63.6% 不安定なテスト 5 入力トークン 103,842 出力トークン 320,393 推論トークン 0 応答時間（平均） 17.87s 応答時間（合計） 393.04s 応答時間（最大） 124.75s 不正解: 9 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 : 8.2 複合 : 7.3 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.4 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
#113#113	Solar Pro 4high	7.1	Upstage	$0.046	120.58s
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 10.0 試行ごとの合格率 62.1% 不安定なテスト 5 入力トークン 79,740 出力トークン 23,357 推論トークン 339,837 応答時間（平均） 120.58s 応答時間（合計） 2652.77s 応答時間（最大） 491.07s 不正解: 5 指示に従っていない: 3 API エラー: 1 余分な書式: 1 回答なし: 1 反AIトリック : 8.7 コーディング : 5.7 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 3.6 汎用知能 : 5.5 指示追従 : 7.9 パズル解決 : 8.7 ツール呼び出し : 10.0 雑学 : 3.0
#114#114	Grok 4.3medium	7.0	X AI	$0.741	44.21s
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 66.7% 不安定なテスト 5 入力トークン 140,244 出力トークン 13,739 推論トークン 212,165 応答時間（平均） 44.21s 応答時間（合計） 972.64s 応答時間（最大） 216.69s 不正解: 6 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 : 10.0 コーディング : 5.9 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.5 汎用知能 : 5.4 指示追従 : 9.8 パズル解決 : 5.9 ツール呼び出し : 10.0 雑学 : 3.0
#115#115	GPT-5.6 Solnone	7.0	OpenAI	$0.524	2.17s
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 63.6% 不安定なテスト 3 入力トークン 78,602 出力トークン 4,357 推論トークン 0 応答時間（平均） 2.17s 応答時間（合計） 47.66s 応答時間（最大） 12.81s 不正解: 9 指示に従っていない: 1 反AIトリック : 8.3 コーディング : 5.5 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 6.5 指示追従 : 8.5 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#116#116	DeepSeek V3.2medium	7.0	DeepSeek	$0.078 ↑	68.43s
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 10.0 試行ごとの合格率 65.2% 不安定なテスト 7 入力トークン 101,056 出力トークン 11,832 推論トークン 116,955 応答時間（平均） 68.43s 応答時間（合計） 1505.53s 応答時間（最大） 376.10s 不正解: 5 API エラー: 2 タイムアウト: 2 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 : 8.2 コーディング : 6.0 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 : 3.4 指示追従 : 10.0 パズル解決 : 7.0 ツール呼び出し : 10.0 雑学 : 3.0
#117#117	GLM 5.1medium	7.0	Z.ai	$0.727 ↓	58.80s
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 8.1 試行ごとの合格率 65.2% 不安定なテスト 4 入力トークン 82,592 出力トークン 16,089 推論トークン 199,800 応答時間（平均） 58.80s 応答時間（合計） 1234.72s 応答時間（最大） 308.75s 不正解: 4 回答なし: 2 タイムアウト: 2 API エラー: 1 余分な書式: 1 反AIトリック : 10.0 コーディング : 4.6 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 : 10.0 指示追従 : 6.4 パズル解決 : 8.2 ツール呼び出し : 3.0 雑学 : 3.0
#118#118	GPT-5.5none	7.0	OpenAI	$0.544	2.35s
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 59.1% 不安定なテスト 2 入力トークン 79,294 出力トークン 4,915 推論トークン 0 応答時間（平均） 2.35s 応答時間（合計） 51.78s 応答時間（最大） 12.24s 不正解: 10 反AIトリック : 6.9 コーディング : 5.5 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 : 6.2 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#119#119	Mercury 2medium	7.0	Inception	$0.094	2.95s
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 53.0% 不安定なテスト 4 入力トークン 110,515 出力トークン 10,325 推論トークン 77,229 応答時間（平均） 2.95s 応答時間（合計） 61.89s 応答時間（最大） 14.63s 不正解: 8 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 : 6.9 コーディング : 8.2 複合 : 6.7 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 4.8 指示追従 : 10.0 パズル解決 : 5.4 ツール呼び出し : 10.0 雑学 : 3.0
#120#120	Grok 4.20medium	7.0	X AI	$0.805 ↓	32.56s
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 10.0 試行ごとの合格率 60.6% 不安定なテスト 5 入力トークン 102,986 出力トークン 5,860 推論トークン 264,399 応答時間（平均） 32.56s 応答時間（合計） 716.36s 応答時間（最大） 199.66s 不正解: 6 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: 1 反AIトリック : 8.2 コーディング : 6.3 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 3.9 指示追従 : 9.8 パズル解決 : 7.7 ツール呼び出し : 3.0 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