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）
#101#101	Gemini 3.5 Flashmedium	7.9	Google	$1.316	11.78s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 2 入力トークン 296,760 出力トークン 4,371 推論トークン 92,284 応答時間（平均） 11.78s 応答時間（合計） 271.03s 応答時間（最大） 84.47s 不正解: 3 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 : 2.8 反AIトリック : 10.0 コーディング : 7.9 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 : 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 : 10.0
#102#102	Qwen3.8 2.4T A95Bhigh	7.9	Qwen	$2.949 ↑	120.88s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 9.6 試行ごとの合格率 75.4% 不安定なテスト 4 入力トークン 295,642 出力トークン 115,041 推論トークン 353,398 応答時間（平均） 120.88s 応答時間（合計） 2780.16s 応答時間（最大） 532.28s 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 回答なし: 1 エージェントタスク : 10.0 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
#103#103	MiMo-V2.6-Flashmedium	7.9	Xiaomi	$0.218	61.90s
モデルカードを見る合計テスト数 23 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 291,988 出力トークン 8,848 推論トークン 622,995 応答時間（平均） 61.90s 応答時間（合計） 1423.67s 応答時間（最大） 357.28s 不正解: 6 回答なし: 2 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 エージェントタスク : 10.0 反AIトリック : 5.9 コーディング : 7.2 複合 : 7.1 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 : 9.9 パズル解決 : 7.8 ツール呼び出し : 10.0 雑学 : 3.0
#104#104	Grok 4.5medium	7.8	X AI	$2.996 ↑	68.44s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 3 入力トークン 308,369 出力トークン 7,013 推論トークン 299,031 応答時間（平均） 68.44s 応答時間（合計） 1574.14s 応答時間（最大） 436.38s 不正解: 6 エージェントタスク : 5.0 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
#105#105	GLM 5.3high	7.8	Z.ai	$0.285 ↓	28.38s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 7 入力トークン 219,811 出力トークン 8,811 推論トークン 59,671 応答時間（平均） 28.38s 応答時間（合計） 652.78s 応答時間（最大） 159.91s 不正解: 6 余分な書式: 2 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 6.6 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 : 6.1 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
#106#106	Step 3.7 Flashmedium	7.8	Stepfun	$0.571	26.57s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 4 入力トークン 319,524 出力トークン 440,835 推論トークン 0 応答時間（平均） 26.57s 応答時間（合計） 611.09s 応答時間（最大） 152.83s 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 回答なし: 1 エージェントタスク : 7.4 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
#107#107	Grok 4.6medium	7.8	X AI	$2.270	74.77s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 78.3% 不安定なテスト 4 入力トークン 336,351 出力トークン 6,180 推論トークン 260,017 応答時間（平均） 74.77s 応答時間（合計） 1719.73s 応答時間（最大） 514.35s 不正解: 6 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 : 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
#108#108	Qwen3.7 Plusnone	7.8	Qwen	$0.178 ↓	17.80s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 56.5% 不安定なテスト 0 入力トークン 250,495 出力トークン 76,261 推論トークン 0 応答時間（平均） 17.80s 応答時間（合計） 409.51s 応答時間（最大） 206.03s 不正解: 9 指示に従っていない: 1 エージェントタスク : 10.0 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
#109#109	Grok 4.5low	7.8	X AI	$1.345	18.14s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 2 入力トークン 308,068 出力トークン 9,218 推論トークン 112,197 応答時間（平均） 18.14s 応答時間（合計） 417.21s 応答時間（最大） 205.28s 不正解: 7 エージェントタスク : 5.0 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
#110#110	DeepSeek V4 Flash 0731medium	7.8	DeepSeek	$0.462 ↑	94.16s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 72.5% 不安定なテスト 8 入力トークン 274,189 出力トークン 66,689 推論トークン 510,525 応答時間（平均） 94.16s 応答時間（合計） 2165.72s 応答時間（最大） 303.26s 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 エージェントタスク : 10.0 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
#111#111	GPT-6 Lunahigh	7.7	OpenAI	$0.074	20.37s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 73.9% 不安定なテスト 4 入力トークン 229,986 出力トークン 6,037 推論トークン 95,550 応答時間（平均） 20.37s 応答時間（合計） 468.52s 応答時間（最大） 106.93s 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 エージェントタスク : 5.2 反AIトリック : 10.0 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 : 5.1 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
#112#112	Muse Glimmer 30Bhigh	7.7	Meta	$0.625	69.87s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 8 入力トークン 281,859 出力トークン 102,526 推論トークン 286,217 応答時間（平均） 69.87s 応答時間（合計） 1607.12s 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 エージェントタスク : 10.0 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
#113#113	Qwen3.5 Plus 2026-04-20medium	7.7	Qwen	$0.435 ↓	54.06s
モデルカードを見る合計テスト数 23 誤答テスト数 9 信頼性 9.7 試行ごとの合格率 65.2% 不安定なテスト 2 入力トークン 176,539 出力トークン 4,419 推論トークン 195,929 応答時間（平均） 54.06s 応答時間（合計） 1189.36s 応答時間（最大） 203.01s 不正解: 8 タイムアウト: 1 エージェントタスク : 10.0 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
#114#114	Qwen3.7 Flashlow	7.7	Qwen	$0.071 ↑	41.03s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 6 入力トークン 318,058 出力トークン 16,035 推論トークン 315,072 応答時間（平均） 41.03s 応答時間（合計） 943.75s 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 エージェントタスク : 10.0 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
#115#115	Muse Glimmer 30Bmedium	7.7	Meta	$0.353	33.97s
モデルカードを見る合計テスト数 23 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 6 入力トークン 269,497 出力トークン 34,935 推論トークン 145,752 応答時間（平均） 33.97s 応答時間（合計） 781.36s 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 エージェントタスク : 10.0 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
#116#116	GPT-6 Lunalow	7.6	OpenAI	$0.033	23.23s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.7 試行ごとの合格率 63.8% 不安定なテスト 4 入力トークン 195,928 出力トークン 5,728 推論トークン 19,152 応答時間（平均） 23.23s 応答時間（合計） 534.22s 応答時間（最大） 89.37s 不正解: 7 API エラー: 2 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.9 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 : 5.3 汎用知能 : 4.4 指示追従 : 7.1 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#117#117	Qwen3.8 27Blow	7.6	Qwen	~$0.089	46.60s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 1 入力トークン 315,290 出力トークン 1,607 推論トークン 207,536 応答時間（平均） 46.60s 応答時間（合計） 1071.83s 応答時間（最大） 376.04s 不正解: 5 回答なし: 2 指示に従っていない: 1 エージェントタスク : 6.1 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
#118#118	Space Bunny Alphahigh	7.5	Stealth	$0.000	29.38s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 4 入力トークン 302,228 出力トークン 181,271 推論トークン 0 応答時間（平均） 29.38s 応答時間（合計） 675.79s 応答時間（最大） 234.56s 不正解: 10 エージェントタスク : 10.0 反AIトリック : 6.4 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 : 7.7 汎用知能 : 4.2 指示追従 : 6.2 パズル解決 : 8.3 ツール呼び出し : 10.0 雑学 : 3.0
#119#119	GLM 5.1medium	7.5	Z.ai	$1.840 ↑	66.38s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 9.2 試行ごとの合格率 66.7% 不安定なテスト 4 入力トークン 331,577 出力トークン 17,919 推論トークン 230,789 応答時間（平均） 66.38s 応答時間（合計） 1460.31s 応答時間（最大） 308.75s 不正解: 5 タイムアウト: 2 API エラー: 1 余分な書式: 1 回答なし: 1 エージェントタスク : 10.0 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
#120#120	Seed-2.0-Minimedium	7.5	Bytedance Seed	$0.140	91.67s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.4 試行ごとの合格率 59.4% 不安定なテスト 3 入力トークン 313,368 出力トークン 12,289 推論トークン 259,270 応答時間（平均） 91.67s 応答時間（合計） 1833.43s 応答時間（最大） 301.78s 不正解: 5 タイムアウト: 4 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 6.6 コーディング : 5.5 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 : 5.1 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
#121#121	Seed-2.0-Codehigh	7.5	Bytedance Seed	$1.448	124.87s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 9.0 試行ごとの合格率 65.2% 不安定なテスト 5 入力トークン 297,321 出力トークン 8,997 推論トークン 423,853 応答時間（平均） 124.87s 応答時間（合計） 2871.96s 応答時間（最大） 675.30s 不正解: 6 API エラー: 3 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 8.3 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 : 3.5 汎用知能 : 4.6 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
#122#122	GPT-5.6 Lunamedium	7.4	OpenAI	$0.065 ↓	9.64s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 62.3% 不安定なテスト 3 入力トークン 212,780 出力トークン 6,849 推論トークン 41,137 応答時間（平均） 9.64s 応答時間（合計） 221.62s 応答時間（最大） 58.09s 不正解: 9 無効なツール呼び出し: 1 エージェントタスク : 7.4 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
#123#123	Qwen3.6 Flashmedium	7.4	Qwen	$0.783 ↓	45.45s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 68.1% 不安定なテスト 5 入力トークン 258,760 出力トークン 22,221 推論トークン 630,059 応答時間（平均） 45.45s 応答時間（合計） 1045.45s 応答時間（最大） 578.13s 不正解: 8 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 : 10.0 反AIトリック : 10.0 コーディング : 5.0 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 : 4.8 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
#124#124	DeepSeek V4 Flash 0731low	7.4	DeepSeek	$0.307 ↑	88.15s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 71.0% 不安定なテスト 6 入力トークン 231,356 出力トークン 43,054 推論トークン 370,981 応答時間（平均） 88.15s 応答時間（合計） 2027.36s 応答時間（最大） 438.65s 不正解: 8 指示に従っていない: 1 回答なし: 1 エージェントタスク : 4.7 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
#125#125	Seed-2.0-Codemedium	7.4	Bytedance Seed	$1.275	100.65s
モデルカードを見る合計テスト数 23 誤答テスト数 12 信頼性 8.0 試行ごとの合格率 65.2% 不安定なテスト 7 入力トークン 244,499 出力トークン 8,744 推論トークン 375,349 応答時間（平均） 100.65s 応答時間（合計） 2314.88s 応答時間（最大） 626.58s 不正解: 6 API エラー: 4 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 : 10.0 反AIトリック : 6.9 コーディング : 8.9 複合 : 4.7 データ解析と抽出 : 7.3 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 9.8 パズル解決 : 8.2 ツール呼び出し : 4.7 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