AIモデルベンチマーク

エージェント・コーディング・数学・推論・多言語など、210個のAIベンチマークのモデル順位です。ベンチマークごとの1位モデルとスコア、参加モデル数、最新の測定日を、Epoch AI・LMArena・OSWorldなど公式・独立リーダーボードをもとに毎日更新しています。各ベンチマークのライセンスを尊重し、公開ライセンスで配布されているもの、または運営側と掲載を合意したものを中心に掲載しています。

エージェント50

ベンチマーク最上位モデル最高スコア
Agents' Last Exam引用頻度 3/3

ツールを自分で使うAIが、仮想コンピューター上で55職種の長い実務をこなせるかを見ます。UCバークレーが250人以上の現役専門家と作りました。

モデル26個 · 2026-09-30

Gemini 4 Argon39.5%
DeepSWE引用頻度 3/3

Datacurveが作った試験で、AIコーディングエージェントが新しく書かれた長く複雑なソフトウェア課題を最後まで解決する力を見ます。

モデル28個 · 2026-09-30

Gemini 4 Argon77.9%
Finance Agent v2引用頻度 3/3

Vals AIが作った財務分析エージェント試験(v2)で、AIがツールで資料を探し、投資銀行の2〜3年目アナリスト水準の質問に答える力を見ます。

旧バージョン: Finance Agent v1.1, Finance Agent v1

モデル65個 · 2026-10-29

Gemini 4 Argon65.4%
FrontierCode引用頻度 3/3

Cognitionが作った試験で、実際のオープンソースの難しい課題に対して、そのまま取り込めるレベルの修正案を出す力を見ます。

モデル40個

Claude Opus 5.554.6%
OSWorld 2.0引用頻度 3/3

AIがコンピューターを自分で操作し、人にも時間のかかる長い業務(デスクトップとウェブアプリを行き来する作業)を最後までやり遂げられるかを見ます。香港大学XLANG Labが作ったOSWorldの第2版です。

モデル9個 · 2026-11-14

Claude Opus 568.3%
OSWorld-Verified引用頻度 3/3

AIが実際のデスクトップでキーボードとマウスを使い、ファイル操作、アプリ設定、複数アプリをまたぐ作業をこなせるかを見ます。香港大学が作ったOSWorldの課題の問題点を直した検証版(2025年7月)です。

モデル14個 · 2026-08-01

Claude Fable 586.0%
SWE-Bench Pro引用頻度 3/3開発元の自己評価

実際のオープンソースのプログラムコード群(リポジトリ)にある長いソフトウェア課題を、AIが修正できるかを見ます。Scale AIが作りました。

モデル53個 · 2026-09-22

Inkling 2 Small97.7%
Toolathlon-Verified引用頻度 3/3

AIエージェントが複数の実際のソフトウェアアプリをツールとしてつなぎ、長く多様な課題をこなす力を見ます。香港科技大学が作りました。

モデル22個 · 2026-08-30

GLM 5.3 Flash78.4%
Agents' Last Exam (CLI)引用頻度 2/3

Agents' Last Examのうち、コマンドライン専用のAIエージェント同士を比べるために作られた部分試験です。

モデル26個

Claude Opus 5.534.3%
APEX-Agents引用頻度 2/3

投資銀行・経営コンサルティング・企業法務の実務課題を、AIが仮想の業務環境で最後までやり遂げられるかを見ます。Mercorが作りました。

モデル59個

Gemini 4 Carbon84.2%
BrowseComp引用頻度 2/3開発元の自己評価

OpenAIが作った試験で、何度もウェブを検索し、散らばった手がかりをつなぎ合わせないと見つからない情報を粘り強く探す力を見ます。

モデル40個 · 2026-09-20

GPT-5.6 Sol92.2%
CursorBench引用頻度 2/3

コーディングツールCursorが実際の利用記録から集めた課題で、AIコーディングエージェントが複数のファイルにまたがるあいまいな開発作業をこなす力を見ます。

モデル12個

Gemini 4 Neon65.4%
CyberGym引用頻度 2/3

UCバークレーが作ったセキュリティ試験で、ソフトウェアの脆弱性の説明だけを見て、それを再現する攻撃コードを作る力を見ます。

モデル29個 · 2026-09-22

MiMo-V2.6-Flash95.1%
DeepSearchQA引用頻度 2/3

Googleが作った深層調査の試験で、複数の資料を探して集めないと答えられない質問に答える力を見ます。

モデル14個 · 2026-08-12

Kimi K2.683.0%
DeepSearchQA (F1)引用頻度 2/3開発元の自己評価

複数の資料を探して集めないと答えられないGoogleのDeepSearchQAを、F1スコアで測った開発元の発表値です。

モデル15個 · 2026-09-02

Kimi K395.0%
ExploitBench引用頻度 2/3

カーネギーメロン大学が作ったセキュリティ試験で、AIエージェントがChromeのJavaScriptエンジン(V8)に実在した脆弱性を攻撃する力を見ます。

モデル8個

GPT-5.547.4%
Finance Agent v2.1引用頻度 2/3

Vals AIが作った財務分析エージェント試験のv2.1版で、AIがツールで企業の開示資料を探し、初級の財務アナリストが受ける難しい質問に答える力を見ます。

モデル34個 · 2026-11-19

Claude Fable 5.269.5%
FrontierSWE引用頻度 2/3

Proximal Labsが作った試験で、AIが非常に長いソフトウェア開発の課題を最後までやり遂げられるかを見ます。

モデル22個

Claude Fable 5.269.9%
GDP.pdf (2026-11)引用頻度 2/3

Surge AIが作った試験で、説明書・図面・書式・契約書といった実際の業務用PDFを読んで答える力を見ます。

旧バージョン: GDP.pdf (2026-04)

モデル22個

Gemini 4 Carbon56.4%

法律AI企業Harveyが作った試験のv1.1版で、AIがファイルツールで契約書・Excel・発表資料を扱い、実際の法律業務の成果物を作る力を見ます。

旧バージョン: Harvey's Legal Agent Benchmark v1

モデル32個 · 2026-11-19

Gemini 4 Argon27.1%
JobBench引用頻度 2/3

実際の職場の業務に近い課題で、AIエージェント(ツールを自ら使って仕事を最後までやり遂げるAI)の業務遂行力を見ます。

モデル30個 · 2026-09-22

Claude Opus 5.575.4%
Legal Research Bench引用頻度 2/3

Vals AIが作った法律調査の試験で、AIが米国の連邦・州の法律問題を自ら調べて答える力を見ます。

モデル77個 · 2026-11-19

Gemini 4 Carbon55.8%
MCP-Atlas引用頻度 2/3開発元の自己評価

Scale AIが作った試験で、AIがMCP(AIと外部ツールをつなぐ標準規格)でつながった実際のツールを使って課題をこなせるかを見ます。

モデル37個 · 2026-09-20

Muse Spark 1.290.3%
MCPMark-Verified引用頻度 2/3

GitHub、Notion、PostgreSQLなど実際のMCPサーバー(AIと外部ツールをつなぐ規格に沿ったサーバー)を使ってAIが課題をこなせるかを見るMCPMarkの検証版です。

旧バージョン: MCPMark

モデル8個

Kimi K396.1%
METR Time Horizon (50%)引用頻度 2/3

METRが測定する指標で、AIエージェント(ツールを自分で使って仕事を最後までこなすAI)がどれだけ長い仕事をこなせるかを、人間の専門家にかかる時間で表します。

モデル10個

Claude Opus 4.611時間59分
OSWorld引用頻度 2/3

香港大学が作った試験で、AIが実際のデスクトップOS(主にUbuntu)をキーボードとマウスで直接操作して仕事をこなす力を見ます。

モデル5個 · 2026-02-03

Claude Sonnet 4.672.1%
PaperBench引用頻度 2/3開発元の自己評価

OpenAIが作った試験で、AIが機械学習の論文をコードから実験まで一から再現する力を見ます。

モデル6個 · 2026-06-01

Kimi K2.563.5%
PostTrainBench引用頻度 2/3

AIエージェントが小さな基本言語モデルを自ら追加学習させ、性能をどれだけ引き上げられるかを見ます。テュービンゲンの研究者が作りました。

モデル20個

Claude Fable 5.144.7%
ProgramBench引用頻度 2/3

ProgramBenchチームが作った試験で、AIが実行ファイルと動作仕様だけを見て、コマンドラインのプログラムを一から作り直せるかを見ます。

モデル57個 · 2026-11-19

Claude Fable 5.219.0%
Remote Labor Index引用頻度 2/3

ゲーム開発・製品デザイン・建築・データ分析・動画アニメーションなど実際のフリーランス案件を、AIエージェントがどれだけこなせるかを見ます。CAISとScale AIが作りました。

モデル15個

Claude Fable 5.241.3%
SWE-Lancer引用頻度 2/3開発元の自己評価

フリーランス向けプラットフォームUpworkに実際に出ていたソフトウェア開発の依頼を、AIが解決できるかを見ます。OpenAIが作りました。

モデル3個 · 2026-02-14

GPT-555.0%
Tax Agent Bench引用頻度 2/3

米国の法人税を中心とした実務的な税務の質問に、法令・規則・国税庁(IRS)の指針を調べ、根拠を引用して答える力を見ます。Vals AIが作りました。

モデル71個 · 2026-11-19

Gemini 4 Hydrogen52.3%
Terminal-Bench 2.0引用頻度 2/3

AIエージェントが画面なしでコマンドライン(ターミナル)だけを使い、コードの作成・デバッグ、環境設定、プロセス管理といった実際の課題をこなせるかを見ます。

モデル28個 · 2026-04-23

GPT-5.584.7%
Terminal-Bench 3.0引用頻度 2/3

より難しいコマンドライン(ターミナル)課題でAIエージェントを試すTerminal-Benchの3.0版です。

モデル7個 · 2026-08-18

GPT-5.6 Sol34.6%

現役の科学者が出した研究課題で、AIエージェントがターミナルで信号の復元・モデルの較正・証明といった実際の研究作業をこなせるかを見ます。

モデル40個 · 2026-11-19

GPT-6.2 Astra71.4%
Vending-Bench 2引用頻度 2/3

AIが仮想の自動販売機ビジネスを1年間運営し、在庫管理、仕入先とのメール交渉、価格設定、配送トラブルや返金要求への対応をどれだけうまくこなすかを見ます。Andon Labsが作りました。

モデル57個

Gemini 4 Neon$16,843
Vibe Code Bench v1.1引用頻度 2/3

Vals AIが作った試験で、AIが自然言語の仕様だけを見てウェブアプリを一から作り、実際に動かせるかを見ます。

モデル93個 · 2026-11-19

Claude Fable 5.293.8%
Cybench引用頻度 1/3

スタンフォード主導で作ったセキュリティ試験で、AIエージェントがハッキングパズル大会(CTF)の実戦的な問題を自力で解く力を見ます。

モデル6個

Claude Opus 4.693.0%
SWE-bench Verified引用頻度 1/3スコア飽和

人気のPythonリポジトリにある実際のGitHubイシュー(問題報告)を、AIがコード修正で解決できるかを見ます。

モデル29個 · 2026-06-25

Claude Opus 4.783.5%
TheAgentCompany引用頻度 1/3更新停止中

AIエージェントが仮想のソフトウェア企業の社員となり、社内サイトやチャットを使って仕事をこなす力を見ます。カーネギーメロン大学が作りました。

モデル1個 · 2025-06-14

Claude Sonnet 433.1%

FutureSearchが作った試験で、AIエージェントがウェブを検索しながら複数段階の調査課題をこなす力を見ます。

モデル17個

Claude Opus 4.655.3%
GDPval (OpenAI)更新停止中

OpenAIが作った試験で、AIが実際の業務成果物(文書・表計算・プレゼン資料など)を作り、人間の専門家と比べられます。

モデル5個

Claude Opus 4.545.5%

実際に動くWebアプリで、複数段階の作業をブラウザでこなせるかを見ます。

モデル23個 · 2026-11-06

GPT-6.1 Sol93.3

序盤の判断が後まで持ちこたえる必要がある長い作業を、AIエージェントがこなせるかを見ます。

モデル23個 · 2026-11-06

Claude Fable 5.282.9

開かれた質問を調べ、出典付きの報告書で答えられるかを見ます。

モデル23個 · 2026-11-06

Claude Fable 5.294.5

OSWorld 2.0の課題のうち、インターネットなしで実行できる82件だけを集めた部分試験です。AIがコンピューターを自分で操作して長い業務をやり遂げられるかを見ます。

モデル2個 · 2026-11-14

Claude Opus 570.2%

AIがコンピューターを自分で操作し、デスクトップとウェブアプリを行き来する長い業務を最後までやり遂げられるかを見ます。香港大学XLANG LabのOSWorld 2.0順位表のうち、v2.1リリースの結果だけを集めました。

モデル4個 · 2026-11-14

Claude Opus 577.7%

OSWorld 2.1の課題のうち、インターネットなしで実行できるものだけを集めた部分試験です。AIがコンピューターを自分で操作して長い業務をやり遂げられるかを見ます。

モデル1個 · 2026-11-14

Claude Opus 579.2%

Sierraの顧客対応試験の航空分野で、予約システムを使いながら航空会社の規定に沿って顧客の要望を処理する力を見ます。

モデル5個 · 2026-05-05

Claude Opus 4.584.0%

Sierraの顧客対応試験の小売分野で、ショップの規定に沿って注文関連の業務を処理する力を見ます。

モデル5個 · 2026-05-05

Qwen3.5 397B A17B84.4%

コーディング9

ベンチマーク最上位モデル最高スコア
Aider Polyglot引用頻度 1/3更新停止中

コーディングツールAiderを通じて、複数のプログラミング言語の練習問題をコードを直して解く能力を見ます。

モデル7個 · 2025-10-03

GPT-588.0%

唯一の正解がない最適化問題(経路・スケジュールなど)を、プログラムを改良しながらどれだけうまく解けるかを見ます。Sakana AIとAtCoderが作りました。

モデル90個

GPT-6 Astra2951

圧縮・暗号化・行列分解・最適化などの計算課題のコードを、既存の実装より速く書き直す能力を見ます。

モデル11個

Gemini 3.1 Pro2.02×

簡単な機械部品の説明を読み、3D設計コード(OpenSCAD)を書いて部品の形を作る力を見ます。

モデル1個

GPT-4.142.0%

Mechanizeが作った試験で、AIがゲームボーイアドバンスを再現するプログラム(エミュレーター)をゼロから作れるかを見ます。

モデル28個 · 2026-11-14

Claude Opus 5.590.6%

実際のプログラムコードを、専門の開発者が行った最適化と同じ程度まで高速化できるかを見ます。

モデル18個 · 2026-09-27

Claude Fable 5.188.2%

実際の大規模コードベースのバグを直せるかを見ます。

モデル23個 · 2026-11-06

Claude Fable 5.189.7

Epoch AIがMETRと共同で作った試験で、AIが既存のプログラム(Unixツール、圧縮、暗号、インタプリタなど)をソースコードなしで動作だけを見て一から作り直す力を見ます。

モデル37個 · 2026-11-17

Claude Sonnet 5.597.8%

図形認識、変わった数字の分類、チェスの結果予測など、珍しい機械学習の課題をAIがコードで解く力を見ます。

モデル58個

GPT-6 Astra93.3%

推論13

ベンチマーク最上位モデル最高スコア
ARC-AGI-2引用頻度 3/3

ARC-AGIのより難しい第2版で、格子パズルの例から規則を見つけて新しい問題に当てはめる抽象推論の能力を見ます。

モデル62個

GPT-6.2 Astra95.8%
ARC-AGI-1引用頻度 2/3スコア飽和

格子パズルの例から隠れた変換規則を見つけ、新しい入力の答えを描く抽象推論の能力を見ます。2019年にフランソワ・ショレが作りました。

モデル62個

Claude Fable 5.298.5%
LiveBench 2.0引用頻度 2/3

LiveBench 2.0の総合点で、時間のかかるエージェント作業・コーディング・ブラウザ操作・デザイン・リサーチ・データ分析・推論の7科目を1つの点数にまとめます。

モデル23個 · 2026-11-06

Claude Fable 5.284.9
SimpleBench引用頻度 2/3

普通の人には易しいのにAIがよく間違える引っかけ問題で、時間・空間の推論、社会的な機微、言葉遊びを見ます。

モデル61個

Claude Fable 5.294.9%

Artificial Analysisの総合指数のv4版です。複数の試験を1つの点数にまとめて、AIの総合的な能力を表します。

モデル76個

Claude Opus 5.557.6

Redwood Researchが作った試験で、自分の複製のように似た存在がいる場合にどう選ぶべきかを問う、決定理論の問題(ニューコム問題の類)を解く力を見ます。

モデル81個

Claude Fable 5.299.2%

Scale AIなどが作った試験で、創造的な発想と複数段階の推理が必要な長いパズルハントの問題を解く力を見ます。

モデル19個

Claude Fable 539.3%
Ko-ARC-AGI韓国語のみ

格子パズルの例から変換規則を見つけ、新しい入力の答えを作る抽象推論の試験ARC-AGIを、韓国語の指示で解きます。

モデル49個 · 2026-08-03

GPT-5.6 Terra97.0%

小さな表を扱うデータ分析の問題を正確に解けるかを見ます。

モデル23個 · 2026-11-06

Gemini 4 Argon85.2

論理・空間・心の理論(他人の考えの推論)の問題を正確に解けるかを見ます。

モデル23個 · 2026-11-06

Gemini 4 Argon95.1

Redwood Researchが作った試験で、意思決定理論・哲学・AI安全の分野の主張への反論がどれだけ良いかを見分ける力を見ます。

モデル80個

Claude Fable 5.270.6

Epoch AIが作った試験で、名前を伏せた有名なゲームのパズル版で最善の次の一手を選ぶ力を見ます。

モデル67個 · 2026-11-19

GPT-6.2 Astra95.0%

Swallowのランキングが同じモデルを英語で測定した平均スコアです。日本語のスコアと並べて見ると、言語による差が分かります。

モデル9個

Gemma 4 31B87.4%

数学23

ベンチマーク最上位モデル最高スコア
AIME 2026引用頻度 3/3

アメリカ数学オリンピックの予選AIMEの2026年2月の問題で、高校トップ層レベルの数学の解答力を見ます。

モデル21個

GPT-5.5100.0%
FrontierMath Tier 4 v2引用頻度 3/3

Epoch AIのFrontierMathのうち最も難しい研究レベルの数学問題群(第4段階)の第2版です。

旧バージョン: FrontierMath Tier 4 (2025-07)

モデル62個 · 2026-11-19

Claude Fable 5.2100.0%

数学者が新たに書いた、大学上級から初期の研究レベルまでの数学問題群FrontierMath第1〜3段階の第2版です。

旧バージョン: FrontierMath Tiers 1-3 (2025-02)

モデル70個 · 2026-11-19

Claude Fable 5.295.1%
HMMT February 2026引用頻度 2/3

ハーバード・MIT数学大会(HMMT)2026年2月大会の問題で、数学の解答力を見ます。

モデル21個

GPT-5.598.5%
IMO-AnswerBench引用頻度 2/3開発元の自己評価

Google DeepMindが作った国際数学オリンピックレベルの問題で、数学の解答力を見ます。

モデル20個 · 2026-08-07

Nemotron 3 Ultra92.3%
MathArena Apex 2025引用頻度 2/3

2025年の主要な高校生数学大会の問題のうち、選定時にどの最新モデルも解けなかった非常に難しい問題で、数学の解答力の限界を見ます。

モデル26個

Claude Opus 4.881.3%
OTIS Mock AIME 2024-2025引用頻度 2/3

オリンピック教育プログラムOTISの生徒がAIMEをまねて作った模擬試験の問題で、数学の解答力を見ます。

モデル85個 · 2026-11-19

Claude Fable 5.1100.0%
USAMO 2026 (proofs)引用頻度 2/3

2026年の米国数学オリンピック(USAMO)の問題で、答えだけでなく完全な証明を書く力を見ます。

モデル8個

GPT-5.598.2%
MATH Level 5引用頻度 1/3スコア飽和

高校生の数学競技の問題集MATHのうち、最も難しいレベル5の問題だけで解答力を見ます。

モデル10個 · 2025-10-30

GPT-598.1%

ブラウン大学の学生が運営する高校生向け数学大会BRUMO 2025の問題で、数学の解答力を見ます。

モデル12個

Gemini 3 Flash100.0%

カーネギーメロン大学の高校生向け数学・情報大会CMIMC 2025の問題で、数学の解答力を見ます。

モデル12個

GLM-593.1%

数学者エルデシュが提起または研究した問題のうち、2026年8月時点で未解決の予想を、AIが証明または反証する力を見ます。

モデル16個 · 2026-11-07

GPT-6.2 Astra10.3%

ハーバード・MIT数学大会(HMMT)2025年2月大会の問題で、数学の解答力を見ます。

モデル12個

Gemini 3 Flash97.5%

ハーバード・MIT数学大会(HMMT)2025年11月大会の問題で、数学の解答力を見ます。

モデル10個

GLM-594.2%
HRM8K韓国語のみ

韓国の数学オリンピックや大学入試(修能)などの問題と、海外の数学問題を韓国語にした文章題で、韓国語での数学の解答力を見ます。

モデル49個 · 2026-08-03

Gemini 3 Flash97.0%

2025年の国際数学オリンピック(IMO)の問題で、証明を書く能力を見ます。

モデル2個

GPT-538.1%
Ko-AIME 2025韓国語のみ

2025年のアメリカ数学オリンピック予選AIMEの30問を韓国語に翻訳し、人が検収した試験です。

モデル49個 · 2026-08-03

GPT-5.5100.0%

2025年の高校生数学大会から選んだ難しい問題47問で、MathArena Apexを選ぶ際に候補となった広めの問題群です。

モデル23個

GPT-5.598.4%

画像1枚で与えられる多肢選択の数学問題を解く視覚数学の試験で、画像を読んで解く力を見ます。

モデル15個

GPT-5.594.9%

多言語の高難度数学試験PolyMathの日本語版で、難しい数学の問題を日本語で読んで解く力を見ます。

モデル9個

GPT-5.477.6%

大学院・大学上級レベルの定理について、数学の証明を自分で書けるかを見ます。Vals AIが作りました。

モデル71個

Claude Fable 5.2100.0%

スタンフォード数学トーナメント(SMT)2025の高校生レベルの問題を解く力を見ます。

モデル12個

Gemini 3 Flash92.9%

2025年の米国数学オリンピック(USAMO)の問題で、答えだけでなく完全な証明を書く力を見ます。

モデル1個

Gemini 2.5 Pro24.4%

知識12

ベンチマーク最上位モデル最高スコア
HealthBench引用頻度 2/3開発元の自己評価

OpenAIが作った医療対話の試験で、患者や医療従事者との健康に関する会話でAIがどれだけ適切に答えるかを見ます。

モデル12個 · 2026-09-22

Claude Opus 5.560.6%
HealthBench Hard引用頻度 2/3開発元の自己評価

HealthBenchのうち、特に難しい医療対話だけを集めた部分試験です。

モデル9個 · 2026-09-22

Muse Spark42.8%
HealthBench Professional引用頻度 2/3開発元の自己評価

OpenAIが作った医療専門家向けの試験で、臨床業務に近い課題でAIがどれだけ適切に答えるかを見ます。

モデル21個 · 2026-09-22

Claude Opus 5.565.6%
Humanity's Last Exam (with tools)引用頻度 2/3開発元の自己評価

Humanity's Last Exam(HLE)は、100を超える分野の専門家が作った難問で、知識と推論力を見ます。

モデル44個 · 2026-09-22

Claude Opus 5.567.7%
JFinBench 2026引用頻度 2/3日本語のみ

2026年の日本の金融系資格試験6種(公認会計士、税理士、FP技能検定1級、金融窓口サービス技能検定1級、簿記1級2種)の問題で作った試験です。日本の会計・税法・金融実務の知識をどれだけ正確に使えるかを見ます。

モデル12個 · 2026-11-04

Claude Fable 595.8
KMMLU-Pro引用頻度 2/3韓国語のみ

医療・法律・税務・会計など、韓国の国家専門資格試験14種類の問題で、韓国語の専門知識を見ます。

モデル49個 · 2026-08-03

Claude Opus 4.895.0%
MedCode引用頻度 2/3

Vals AIが作った医療コーディングの試験で、入院記録を読んで適切な診断コードを付ける力を見ます。

モデル75個 · 2026-11-19

Claude Opus 563.6%
MMLU引用頻度 1/3スコア飽和

数学・歴史・法律・医学など57科目にわたって幅広い知識を問う試験です。2020年に登場し、長く代表的な指標でした。

モデル1個

Nova 2 Lite77.0%

韓国語能力試験(KLAT)から取った選択式の読解問題で、韓国語の読解力を見ます。HAE-RAE Bench 1.0のうち読解の部分です。

モデル49個 · 2026-08-03

GPT-5.6 Luna93.0%
JamC-QA日本語のみ

日本固有の知識を問う日本語の質問応答試験で、「日本についてどれだけ知っているか」を見ます。英語の試験を翻訳したものでは見えない部分です。

モデル9個

GPT-5.489.1%
KMMLU韓国語のみ

人文系から理工系まで45科目の専門家レベルの韓国語の知識を見ます。英語のMMLUを翻訳したものではなく、韓国の実際の試験から集めました。

モデル49個 · 2026-08-03

Gemini 3.1 Pro94.0%
Ko-HLE韓国語のみ

さまざまな学問分野の専門家レベルの難問からなるHumanity's Last Exam(HLE)を韓国語に訳して解きます。

モデル49個 · 2026-08-03

Claude Fable 553.1%

科学2

ベンチマーク最上位モデル最高スコア
CritPt引用頻度 2/3

アルゴンヌ国立研究所とイリノイ大学の主導で物理学者50人以上が作った試験で、教科書の練習問題ではなく、初期の研究プロジェクト水準の物理の問題を解く力を見ます。

モデル87個

Gemini 4 Carbon36.0%

表面張力で形が決まる液体の表面を計算するプログラムSurface Evolverを、AIエージェントが正しく使えるかを見ます。

モデル25個

Claude Fable 595.0%

長文3

ベンチマーク最上位モデル最高スコア
MRCR v2 (8-needle)引用頻度 3/3

非常に長い架空の会話に隠されたほぼ同じ依頼8つの中から特定の1つを正確に探し出して書き出す、長文の記憶力を見ます。Google DeepMindのMRCR v2です。

モデル53個

Qwen3.6 Max88.1%
CorpFin v2引用頻度 2/3

Vals AIが作った試験で、大企業が銀行と結ぶ数百ページの融資契約書のような長い金融文書を読み、質問に答える力を見ます。

モデル63個 · 2026-08-12

Claude Opus 573.2%
Fiction.LiveBench (16k)引用頻度 2/3

小説サイトFiction.liveの物語を読み、登場人物の本音、出来事の順序、明示されていない情報を推論する長文の理解力を見ます。

モデル10個

GPT-597.2%

事実性9

ベンチマーク最上位モデル最高スコア
FACTS Benchmark Suite v2引用頻度 2/3

GoogleのFACTS事実性試験群の総合スコアで、AIが事実に即して答えているかを4つの面から見ます。

旧バージョン: FACTS Benchmark Suite v1

モデル22個 · 2026-11-14

Gemini 4 Carbon78.4%
SimpleQA Verified引用頻度 2/3

ツールなしで記憶だけを頼りに、短い事実の質問に正確に答えられるかを見ます。OpenAIのSimpleQAを整えた版です。

モデル69個 · 2026-11-19

Claude Fable 5.294.0%

短い事実の質問に正確に答えられるかを見るSimpleQA Verifiedの1,000問を、Kaggleで測定した値です。

モデル31個 · 2026-11-19

Gemini 3.1 Pro77.5%

AIが回答で事実でない主張をどれだけ避けられるかを、人による投票に自動の事実確認を加えて見ます。

モデル103個 · 2026-11-19

Gemini 4 Carbon1522

与えられた文書だけを根拠に、依頼(要約、事実探し、分析)へ長い回答を書く力を見ます。文書にない内容を作り上げていないかを確認します。

旧バージョン: FACTS Grounding v2

モデル25個 · 2026-11-14

GPT-6.1 Terra84.2%

画像についての質問に、画像の内容と一般知識を合わせて事実に即して答える力を見ます。GoogleのFACTS試験群の一部です。

旧バージョン: FACTS Multimodal v5

モデル22個 · 2026-11-14

Gemini 4 Hydrogen63.1%

検索やツールを使わず、モデルが記憶している知識だけで事実の質問に答える力を見ます。GoogleのFACTS試験群の一部です。

旧バージョン: FACTS Parametric v1

モデル27個 · 2026-11-19

GPT-6 Astra83.8%

あまり知られていない対象や複数の段階を要する質問に、ウェブ検索ツールを使って答える力を見ます。GoogleのFACTS試験群の一部です。

旧バージョン: FACTS Search v1, FACTS Search v2

モデル26個 · 2026-11-19

Gemini 4 Carbon94.4%
Ko-TruthfulQA韓国語のみ

人がよく誤解している内容に引っかからず、事実どおりに答えられるかを見ます。

モデル49個 · 2026-08-03

Claude Fable 598.0%

指示追従5

ベンチマーク最上位モデル最高スコア
IFEval-Ko韓国語のみ

長さ・キーワード・出力形式など自動で確認できる条件が付いた指示を守れるかを見る、GoogleのIFEvalの韓国語版です。

モデル49個 · 2026-08-03

GPT-5.495.0%
Japanese MT-Bench日本語のみ

日本語の質問にどれだけうまく答えられるかを、文章作成、ロールプレイ、推論、数学、コーディングなど複数の分野で見ます。

モデル79個 · 2026-11-20

Claude Opus 5.599.3%

Swallowのランキングが自ら実行した日本語版MT-Benchで、日本語での会話回答の質を見ます。

モデル9個

GPT-5.484.4%
Ko-MTBench韓国語のみ

文章作成、ロールプレイ、推論、数学、コーディング、情報抽出、理工系、人文学の8分野で、会話形式の質問にどれだけ答えられるかを見ます。

モデル49個 · 2026-08-03

Gemini 3 Flash89.6%
M-IFEval-Ja日本語のみ

形式の条件が付いた日本語の指示を正確に守れるかを見ます。

モデル9個

GPT-590.7%

多言語13

ベンチマーク最上位モデル最高スコア
CLIcK引用頻度 2/3開発元の自己評価韓国語のみ

韓国の文化と韓国語の知識を問う試験です。英語の問題を翻訳した試験では見えない、韓国ならではの文脈の理解を見ます。

モデル3個 · 2026-08-05

A.X K291.6%
Global-MMLU-Lite引用頻度 2/3

Cohere Labsの試験で、英語の知識試験MMLUを多言語に移し、言語が変わっても知識問題を同じように解けるかを見ます。

モデル26個 · 2026-10-12

Claude Opus 595.7%
Horangi 4 (Korean LLM Leaderboard)引用頻度 2/3韓国語のみ

W&Bコリアの韓国語LLM順位表Horangi 4の総合点で、韓国語能力全般を見ます。

モデル50個 · 2026-08-03

Gemini 3.1 Pro84.1%
MMMLU引用頻度 2/3開発元の自己評価

さまざまな言語でAIの幅広い知識を見る多言語の試験です。OpenAIが公開しました。

モデル18個 · 2026-08-05

Gemini 3.1 Pro92.6%
Nejumi LLM Leaderboard 4引用頻度 2/3日本語のみ

W&Bジャパンの日本語LLMランキング「Nejumi 4」の総合スコアで、日本語の性能を幅広く見ます。

モデル79個 · 2026-11-20

Claude Fable 5.289.6%
Swallow Leaderboard — Japanese (avg)引用頻度 2/3日本語のみ

東京科学大学のSwallowプロジェクトが運営する日本語ランキングの平均スコアで、モデルの日本語能力を総合的に見ます。

モデル9個

GPT-5.471.7%

Global-MMLU-Liteの日本語部分で、日本語で出された知識問題をどれだけ解けるかを見ます。

モデル26個 · 2026-10-12

Gemini 4 Argon96.3%

Global-MMLU-Liteの韓国語部分で、韓国語で出された知識問題をどれだけ解けるかを見ます。

モデル26個 · 2026-10-12

Claude Opus 595.5%

Horangi 4の汎用言語性能(GLP)で、韓国語の理解・表現・知識・推論能力を見ます。

モデル50個 · 2026-08-03

Claude Fable 583.9%
jaster (0-shot)日本語のみ

日本のLLM-jpによる日本語NLP(言語処理)評価課題集jasterで、日本語の理解・翻訳・推論能力を見ます。

モデル79個 · 2026-11-20

Claude Fable 5.290.6%
KoBALT-700 (semantics)韓国語のみ

言語学の専門家が作った韓国語の問題集KoBALT-700のうち意味の領域で、述語と項(述語が求める語)が意味的に合うかなどを見ます。

モデル49個 · 2026-08-03

Gemini 3.1 Pro91.0%
KoBALT-700 (syntax)韓国語のみ

言語学の専門家が作った韓国語の問題集KoBALT-700のうち統語(文の構造)の領域で、呼応、項構造、埋め込み文、省略、語順の入れ替えを扱います。

モデル49個 · 2026-08-03

GPT-5.6 Sol90.0%

Nejumi 4で、日本語を中心とした汎用的な言語性能(GLP)を見ます。

モデル79個 · 2026-11-20

Claude Fable 5.290.4%

画像認識12

ベンチマーク最上位モデル最高スコア
MMMU-Pro引用頻度 3/3開発元の自己評価

大学レベルの30科目で図・表・グラフを含む問題を解くMMMUを難しくした版で、画像を読んで推論する力を見ます。

モデル37個 · 2026-09-20

Gemini 3.5 Flash83.6%
Blueprint-Bench 2引用頻度 2/3

Andon Labsが作った試験で、アパート内部の写真を見て、部屋の配置とつながりを間取り図に描く空間認識力を見ます。

モデル38個

GPT-6.2 Astra61.4%
Chartography引用頻度 2/3開発元の自己評価

Surge AIが作った試験で、生存曲線・ローソク足チャート・等高線図など専門分野のグラフを読み解く力を見ます。

モデル6個 · 2026-09-30

Gemini 4 Argon71.6%
CharXiv (Reasoning)引用頻度 2/3開発元の自己評価

arXiv論文に載っている実際のグラフを見て、複数の段階で推論しないと答えられない質問に答える力を見ます。

モデル31個 · 2026-09-02

Kimi K391.3%
ScreenSpot-Pro引用頻度 2/3開発元の自己評価

CAD・動画編集・開発ツールなど専門家向けソフトの画面で、指示されたボタンやメニューの位置を正確に指し示せるかを見ます。AIがコンピューターを直接操作するのに必要な力です。

モデル13個 · 2026-09-22

GPT-6 Astra92.7%
ZeroBench引用頻度 2/3

今のAIがほとんど解けないように作られた画像推論の問題で、絵の中の物を数え、測り、複数の段階を続けて計算する力を見ます。

モデル41個

GPT-6 Astra52.0%

Epoch AIが作った試験で、組み立て途中のIKEA家具の写真を見て、ここまで正しく組めているかを判断する力を見ます。

モデル38個 · 2026-11-19

Claude Fable 5.290.0%

GeoGuessrのように、写真1枚から看板・植物・建物などの手がかりを使って撮影場所を当てる力を見ます。

モデル21個

Claude Fable 589.0%

実際の場面を複数の方向から撮った写真数枚で、物の位置や向き、移動したらどう見えるか、隠れた部分がどうなっているかを推論する力を見ます。

モデル1個

Claude Sonnet 444.8%

物体を頭の中で回し、折り、透かして見て、動かす空間視覚化の力を見ます。

モデル4個

Gemini 2.5 Pro44.7%

ボールがスロープを伝ってどのバケツに落ちるかを当てる、直感的な物理の力を見ます。

モデル10個

Gemini 3 Flash72.6%

ZeroBenchの本問を解くための途中段階を切り出した小問で、本問が解けなくてもどの段階までできるかを見ます。

モデル12個

GPT-5 Mini27.8%

メディア制作2

ベンチマーク最上位モデル最高スコア

画像と説明を与えるとその画像から動画を作る能力を、ユーザーの好みの投票で見ます。

モデル10個 · 2026-11-09

Gemini Omni 1.2 Flash1503

動画と編集の指示を与えると編集した結果を作る能力を、ユーザーの好みの投票で見ます。

モデル6個 · 2026-11-10

Seedance 2.51419

文章作成3

ベンチマーク最上位モデル最高スコア
EQ-Bench 4引用頻度 2/3

感情的に難しい会話で、相手の気持ちを読み取って対応する力を見ます。関係づくり・誠実さ・感情の読み取りなど6つの面を判定します。

モデル30個 · 2026-10-24

Claude Opus 51365
MedScribe引用頻度 2/3

Vals AIが作った医療記録作成の試験で、医師と患者の診察の会話を読み、標準形式(SOAP)の診療記録を書く力を見ます。

モデル76個 · 2026-11-19

Claude Opus 5.591.4%

レフ・マズール(Lech Mazur)が作った創作試験で、決められた要素を自然に盛り込んだ短編小説を書く力を見ます。

モデル8個

GPT-58.60

資料・スライド作成1

ベンチマーク最上位モデル最高スコア

依頼に合わせて文書・PDF・発表資料を完成した形で作ったり直したりできるかを見ます。

モデル23個 · 2026-11-06

Claude Fable 5.285.1

人の好み投票2

ベンチマーク最上位モデル最高スコア
Arena Search引用頻度 2/3

ウェブ検索を使うAIが質問に出典付きで答える品質を、ユーザーの投票で見ます。

モデル29個 · 2026-11-19

GPT-5.6 Sol1256

実際のユーザーがアップロードした文書(PDF)を読み、質問への回答・要約・情報抽出をする、長い文書の分析力を見ます。

モデル36個 · 2026-11-09

Claude Fable 5.11515

分類・判定8

ベンチマーク最上位モデル最高スコア
AIB DecisionBench-Agent引用頻度 2/3

aib voteが作った試験で、判断型AIがAIエージェントの中で担う2つの役割、ルーターとガードを、公開テストセットで見ます。

モデル25個 · 2026-11-20

d1.2-ultra93.9
AIB DecisionBench-Game引用頻度 2/3

aib voteが作った試験で、判断型AIがリアルタイムで変化するゲームの中で素早く正確に判断する力を見ます。

モデル25個 · 2026-11-20

GPT-6 Luna Decisions69.5
AIB DecisionBench-KJ引用頻度 2/3韓国語日本語

aib voteが作った試験で、韓国語・日本語の文章を決められた基準で判断する力を見ます。

モデル27個 · 2026-11-20

Decider V1.282.3
Decision Index引用頻度 2/3

個人がHugging Faceで運営する判断型モデルのランキングで、判断型モデル110以上を同じ問題で比べます。

モデル10個 · 2026-11-21

Decider V1.268.0
Hanno Labs DecisionBench引用頻度 2/3

英語の判定課題で、はい・いいえの判断、選択肢選び、段階づけをどれだけ正確にできるかを見ます。

モデル5個 · 2026-09-23

GLM 5.3 Flash74.1
Jevals Banking77引用頻度 2/3

銀行の顧客問い合わせを77種類の問い合わせタイプのいずれかに分類する能力を見ます。当たったかだけでなく、各タイプに付けた確率も採点します。

モデル6個 · 2026-09-18

Gemini 3.8 Flash74.1

AIの回答がどれだけ役に立つかについて人が付けた5段階の評価を当てる能力を見ます。段階ごとに付けた確率も採点します。

モデル6個 · 2026-09-18

Jev 1.139.20

医学論文の要旨を読み、研究上の問いに「はい・いいえ」で答える能力を見ます。「はい・いいえ」に付けた確率も採点します。

モデル6個 · 2026-09-18

Gemini 3.8 Flash73.0

文脈学習3

ベンチマーク最上位モデル最高スコア

テンセントと復旦大学が作った試験で、学習時に見たことのない新しい知識を、与えられた資料から学んですぐ使う力を見ます。

モデル12個

GPT-5.427.9%

CL-benchの姉妹試験で、整理されていない実生活の情報から新しく学んで使う力を見ます。

モデル11個

GPT-5.522.2%

Epoch AIが作った「働きながら学ぶ」試験で、あまり知られていないカードボードゲームEarthborne Rangersを何度もプレイし、練習で上達するかを見ます。

モデル32個 · 2026-11-13

GPT-6.2 Astra92.4%

ゲーム6

ベンチマーク最上位モデル最高スコア

AIが複数のゲームを自ら操作してどこまで進められるかで、目標に向けて行動を選んでいく能力を見ます。

モデル11個 · 2026-09-20

GPT-6 Astra68.3%

チェスの盤面を見て最善の次の一手を探す力を見ます。Epoch AIが新しく作ったパズルなので、暗記では解けません。

モデル69個 · 2026-11-19

Gemini 4 Neon83.0%

AI同士がチェス(テキスト)、ヘッズアップポーカー(1対1のポーカー)、人狼などのゲームで対戦した結果を合算した、戦略推論の順位です。

モデル39個 · 2026-11-12

Gemini 4 Carbon638

AI同士がチェスを指して付けた順位で、文章(棋譜)でやり取りするチェスの実力を見ます。

モデル39個 · 2026-11-11

Gemini 4 Carbon1646

AI同士が四目並べ(先に4つを一列に並べるゲーム)で対戦し、戦略的な推論力を見ます。

モデル40個 · 2026-11-11

Gemini 4 Carbon1003

複数のAIが人狼(会話で正体を隠したり見破ったりする推理ゲーム)をプレイし、戦略的な推論力を見ます。

モデル7個

GPT-5.40.00

予測1

ベンチマーク最上位モデル最高スコア

FutureSearchが作った予測の試験で、AIエージェントがウェブを調べて、何が起こるかをどれだけ正確に予測できるかを見ます。

モデル10個

Claude Opus 50.120

安全性・アラインメント5

ベンチマーク最上位モデル最高スコア

Horangi 4の価値整合性能(ALT)で、韓国語で指示に従い、倫理・偏り・ハルシネーションを扱う能力を見ます。

モデル49個 · 2026-08-03

Gemini 3.1 Pro84.8%
Ko-Moral韓国語のみ

韓国語の文が非倫理的かどうかを見分ける力を見ます。

モデル49個 · 2026-08-03

Gemini 3 Flash90.0%
KoBBQ (bias)韓国語のみ

英語のBBQを韓国社会に合わせて移した試験で、年齢・性別・出身地域・学歴など12分野の固定観念に頼って答えていないかを見ます。

モデル49個 · 2026-08-03

Claude Fable 5100.0%
Korean Hate Speech韓国語のみ

韓国の芸能ニュースのコメントがヘイト表現かどうかを見分ける正確さを見ます。モデルがヘイト表現を生み出すかは見ません。

モデル49個 · 2026-08-03

Claude Fable 578.0%

Nejumi 4で、日本語の応答のアラインメント(安全・倫理など人が望む形で答える度合い)を見ます。

モデル79個 · 2026-11-20

Qwen3.6 Max91.8%

へんてこベンチ14

韓国の修能(大学修学能力試験)のように、人になじみのある試験をAIに解かせたベンチマークです。楽しむための結果なので、用途別ランキングには含めません。

ベンチマーク最上位モデル最高スコア
BullshitBench v2引用頻度 1/3

前提からして筋の通らない質問を受けたとき、AIがもっともらしい答えを作らず「質問がおかしい」とはっきり指摘できるかを見る、お楽しみベンチマークです。

モデル143個 · 2026-11-19

Claude Opus 4.895.0%
CSAT 2026引用頻度 1/3韓国語のみ

2026年度の韓国大学修学能力試験(修能、2025年11月実施)の問題をAIモデルにそのまま解かせた、お楽しみベンチマークです。韓国の受験生と同じ試験でどれだけ点を取れるかを見ます。

モデル61個 · 2026-11-17

GPT-6 Astra449
CSAT 2027引用頻度 1/3韓国語のみ

2027年度の韓国大学修学能力試験(修能、2026年11月実施)の問題をAIモデルにそのまま解かせた、お楽しみベンチマークです。韓国の受験生と同じ試験でどれだけ点を取れるかを見ます。

モデル36個 · 2026-11-20

Gemini 4 Neon450
NYT Connections Extended引用頻度 1/3

ニューヨーク・タイムズの単語グループ分けパズルConnections(単語を共通点のある4つのグループに分ける)を難しくしてAIに解かせた、お楽しみベンチマークです。言葉の意味・言葉遊び・常識を組み合わせてグループを見つける力を見ます。

モデル115個 · 2026-11-18

Gemini 4 Carbon99.3%
PokeBench Gen 1 Long引用頻度 1/3

AIがポケットモンスター赤を最初(主人公の部屋)からプレイして、どこまで進めるかを見る、お楽しみベンチマークです。目標は殿堂入りです。

モデル8個 · 2026-11-15

GPT-6 Astra249
PokeBench Gen 1 Short引用頻度 1/3

AIがポケットモンスター赤を直接操作して、短い課題(移動・バトル・メニュー操作・クエスト)をこなせるかを見る、お楽しみベンチマークです。

モデル8個 · 2026-11-15

GPT-6 Astra97.9%
SnakeBench引用頻度 1/3

2つのAIが同じ盤面でスネークゲームを1対1で戦い、どちらが長く生き残るかを競う、お楽しみベンチマークです。

モデル300個 · 2026-11-21

GPT-5.539
SpireClimb引用頻度 1/3

カードゲームSlay the Spireの1作目と2作目を最高難度でAIにプレイさせ、最後までクリアできた回の割合を見るEpoch AIの試験です。コンピューターを直接操作する力と、長い見通しの戦略を合わせて見ます。

モデル12個 · 2026-11-13

GPT-6.2 Astra41.3%
StarSkirmish Bench v0.2引用頻度 1/3

AIに1時間を与えてStarCraftのプロトスのボット(C++プログラム)を書かせ、そのボットが人間の作ったボットにどれだけ勝てるかを見る、お楽しみベンチマークです。練習試合の結果を見てボットを直していく力を見ます。

旧バージョン: StarSkirmish Bench v0.1

モデル9個 · 2026-10-14

GPT-6 Astra57.3

AI同士がチェッカー(駒を飛び越えて取る盤上ゲーム)で対戦して付けた順位で、戦略的な推論力を見ます。

モデル41個 · 2026-11-11

Gemini 4 Carbon1382

AI同士が囲碁で対戦して付けた順位で、戦略的な推論力を見ます。

モデル39個 · 2026-11-12

Claude Fable 5.21877

AI同士がリバーシ(オセロ)で対戦して付けた順位で、戦略的な推論力を見ます。

モデル39個 · 2026-11-11

Gemini 4 Carbon1306

SpireClimbのうち、Slay the Spire 1作目だけの勝率です。アセンション20で3つのActをクリアし、Act 4の最終ボス「心臓」まで倒して初めて勝ちになります。

モデル12個 · 2026-11-13

GPT-6.2 Astra33.3%

SpireClimbのうち、Slay the Spire 2作目だけの勝率です。アセンション10で3つのActをすべてクリアすると勝ちになります。

モデル12個 · 2026-11-13

GPT-6.2 Astra49.3%