GBAEval

何を測定しますか?
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。
誰がどのように評価しますか?
AIがインターネットなしで24時間かけてRustで作る単一の課題です。基準エミュレーター(Mesen2)と画面・動作・音を比べて採点し、再生テストの比重が最も大きくなっています。
スコアの読み方
スコアは0〜100%です。高いほど良い結果です。
最高スコア90.6%
測定したモデル28件
測定基準高いほど良い
最終更新2026.11.14
モデルのリリース時期
  1. 1
    Anthropic2026.09.22
    90.6%
  2. 2
    OpenAI2026.09.04
    87.1%
  3. 3
    Anthropic2026.11.09
    84.8%
  4. 4
    OpenAI2026.09.29
    81.9%
  5. 5
    Anthropic2026.07.24
    79.6%
  6. 6
    Google2026.09.30
    78.7%
  7. 7
    Anthropic2026.06.09
    74.5%
  8. 8
    Anthropic2026.05.27
    70.9%
  9. 9
    SpaceXSI2026.07.08
    65.4%
  10. 10
    Anthropic2026.06.30
    65.3%