IFBench

何を測定しますか?
Artificial Analysis が「レガシー」に分類し新モデルの測定が稀な評価です(最近のモデルは表にない場合があります)。指示をどれだけ正確に守るかを見ます。「300字以内で、最後の文は疑問文で、数字は使わずに」のような形式条件を漏れなく守る力で、答えの内容ではなく規則の遵守を測ります。
誰がどのように評価しますか?
Allen AI が作りました。従来の IFEval になかった新しい条件58種を実際のユーザー対話(WildChat)のプロンプトに付けて評価し、条件を守ったかをプログラムが自動検査します。Artificial Analysis が自ら実行します。
スコアの読み方
0〜100%。知識ではなく規則の遵守なので条件を一つ落としただけで減点され、人が見れば優れた答えでも形式が外れれば低く出ます。

順位

最高スコア83.3%
測定したモデル81件
測定基準高いほど良い
最終更新2026.11.21
モデルのリリース時期

形式や長さなどの細かい条件を、漏れなく守れる?

IFBench

  1. 🥇SpaceXSIGrok 4.383.3%
  2. 🥈MiniMaxMiniMax M382.9%
  3. 🥉NVIDIANemotron 3 Ultra81.4%
  4. #4SpaceXSIGrok 4.20 (Reasoning)81.2%
  5. #5AlibabaQwen3.7 Max80.5%
  6. #6XiaomiMiMo V2.5 Pro79.9%
  7. #7DeepSeekDeepSeek V4 Flash79.2%
  8. #8AlibabaQwen3.5 397B A17B78.8%
  9. #9GoogleGemini 3 Flash78.0%
  10. #9AlibabaQwen3.7 Plus78.0%
  11. #11GoogleGemini 3.1 Flash Lite77.2%
  12. #12GoogleGemini 3.1 Pro77.1%
  13. #13AlibabaQwen3.6 Max76.6%
  14. #14DeepSeekDeepSeek V4 Pro76.5%
  15. #15GoogleGemini 3.5 Flash76.3%
  16. #16Z.aiGLM-5.176.3%
  17. #17Moonshot AIKimi K2.676.0%
  18. #18OpenAIGPT-5.4 Nano75.9%
  19. #18MetaMuse Spark75.9%
  20. #20SK TelecomA.X K275.9%
  21. #21OpenAIGPT-5.575.9%
  22. #22MiniMaxMiniMax M2.775.7%
  23. #23GoogleGemma 4 31B75.6%
  24. #24OpenAIGPT-5 Mini75.4%
  25. #25AlibabaQwen3.6 Plus75.2%
  26. #26OpenAIGPT-5.473.9%
  27. #27Z.aiGLM 5.273.3%
  28. #28OpenAIGPT-5.4 Mini73.3%
  29. #29Z.aiGLM-5-Turbo73.2%
  30. #30OpenAIGPT-573.1%
  31. #31OpenAIGPT-5.6 Sol72.7%
  32. #32LG AI ResearchK-EXAONE 2.072.6%
  33. #33Z.aiGLM-572.3%
  34. #34MiniMaxMiniMax M2.571.6%
  35. #35NVIDIANemotron 3 Super71.5%
  36. #36OpenAIGPT-5.6 Terra71.2%
  37. #37UpstageSolar Pro 371.2%
  38. #38NVIDIANemotron 3 Nano 30B A3B71.1%
  39. #39AmazonNova 2 Lite70.7%
  40. #40Moonshot AIKimi K2.570.2%
  41. #41OpenAIGPT OSS 120B69.0%
  42. #42XiaomiMiMo V2 Pro68.8%
  43. #43Mistral AIMistral Medium 3.568.8%
  44. #44OpenAIGPT-5 Nano67.6%
  45. #45StepfunStep 3.7 Flash67.3%
  46. #46XiaomiMiMo V2.567.1%
  47. #47LG AI ResearchK-EXAONE64.7%
  48. #48AlibabaQwen3.6 35B A3B64.4%
  49. #49AnthropicClaude Fable 563.5%
  50. #50NVIDIANemotron 3 Nano Omni63.2%
  51. #51TencentHy363.1%
  52. #51Moonshot AIKimi K2.7 Code63.1%
  53. #53AnthropicClaude Opus 4.862.2%
  54. #54Z.aiGLM 5V Turbo61.1%
  55. #55DeepSeekDeepSeek V3.260.7%
  56. #56AnthropicClaude Opus 4.758.6%
  57. #57AnthropicClaude Opus 4.558.0%
  58. #58CohereNorth Mini Code57.6%
  59. #59AnthropicClaude Sonnet 4.557.3%
  60. #60AnthropicClaude Sonnet 4.656.6%
  61. #61Arcee AITrinity Large Thinking56.3%
  62. #62AnthropicClaude Opus 4.155.4%
  63. #63AnthropicClaude Sonnet 454.7%
  64. #64AnthropicClaude Haiku 4.554.3%
  65. #65AnthropicClaude Opus 453.7%
  66. #66AnthropicClaude Opus 4.653.1%
  67. #67SpaceXSIGrok 4.1 Fast (Reasoning)52.7%
  68. #68GoogleGemini 2.5 Flash Lite52.6%
  69. #69AlibabaQwen3.5 Plus51.2%
  70. #70GoogleGemini 2.5 Flash50.3%
  71. #71SpaceXSIGrok 4.2049.3%
  72. #72GoogleGemini 2.5 Pro48.7%
  73. #73Mistral AIMistral Small 448.2%
  74. #74InclusionAIRing-2.6-1T44.6%
  75. #75MeituanLongcat Flash Chat43.1%
  76. #76OpenAIGPT-4.143.0%
  77. #76MetaLlama 4 Maverick43.0%
  78. #78BaiduERNIE 5.0 Thinking41.4%
  79. #79MetaLlama 4 Scout39.5%
  80. #80IBMGranite 4.1 8B38.6%
  81. #81SpaceXSIGrok 4.1 Fast36.5%
モデルの半数が69.0%以下

直近60日にリリースされたAI 64個のうち64個はまだこの試験のスコアがありません · Gemini 4 Neon, GPT-6.2 Astra, Microsoft-Decision-1.1 ほか61個

あらかじめ決められた方法で一括測定したスコアなので、自分の質問での結果とは異なる場合があります。

「開発元発表」と表示されたスコアは、AI開発元が自ら発表した数値で、第三者の測定ではありません。

関連ニュース