LiveBench 2.0
引用多め高いほど良い
- 何を測定しますか？
- 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。
- 誰がどのように評価しますか？
- モデルに点数がある科目だけを加重平均します。2026年10月25日のリリースはLong Agentic 2倍、Coding・Design 1.5倍、残りは1倍で、それ以前のリリースは全科目が同じ比重です。
- スコアの読み方
- スコアは出典の発表値そのままです。高いほど良い結果です。LiveBench 2.0はv1と科目・問題が異なるため、v1の点数とは比較できません（v1の点数は「v1」が付いた欄に残っています）。
最高スコア84.9 / 100Claude Fable 5.2
測定したモデル22件
最終更新2026.11.06
モデルのリリース時期（右が最新）
その時点の最高記録上ほど良い
複数の試験を合わせた総合力はどのくらい?AA Intelligence Index v5
Claude Fable 5.2🥇Claude Fable 5.2🥇多くの人に最も好まれる回答をするAIは?Arena Text
Gemini 4 Carbon🥇Gemini 4 Carbon🥇
Claude Fable 5.2🥇Claude Fable 5.2🥇多くの人に最も好まれる回答をするAIは?Arena TextGemini 4 Carbon🥇Gemini 4 Carbon🥇- 🥇AnthropicClaude Fable 5.2推論強度: Extra High64.6—84.9 / 100
- 🥈OpenAIGPT-6 Astra推論強度: Max56.9147484.5 / 100
- 🥉AnthropicClaude Fable 5.1推論強度: Max50.0150384.0 / 100
- #4AnthropicClaude Opus 5.5推論強度: Max59.1150683.4 / 100
- #5OpenAIGPT-6.1 Sol推論強度: Max54.6148281.4 / 100
- #6OpenAIGPT-6.1 Terra推論強度: Max51.3—78.8 / 100
- #7GoogleGemini 4 Argon推論強度: High50.4152277.7 / 100
- #8AnthropicClaude Sonnet 5.5推論強度: Max54.5147377.0 / 100
- #9DeepSeekDeepSeek V4.1 Flash 1017推論強度: Max32.6—70.3 / 100
- #10AnthropicClaude Haiku 5.5推論強度: Max36.5142269.0 / 100
- #11Moonshot AIKimi K3.1 Pro推論強度: Max46.5148368.7 / 100
- #12MetaMuse Spark 1.3推論強度: Max36.6149668.4 / 100
- #13SpaceXSIGrok 4.7推論強度: Extra High35.5144267.9 / 100
- #14OpenAIGPT-5.6 Terra推論強度: Max32.3146867.2 / 100
- #15XiaomiMiMo-V2.6-Pro推論強度: High29.9148066.1 / 100
- #16Moonshot AIKimi K3推論強度: Max17.4148765.0 / 100
- #17SpaceXSIGrok 4.6推論強度: Extra High31.0145763.5 / 100
- #18Z.aiGLM 5.3 Flash推論強度: Max27.8147460.7 / 100
- #19OpenAIGPT-6 Luna推論強度: Max27.9144160.4 / 100
- #20GoogleGemini 3.8 Flash推論強度: High30.8149856.0 / 100
- #21Mistral AIMistral Large 4推論強度: High25.3142340.9 / 100
- #22GoogleGemma 4 31B推論強度: Max4.4145232.4 / 100
モデルの半数が68.5 / 100以下最終更新 2026-11-11
「作業ツール」はAIが課題を解くときに使った実行環境（エージェントプログラム）です。同じモデルでも作業ツールと推論の強さによってスコアが大きく変わることがあります。
スコアの出どころ
- 試験の運営チームによる測定：試験を運営するチームが自ら実行して公開したスコアです。