LiveBench 2.0 Research
高いほど良い
- 何を測定しますか？
- 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。
- 誰がどのように評価しますか？
- 店主やコンプライアンス担当者など具体的な人の状況から出た質問に、ファイルも受け取って判断や答えを出します（2026年10月25日リリースで22件）。課題ごとに決めた採点基準表で報告書を採点します。
- 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。
最高スコア94.5 / 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
順位モデル実行条件リリース日価格/1Mスコア
- 1xhigh2026.11.09$3294.5 / 100
- 2max2026.09.04$4090.6 / 100
- 3max2026.09.29$890.0 / 100
- 4xhigh2026.09.21$589.5 / 100
- 5max2026.09.22$1688.9 / 100
- 6xhigh2026.08.12$588.8 / 100
- 7max2026.09.01$4088.5 / 100
- 8max2026.09.28$888.0 / 100
- 9high2026.09.30$886.8 / 100
- 10high2026.09.21$0.7684.8 / 100
「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。