MMMLU

引用頻度 2/3
何を測定しますか?
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。
誰がどのように評価しますか?
MMLU(57科目の多肢選択の知識試験)の問題を、専門の翻訳者が14言語に訳しました。
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。

このランキングは、モデルの開発元が自ら発表したスコアだけで作っています。ツール使用の有無や推論強度などの測定条件が開発元ごとに異なるため、モデル同士を直接比べるときは各スコアの条件もあわせて確認してください。

最高スコア92.6%
測定したモデル18件
測定基準高いほど良い
最終更新2026.08.05
モデルのリリース時期
  1. 1
    Google2026.02.19 · Thinking (High)
    92.6%
  2. 2
    Google2025.12.17 · Thinking
    91.8%
  3. 3
    Anthropic2026.04.16 · max (adaptive thinking)
    91.5%
  4. 4
    Anthropic2026.02.04 · max (adaptive thinking)
    91.1%
  5. 5
    Anthropic2025.11.24 · 64k thinking budget, default effort (high)
    90.8%
  6. 690.3%
  7. 789.5%
  8. 7
    Google2025.06.17 · Thinking
    89.5%
  9. 9
    Anthropic2026.02.17 · max (adaptive thinking)
    89.3%
  10. 10
    Anthropic2025.09.29 · extended thinking (up to 128K)
    89.1%

「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。

  • Self-reported by each model maker — see the source link on each scoreモデル開発元が自ら発表した数値を、発表記事やシステムカードなどの原文で確認して転記した値です。測定条件は開発元ごとに異なり、点数ごとに原文へのリンクがあります。