MMMU-Pro

引用頻度 3/3
何を測定しますか?
大学レベルの30科目で図・表・グラフを含む問題を解くMMMUを難しくした版で、画像を読んで推論する力を見ます。
誰がどのように評価しますか?
文章だけで解ける問題を除き、選択肢を10個に増やし、問題全体を1枚の画像で渡す方式も加えました。
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。公式ランキングは大半が開発元の発表を集めたもので、データの利用条件が確認できないため、ここには開発元の発表原文からツールなしで測った値だけを載せています。

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83.6%
測定したモデル37件
測定基準高いほど良い画像入力モデルのみ
最終更新2026.09.20
モデルのリリース時期

大学レベルの図や表の問題を解ける?

MMMU-Pro

  1. 🥇GoogleGemini 3.5 Flash83.6%
  2. 🥈OpenAIGPT-5.6 Sol83.0%
  3. 🥉Moonshot AIKimi K3推論強度: Max81.6%
  4. #4GoogleGemini 3 Flash推論強度: Thinking81.2%
  5. #4OpenAIGPT-5.5推論強度: Extra High81.2%
  6. #4OpenAIGPT-5.4推論強度: Extra High81.2%
  7. #7OpenAIGPT-5.6 Terra80.7%
  8. #8GoogleGemini 3.1 Pro推論強度: High80.5%
  9. #9MetaMuse Spark推論強度: Thinking80.4%
  10. #10Moonshot AIKimi K2.6推論強度: Thinking79.4%
  11. #11AlibabaQwen3.7 Plus79.0%
  12. #11AlibabaQwen3.5 397B A17B推論強度: Thinking79.0%
  13. #13AlibabaQwen3.6 Plus78.8%
  14. #14Moonshot AIKimi K2.5推論強度: Thinking78.5%
  15. #15OpenAIGPT-5.6 Luna78.4%
  16. #16ByteDanceDola Seed 2.0 Pro78.2%
  17. #17MiniMaxMiniMax M378.1%
  18. #18XiaomiMiMo V2.577.9%
  19. #19GoogleGemma 4 31B76.9%
  20. #20GoogleGemini 3.1 Flash Lite推論強度: High76.8%
  21. #21OpenAIGPT-5.4 Mini推論強度: Extra High76.6%
  22. #22StepfunStep-5推論強度: High76.0%
  23. #22ByteDanceDola Seed 2.0 Lite76.0%
  24. #24AlibabaQwen3.6 Flash75.3%
  25. #24AlibabaQwen3.6 35B A3B75.3%
  26. #26AnthropicClaude Sonnet 4.6推論強度: Max74.5%
  27. #27AnthropicClaude Opus 4.6推論強度: Max73.9%
  28. #28ByteDanceDola Seed 2.0 mini71.4%
  29. #29AnthropicClaude Opus 4.5推論強度: Max70.6%
  30. #30BaiduERNIE 5.0 Thinking68.6%
  31. #31GoogleGemini 2.5 Pro推論強度: Thinking68.0%
  32. #32OpenAIGPT-5 Mini推論強度: High67.5%
  33. #32AnthropicClaude Sonnet 4.5推論強度: Max67.5%
  34. #34GoogleGemini 2.5 Flash推論強度: Thinking66.7%
  35. #35OpenAIGPT-5.4 Nano推論強度: Extra High66.1%
  36. #36AmazonNova 2 Lite61.8%
  37. #37GoogleGemini 2.5 Flash Lite推論強度: Thinking51.0%
モデルの半数が76.9%以下測定: 開発元の発表

「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。
  • MMMU-Pro