Surface Evolver Bench

何を測定しますか?
表面張力で形が決まる液体の表面を計算するプログラムSurface Evolverを、AIエージェントが正しく使えるかを見ます。
誰がどのように評価しますか?
エージェントがドキュメントを調べながら、条件(形状・接触角・重力・体積)に合う入力ファイルを完成させます。課題ごとの部分点の平均で採点します。
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。
最高スコア95.0%
測定したモデル25件
測定基準高いほど良い
モデルのリリース時期

科学シミュレーションのソフトを、条件どおりに扱える?

Surface Evolver Bench

  1. 🥇AnthropicClaude Fable 5推論強度: High95.0%
  2. 🥇Moonshot AIKimi K395.0%
  3. 🥉OpenAIGPT-5.6 Sol推論強度: Extra High93.1%
  4. #4OpenAIGPT-5.5推論強度: High88.1%
  5. #5AnthropicClaude Opus 4.8推論強度: High87.5%
  6. #6OpenAIGPT-5.6 Terra推論強度: Extra High83.8%
  7. #7GoogleGemini 3.8 Flash推論強度: High76.9%
  8. #8SpaceXSIGrok 4.5推論強度: High74.4%
  9. #9OpenAIGPT-5.6 Luna推論強度: Medium61.9%
  10. #10AnthropicClaude Sonnet 5推論強度: Medium60.0%
  11. #11GoogleGemini 3.5 Flash推論強度: Medium58.1%
  12. #12Z.aiGLM 5.2推論強度: High55.6%
  13. #13MiniMaxMiniMax M355.0%
  14. #14MetaMuse Spark 1.1推論強度: High52.5%
  15. #14Z.aiGLM 5.3 Flash推論強度: Max52.5%
  16. #16Moonshot AIKimi K2.7 Code48.8%
  17. #17DeepSeekDeepSeek V4.1 Flash推論強度: High46.3%
  18. #18AlibabaQwen3.6 35B A3B44.4%
  19. #19DeepSeekDeepSeek V4 Pro推論強度: High40.0%
  20. #20GoogleGemma 4 31B30.6%
  21. #21Mistral AIMistral Large 428.1%
  22. #22Mistral AIMistral Medium 3.526.9%
  23. #23OpenAIGPT OSS 120B25.0%
  24. #24PoolsideLaguna M.115.6%
  25. #24Arcee AITrinity Large Thinking15.6%
モデルの半数が55.0%以下

「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。