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
さまざまな分野の専門家でも難しい問題を解ける?Humanity's Last Exam
Claude Opus 5.5🥇
Claude Opus 5.5🥇Humanity's Last Exam
Claude Opus 5.5🥇研究レベルの物理の問題を解ける?CritPt
Gemini 4 Carbon🥇
Gemini 4 Carbon🥇CritPt
Gemini 4 Carbon🥇多くの人に最も好まれる数学の回答をするAIは?Arena Math
Gemini 4 Argon🥇
Gemini 4 Argon🥇Arena Math
Gemini 4 Argon🥇
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
- 🥇AnthropicClaude Fable 5推論強度: High95.0%
- 🥇Moonshot AIKimi K395.0%
- 🥉OpenAIGPT-5.6 Sol推論強度: Extra High93.1%
- #4OpenAIGPT-5.5推論強度: High88.1%
- #5AnthropicClaude Opus 4.8推論強度: High87.5%
- #6OpenAIGPT-5.6 Terra推論強度: Extra High83.8%
- #7GoogleGemini 3.8 Flash推論強度: High76.9%
- #8SpaceXSIGrok 4.5推論強度: High74.4%
- #9OpenAIGPT-5.6 Luna推論強度: Medium61.9%
- #10AnthropicClaude Sonnet 5推論強度: Medium60.0%
- #11GoogleGemini 3.5 Flash推論強度: Medium58.1%
- #12Z.aiGLM 5.2推論強度: High55.6%
- #13MiniMaxMiniMax M355.0%
- #14MetaMuse Spark 1.1推論強度: High52.5%
- #14Z.aiGLM 5.3 Flash推論強度: Max52.5%
- #16Moonshot AIKimi K2.7 Code48.8%
- #17DeepSeekDeepSeek V4.1 Flash推論強度: High46.3%
- #18AlibabaQwen3.6 35B A3B44.4%
- #19DeepSeekDeepSeek V4 Pro推論強度: High40.0%
- #20GoogleGemma 4 31B30.6%
- #21Mistral AIMistral Large 428.1%
- #22Mistral AIMistral Medium 3.526.9%
- #23OpenAIGPT OSS 120B25.0%
- #24PoolsideLaguna M.115.6%
- #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。