VPCT

何を測定しますか?
ボールがスロープを伝ってどのバケツに落ちるかを当てる、直感的な物理の力を見ます。
誰がどのように評価しますか?
ボール1個、複数のスロープ、3つのバケツが描かれた絵の問題が100問です。でたらめに選ぶと3分の1が当たり、人間の参加者は全員満点でした。
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。
最高スコア72.6%
測定したモデル10件
測定基準高いほど良い画像入力モデルのみ
モデルのリリース時期

絵だけを見て、物がどう動くかを予測できる?

VPCT

  1. 🥇GoogleGemini 3 Flash72.6%
  2. 🥈OpenAIGPT-5推論強度: High66.0%
  3. 🥉OpenAIGPT-5 Mini推論強度: Medium40.2%
  4. #4AnthropicClaude Opus 4.5推論強度: Budget 32K40.0%
  5. #5AnthropicClaude Sonnet 4.5推論強度: Budget 32K39.8%
  6. #6AnthropicClaude Opus 4推論強度: Budget 16K38.0%
  7. #7OpenAIGPT-5 Nano推論強度: High37.2%
  8. #8AnthropicClaude Opus 4.135.0%
  9. #9AnthropicClaude Sonnet 4推論強度: Budget 32K34.0%
  10. #10GoogleGemini 2.5 Flash Lite30.0%
モデルの半数が38.9%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。