Oossa
← モデル比較に戻る

モデルのテスト結果

AIモデルを比較

毎日確認

各モデルの結果や得意分野を比較し、よく知られた名前以外のモデルも見つけましょう。

LiveBenchは、正解を検証できるタスクでモデルを評価します。0〜100の尺度で、スコアが高いほど優れています。

最終確認: テストスイートのバージョン: 2026-10-1449 モデル
1Claude Fable 5.1Anthropic87.986/100結果と出典

claude-fable-5.1

長時間のエージェント作業
80.800 / 100
推論
91.700 / 100
コーディング
97.700 / 100
ブラウザ操作
100.000 / 100
データ分析
80.300 / 100
リサーチ
82.000 / 100
デザイン
83.400 / 100

個別タスク

long_agentic
80.800
reasoning
91.700
coding
97.700
browser
100.000
data_analysis
80.300
research
82.000
design
83.400
出典: LiveBench ↗
2Claude Opus 5.5Anthropic86.529/100結果と出典

claude-opus-5.5

長時間のエージェント作業
85.000 / 100
推論
92.200 / 100
コーディング
96.300 / 100
ブラウザ操作
80.000 / 100
データ分析
80.300 / 100
リサーチ
85.000 / 100
デザイン
86.900 / 100

個別タスク

long_agentic
85.000
reasoning
92.200
coding
96.300
browser
80.000
data_analysis
80.300
research
85.000
design
86.900
出典: LiveBench ↗
3GPT-6 AstraOpenAI86.143/100結果と出典

gpt-6-astra

長時間のエージェント作業
82.400 / 100
推論
92.700 / 100
コーディング
93.700 / 100
ブラウザ操作
84.000 / 100
データ分析
83.000 / 100
リサーチ
85.200 / 100
デザイン
82.000 / 100

個別タスク

long_agentic
82.400
reasoning
92.700
coding
93.700
browser
84.000
data_analysis
83.000
research
85.200
design
82.000
出典: LiveBench ↗
4GPT-6.1 SolOpenAI85.414/100結果と出典

gpt-6.1-sol

長時間のエージェント作業
73.000 / 100
推論
92.600 / 100
コーディング
96.000 / 100
ブラウザ操作
88.000 / 100
データ分析
82.700 / 100
リサーチ
83.500 / 100
デザイン
82.100 / 100

個別タスク

long_agentic
73.000
reasoning
92.600
coding
96.000
browser
88.000
data_analysis
82.700
research
83.500
design
82.100
出典: LiveBench ↗
5Gemini 4 ArgonGoogle84.100/100結果と出典

gemini-4-argon

長時間のエージェント作業
69.900 / 100
推論
95.100 / 100
コーディング
89.700 / 100
ブラウザ操作
92.000 / 100
データ分析
85.200 / 100
リサーチ
83.100 / 100
デザイン
73.700 / 100

個別タスク

long_agentic
69.900
reasoning
95.100
coding
89.700
browser
92.000
data_analysis
85.200
research
83.100
design
73.700
出典: LiveBench ↗
6Claude Fable 5Anthropic83.614/100結果と出典

claude-fable-5

長時間のエージェント作業
53.200 / 100
推論
89.700 / 100
コーディング
98.300 / 100
ブラウザ操作
92.000 / 100
データ分析
80.500 / 100
リサーチ
86.900 / 100
デザイン
84.700 / 100

個別タスク

long_agentic
53.200
reasoning
89.700
coding
98.300
browser
92.000
data_analysis
80.500
research
86.900
design
84.700
出典: LiveBench ↗
7Claude Sonnet 5.5Anthropic82.457/100結果と出典

claude-sonnet-5.5

長時間のエージェント作業
78.800 / 100
推論
91.600 / 100
コーディング
94.700 / 100
ブラウザ操作
84.000 / 100
データ分析
59.500 / 100
リサーチ
83.600 / 100
デザイン
85.000 / 100

個別タスク

long_agentic
78.800
reasoning
91.600
coding
94.700
browser
84.000
data_analysis
59.500
research
83.600
design
85.000
出典: LiveBench ↗
8Claude Opus 5Anthropic82.086/100結果と出典

claude-opus-5

長時間のエージェント作業
62.100 / 100
推論
91.200 / 100
コーディング
90.800 / 100
ブラウザ操作
84.000 / 100
データ分析
74.600 / 100
リサーチ
88.900 / 100
デザイン
83.000 / 100

個別タスク

long_agentic
62.100
reasoning
91.200
coding
90.800
browser
84.000
data_analysis
74.600
research
88.900
design
83.000
出典: LiveBench ↗
9GPT-6 SolOpenAI81.914/100結果と出典

gpt-6-sol

長時間のエージェント作業
66.900 / 100
推論
88.700 / 100
コーディング
93.100 / 100
ブラウザ操作
92.000 / 100
データ分析
81.200 / 100
リサーチ
69.300 / 100
デザイン
82.200 / 100

個別タスク

long_agentic
66.900
reasoning
88.700
coding
93.100
browser
92.000
data_analysis
81.200
research
69.300
design
82.200
出典: LiveBench ↗
10DeepSeek V4.1 Flash 1017DeepSeek79.200/100結果と出典

deepseek-v4.1-flash-1017

長時間のエージェント作業
50.900 / 100
推論
89.100 / 100
コーディング
96.000 / 100
ブラウザ操作
76.000 / 100
データ分析
79.500 / 100
リサーチ
79.500 / 100
デザイン
83.400 / 100

個別タスク

long_agentic
50.900
reasoning
89.100
coding
96.000
browser
76.000
data_analysis
79.500
research
79.500
design
83.400
出典: LiveBench ↗
11Muse Wonder 1.0Meta78.100/100結果と出典

muse-wonder-1.0

長時間のエージェント作業
53.200 / 100
推論
90.600 / 100
コーディング
86.200 / 100
ブラウザ操作
72.000 / 100
データ分析
81.600 / 100
リサーチ
88.000 / 100
デザイン
75.100 / 100

個別タスク

long_agentic
53.200
reasoning
90.600
coding
86.200
browser
72.000
data_analysis
81.600
research
88.000
design
75.100
出典: LiveBench ↗
12DeepSeek V4.1 FlashDeepSeek78.043/100結果と出典

deepseek-v4.1-flash

長時間のエージェント作業
40.100 / 100
推論
86.700 / 100
コーディング
90.200 / 100
ブラウザ操作
84.000 / 100
データ分析
79.300 / 100
リサーチ
86.800 / 100
デザイン
79.200 / 100

個別タスク

long_agentic
40.100
reasoning
86.700
coding
90.200
browser
84.000
data_analysis
79.300
research
86.800
design
79.200
出典: LiveBench ↗
13Claude Opus 4.8Anthropic76.771/100結果と出典

claude-opus-4.8

長時間のエージェント作業
48.300 / 100
推論
89.200 / 100
コーディング
77.300 / 100
ブラウザ操作
96.000 / 100
データ分析
66.000 / 100
リサーチ
81.800 / 100
デザイン
78.800 / 100

個別タスク

long_agentic
48.300
reasoning
89.200
coding
77.300
browser
96.000
data_analysis
66.000
research
81.800
design
78.800
出典: LiveBench ↗
14GPT-5.6 SolOpenAI76.257/100結果と出典

gpt-5.6-sol

長時間のエージェント作業
48.500 / 100
推論
91.700 / 100
コーディング
89.700 / 100
ブラウザ操作
88.000 / 100
データ分析
79.800 / 100
リサーチ
54.500 / 100
デザイン
81.600 / 100

個別タスク

long_agentic
48.500
reasoning
91.700
coding
89.700
browser
88.000
data_analysis
79.800
research
54.500
design
81.600
出典: LiveBench ↗
15Claude Haiku 5.5Anthropic75.643/100結果と出典

claude-haiku-5.5

長時間のエージェント作業
57.600 / 100
推論
82.400 / 100
コーディング
91.400 / 100
ブラウザ操作
80.000 / 100
データ分析
53.100 / 100
リサーチ
81.900 / 100
デザイン
83.100 / 100

個別タスク

long_agentic
57.600
reasoning
82.400
coding
91.400
browser
80.000
data_analysis
53.100
research
81.900
design
83.100
出典: LiveBench ↗
16GPT-5.6 TerraOpenAI74.986/100結果と出典

gpt-5.6-terra

長時間のエージェント作業
48.400 / 100
推論
90.600 / 100
コーディング
86.200 / 100
ブラウザ操作
84.000 / 100
データ分析
79.300 / 100
リサーチ
60.400 / 100
デザイン
76.000 / 100

個別タスク

long_agentic
48.400
reasoning
90.600
coding
86.200
browser
84.000
data_analysis
79.300
research
60.400
design
76.000
出典: LiveBench ↗
17Grok 4.6 xHighxAI74.943/100結果と出典

grok-4.6

長時間のエージェント作業
40.700 / 100
推論
91.200 / 100
コーディング
89.100 / 100
ブラウザ操作
64.000 / 100
データ分析
75.300 / 100
リサーチ
84.500 / 100
デザイン
79.800 / 100

個別タスク

long_agentic
40.700
reasoning
91.200
coding
89.100
browser
64.000
data_analysis
75.300
research
84.500
design
79.800
出典: LiveBench ↗
18MiMo V2.6 ProXiaomi74.871/100結果と出典

mimo-v2.6-pro

長時間のエージェント作業
47.500 / 100
推論
79.600 / 100
コーディング
81.500 / 100
ブラウザ操作
88.000 / 100
データ分析
72.300 / 100
リサーチ
76.700 / 100
デザイン
78.500 / 100

個別タスク

long_agentic
47.500
reasoning
79.600
coding
81.500
browser
88.000
data_analysis
72.300
research
76.700
design
78.500
出典: LiveBench ↗
19Muse Spark 1.3Meta74.757/100結果と出典

muse-spark-1.3

長時間のエージェント作業
40.400 / 100
推論
89.700 / 100
コーディング
90.200 / 100
ブラウザ操作
80.000 / 100
データ分析
79.600 / 100
リサーチ
68.600 / 100
デザイン
74.800 / 100

個別タスク

long_agentic
40.400
reasoning
89.700
coding
90.200
browser
80.000
data_analysis
79.600
research
68.600
design
74.800
出典: LiveBench ↗
20Grok 4.7xAI74.086/100結果と出典

grok-4.7

長時間のエージェント作業
50.100 / 100
推論
82.700 / 100
コーディング
84.500 / 100
ブラウザ操作
60.000 / 100
データ分析
76.900 / 100
リサーチ
86.400 / 100
デザイン
78.000 / 100

個別タスク

long_agentic
50.100
reasoning
82.700
coding
84.500
browser
60.000
data_analysis
76.900
research
86.400
design
78.000
出典: LiveBench ↗

丸め前の結果で順位付けしています。スコアが近くても、意味のある差があるとは限りません。

モデルの設定はそれぞれ個別に扱います。カテゴリー平均の算出には、そのカテゴリーの全タスクの結果が必要です。全体平均の算出には、すべてのカテゴリーの結果が必要です。カテゴリー内では各タスクを等しく重み付けし、全体では各カテゴリーを等しく重み付けします。結果がない場合も0点とはみなしません。順位は選択した列の丸め前の値に基づき、同点は同順位です。検索結果にはテスト全体での順位が保持されます。古いスコアは順位付けに使えません。表示された小数の差は、統計的に有意な差を示すものではありません。この表示が対象とするのは1つのテストスイートであり、現在のすべてのモデルやあらゆる能力ではありません。

比較方法

ここに表示する総合スコアは、同じベンチマークのリリースにおけるLiveBenchの全カテゴリを均等に重み付けして平均したものです。総合スコアの算出には、すべてのタスクの結果が必要です。Arenaの評価は好みを測るものなので、別に表示しています。バージョンや推論設定が異なる場合があるため、データソース間で名前が似たモデルを同一視していません。これらのテストですべてのモデルや実際のタスクを網羅できるわけではありません。

出典データ：LiveBench、Arena / LMArena（CC BY 4.0）。Oossaがタスク平均を算出し、結果をわかりやすい形式で表示しています。 Arena ↗ · 出典 ↗ · CC BY 4.0 ↗