すべてのモデルを見る

AIモデルを比較

毎日確認

同じLiveBenchスイート内の結果を比較できます。最初の列は各カテゴリーを等しい重みで平均した値で、カテゴリーごとの結果も表示します。これはベンチマークスコアであり、万能な評価ではありません。

テストで並べ替え

LiveBench · テストスイートのバージョン 2026/10/14最終確認 2026/10/2249 テスト済みの設定列見出しをクリックすると並べ替えます。

LiveBench · 総合 · /100
#
1	88.0	80.8	91.7	97.7	100.0	80.3	82.0	83.4
2	86.5	85.0	92.2	96.3	80.0	80.3	85.0	86.9
3	86.1	82.4	92.7	93.7	84.0	83.0	85.2	82.0
4	85.4	73.0	92.6	96.0	88.0	82.7	83.5	82.1
5	84.1	69.9	95.1	89.7	92.0	85.2	83.1	73.7
6	83.6	53.2	89.7	98.3	92.0	80.5	86.9	84.7
7	82.5	78.8	91.6	94.7	84.0	59.5	83.6	85.0
8	82.1	62.1	91.2	90.8	84.0	74.6	88.9	83.0
9	81.9	66.9	88.7	93.1	92.0	81.2	69.3	82.2
10	79.2	50.9	89.1	96.0	76.0	79.5	79.5	83.4
11	78.1	53.2	90.6	86.2	72.0	81.6	88.0	75.1
12	78.0	40.1	86.7	90.2	84.0	79.3	86.8	79.2
13	76.8	48.3	89.2	77.3	96.0	66.0	81.8	78.8
14	76.3	48.5	91.7	89.7	88.0	79.8	54.5	81.6
15	75.6	57.6	82.4	91.4	80.0	53.1	81.9	83.1
16	75.0	48.4	90.6	86.2	84.0	79.3	60.4	76.0
17	74.9	40.7	91.2	89.1	64.0	75.3	84.5	79.8
18	74.9	47.5	79.6	81.5	88.0	72.3	76.7	78.5
19	74.8	40.4	89.7	90.2	80.0	79.6	68.6	74.8
20	74.1	50.1	82.7	84.5	60.0	76.9	86.4	78.0

横にスクロールすると、すべてのテスト列を確認できます。

各列が測るもの

長時間のエージェント作業:: 多数のステップにわたるコードとアプリの長時間作業
推論:: 論理パズルと問題解決
コーディング:: コードの記述と補完
ブラウザ操作:: 実際のウェブアプリでの複数ステップの作業
データ分析:: 表とデータに関する質問
リサーチ:: 自由形式のリサーチレポート
デザイン:: 文書やスライドのレイアウトとデザイン

テストと評価方法

テストソースはLiveBenchのみです。各列はこのソースの一部であり、独立したベンチマークではありません。スコアは元の0～100の尺度です。順位付けに使う列を選択してください。ダッシュはデータがないことを示します。

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。

スイートの日付はテストのバージョンを示します。LiveBenchは同じバージョン内でモデルを追加し、結果を更新し続けています。確認日は、ライブデータを取得した日を示します。

LiveBench · 出典 ↗その他のテストと過去の結果 →