評価ソース公式サイト
LiveBench · 推論
LiveBench / 推論 · 最新世代の Reasoning カテゴリの成績。
AIサイシン での扱いランキング採用
配分4.2%
元データの日時10/24 01:53
最終同期10/24 02:22
何を、どう測るか
最新世代の公式 Reasoning カテゴリ成績をそのまま使う。2026 年 10 月の新世代リリースで Mathematics カテゴリはなくなった。
当サイトでの使い方
カテゴリ成績を 1 つの証拠としてランキングに加え、各専門項目は LiveBench の証拠ファミリーを共有する。Global Average は参考のみで、二重計上しない。
評価成績
一定のルールに従い、公開モデルごとに代表的な構成を一つ採用する。匿名のテスト版モデルは表示せず、元の順位をそのまま残す。各項目最大 30 件。
| 元の順位 | モデル名 | 元スコア | 代表構成 |
|---|---|---|---|
| 1 | gemini-4-argonGoogle | 95.1% | ソース既定の構成 |
| 2 | gpt-6-astraOpenAI | 92.7% | ソース既定の構成 |
| 3 | gpt-6.1-solOpenAI | 92.6% | ソース既定の構成 |
| 4 | claude-opus-5.5Anthropic | 92.2% | ソース既定の構成 |
| 5 | claude-fable-5.1Anthropic | 91.7% | ソース既定の構成 |
| 5 | gpt-5.6-solOpenAI | 91.7% | ソース既定の構成 |
| 7 | claude-sonnet-5.5Anthropic | 91.6% | ソース既定の構成 |
| 8 | claude-opus-5Anthropic | 91.2% | ソース既定の構成 |
| 8 | grok-4.6xAI | 91.2% | ソース既定の構成 |
| 10 | kimi-k3Moonshot AI | 90.7% | ソース既定の構成 |
| 11 | muse-wonder-1.0— | 90.6% | ソース既定の構成 |
| 11 | gpt-5.6-terraOpenAI | 90.6% | ソース既定の構成 |
| 13 | muse-spark-1.2Meta | 90.0% | ソース既定の構成 |
| 14 | gpt-5.5OpenAI | 89.7% | ソース既定の構成 |
| 14 | claude-fable-5Anthropic | 89.7% | ソース既定の構成 |
| 14 | muse-spark-1.3Meta | 89.7% | ソース既定の構成 |
| 17 | gemini-3.8-flashGoogle | 89.3% | ソース既定の構成 |
| 18 | claude-opus-4.8Anthropic | 89.2% | ソース既定の構成 |
| 19 | deepseek-v4.1-flash-1017DeepSeek | 89.1% | ソース既定の構成 |
| 20 | claude-sonnet-5Anthropic | 88.7% | ソース既定の構成 |
| 20 | gpt-6-solOpenAI | 88.7% | ソース既定の構成 |
| 22 | qwen3.8-maxAlibaba | 88.2% | ソース既定の構成 |
| 23 | gemini-3.7-flashGoogle | 87.8% | ソース既定の構成 |
| 24 | qwen3.8-flashAlibaba | 87.4% | ソース既定の構成 |
| 25 | grok-4.5xAI | 87.2% | ソース既定の構成 |
| 26 | deepseek-v4.1-flashDeepSeek | 86.7% | ソース既定の構成 |
| 27 | claude-sonnet-4.6Anthropic | 86.4% | ソース既定の構成 |
| 28 | glm-5.3Z.ai | 85.8% | ソース既定の構成 |
| 29 | gpt-5.6-lunaOpenAI | 85.6% | ソース既定の構成 |
| 30 | deepseek-v4-flash-visionDeepSeek | 85.4% | ソース既定の構成 |
評価の限界とデータの出典
数学の専用カテゴリがなくなったため、数学力は Epoch の評価で補う。公式ページでカテゴリやファインチューニング済みモデルの有無を切り替えると、スコアと順位も変わる。運営に関わる Abacus.AI は Smaug モデルも開発しており、その独自成績には他の独立ソースによる裏付けが必要である。
データライセンス：Apache 2.0
カテゴリ成績は LiveBench が公表したもので、当サイトはそのまま順位付けに使う。元のスコアと当サイトのコンセンサス指数は尺度が異なり、そのまま足し合わせることはできない。