評価ソース公式サイト
LiveBench · 言語と指示
LiveBench · Language + IF の 2 項目平均。各 50%。
AIサイシン での扱いランキング採用
配分3%
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
まず Language と IF のカテゴリ成績を個別に算出し、各 50% で平均したうえで小数第 1 位まで残す。2 項目平均は、公式サイトで一方のカテゴリだけを選んだときの成績とは異なる。Language は言語理解、IF は指示と書式の制約を測るもので、小説の文章力はこれで評価しない。2026 年 10 月の新世代リリースでこの 2 カテゴリはなくなったため、旧世代の最終リリース（2026-06-25）の成績を使い続ける。
当サイトでの使い方
総合ランキングの文章・表現予算のうち 3% を保持する。文芸創作の文章カテゴリには入れない。
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-3.8-flash-highGoogle | 84.6% | High 推論 |
| 2 | claude-fable-5-max-effortAnthropic | 83.2% | Max 推論 |
| 3 | gemini-3.7-flash-highGoogle | 82.7% | High 推論 |
| 4 | gpt-6-astra-maxOpenAI | 82.5% | Max 推論 |
| 5 | gemini-3.1-pro-preview-highGoogle | 82.2% | High 推論 |
| 6 | gpt-6.1-sol-maxOpenAI | 82.1% | Max 推論 |
| 7 | claude-fable-5-1-max-effortAnthropic | 81.2% | Max 推論 |
| 8 | muse-spark-1.3-xhighMeta | 80.4% | xHigh 推論 |
| 9 | gemini-3.5-flash-highGoogle | 80.1% | High 推論 |
| 11 | gpt-5.6-sol-maxOpenAI | 79.8% | Max 推論 |
| 12 | gemini-3.6-flash-highGoogle | 79.6% | High 推論 |
| 13 | gpt-5.5-xhighOpenAI | 79.0% | xHigh 推論 |
| 14 | kimi-k3Moonshot AI | 78.4% | ソース既定の構成 |
| 15 | muse-wonder-1.0-max— | 78.0% | Max 推論 |
| 16 | grok-4.6xAI | 77.8% | ソース既定の構成 |
| 17 | grok-4.7-xhighxAI | 77.7% | xHigh 推論 |
| 18 | smaug-agenticAbacus.AI | 77.7% | ソース既定の構成 |
| 19 | grok-4.5xAI | 77.2% | ソース既定の構成 |
| 21 | gpt-6-sol-maxOpenAI | 76.9% | Max 推論 |
| 22 | qwen3.7-maxAlibaba | 76.9% | ソース既定の構成 |
| 23 | qwen3.8-maxAlibaba | 76.9% | ソース既定の構成 |
| 24 | muse-spark-1.2-xhighMeta | 76.4% | xHigh 推論 |
| 25 | gpt-5.4-xhighOpenAI | 76.4% | xHigh 推論 |
| 27 | claude-opus-5-max-effortAnthropic | 76.2% | Max 推論 |
| 28 | claude-opus-5-5-max-effortAnthropic | 76.0% | Max 推論 |
| 29 | qwen3.8-flash-nextAlibaba | 75.9% | ソース既定の構成 |
| 30 | claude-opus-4-8-max-effortAnthropic | 75.8% | Max 推論 |
| 31 | deepseek-v4-flash-vision-expDeepSeek | 75.7% | ソース既定の構成 |
| 32 | deepseek-v4.1-flash-maxDeepSeek | 75.6% | ソース既定の構成 |
| 33 | smaug-miniAbacus.AI | 75.5% | ソース既定の構成 |
評価の限界とデータの出典
旧世代の最終リリースで固定されているため、それ以降に公開されたモデルの成績は含まれない。2 項目平均は組み合わせた成績を測るもので、Language 単独の成績とはみなせない。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
項目別成績は LiveBench が公表し、当サイトが上記 2 カテゴリを等しい重みで集計して順位付けする。2 項目平均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。