AIエージェントベンチマークのリーダーボード(2026年11月)
2026年11月16日時点で、BenchLeaderは25の公開元による69件のAIエージェントのベンチマークを追跡しており、そのうち17件がBenchLeader Indexに使われています。エージェント・ツールのベンチマーク全体では、Claude Fable 5.2(Anthropic)がエージェントスコア82.9で首位、続いてGPT-6 Sol (Daybreak Blue, max)(72.3)、Claude Opus 4.5(70.5)です。最も重みの大きい現役のベンチマークでは、τ³-BankingのトップがQwen3.8 Max (max)(51.3%)です。69件のうち、現役が60件、飽和に近いものが6件、飽和が2件、更新停止が1件です(更新停止:1年間新しい結果がないもの)。
最終更新 · 6時間ごとに更新 · 第三者の公開元のみ、発表記事の数値は不使用
- ベンチマーク
- 69
- 現役
- 60
- 飽和・飽和に近い
- 8
- 公開元
- 25
ほかのカテゴリ:AIコーディングのベンチマーク · 推論・数学のベンチマーク · マルチモーダルAIのベンチマーク · すべてのLLMベンチマーク
エージェント・ツールのベンチマークで首位のモデル
BenchLeader Indexのエージェント・ツールカテゴリで順位付けしています。以下のうちIndexに使われている各ベンチマークを標準化(50が平均的なモデル)して平均したものです。各モデル1行で、最も成績の良い推論エフォートの結果を示します。ランク入りには、これらのベンチマークのうち少なくとも3件の結果が必要です。
| # | モデル | プロバイダー | エージェントスコア | Index | ブレンド $/M |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 | Anthropic | 82.9 | 65.4 | $16.00 |
| 2 | GPT-6 Sol (Daybreak Blue, max) (max) | OpenAI | 72.3 | – | $4.00 |
| 3 | Claude Opus 4.5 | Anthropic | 70.5 | 57.1 | $10.00 |
| 4 | Claude Sonnet 5.5 (max) | Anthropic | 70.5 | 64.2 | $4.00 |
| 5 | GPT-5.5 (high) | OpenAI | 70.1 | 63.5 | $11.25 |
| 6 | GPT-5.6 Sol (xhigh) | OpenAI | 69.6 | 63.9 | $8.00 |
| 7 | Gemini 4 Argon | 68.8 | 64.4 | $4.00 | |
| 8 | Claude Opus 5 (high) | Anthropic | 66.6 | 64.4 | $10.00 |
| 9 | Claude Opus 4.6 | Anthropic | 66.4 | 62.1 | $10.00 |
| 10 | Claude Fable 5 (max) | Anthropic | 66.1 | 65.1 | $20.00 |
エージェント・ツール利用の全ベンチマーク:測定内容と現在のトップ(69件)
エージェントベンチマークは、モデルを環境の中に置いて結果を採点します。シェル(Terminal-Bench)、ツールを使いながら非協力的なユーザーに対応するカスタマーサポートの会話(τ²-bench)、関数呼び出し(BFCL)、Model Context Protocol(MCP Atlas)、実際のデスクトップ(OSWorld)などです。
用途:ツール呼び出しを使うプロダクト、自動化、長い複数ステップのタスク。
注意点: ハーネスの影響は大きく、同じモデルでも足場、プロンプト、ツールの組み合わせが違うだけで10〜20ポイント変わることがあります。異なるハーネスのスコアは比較できません。
| ベンチマーク | 測定内容 | 現在のトップ | 状態 | モデル | 最新の結果 |
|---|---|---|---|---|---|
| τ³-Banking (AA) | Artificial Analysisによるτ²-Benchの銀行分野。ツールを使うサポート担当が、模擬顧客に対応します。 | Qwen3.8 Max (max) 51.3% | 現役ハーネスに依存 | 208 | 2026年11月5日 |
| Terminal-Bench | コマンドラインでのエージェントタスク。モデルごとにハーネスを問わず最高の結果を採用。 | GPT-5.5 84.7% | 現役ハーネスに依存 | 109 | 2026年11月12日 |
| BFCL Overall | Berkeley Function Calling Leaderboardの総合正答率。 | Claude Opus 4.5 77.5% | 現役ハーネスに依存 | 83 | – |
| MCP Atlas | Model Context Protocolを通じた実践的なツール利用。Scale AI。 | Gemini 4 Argon 90.7% | 飽和に近いハーネスに依存 | 37 | 2026年11月6日 |
| τ²-bench | 航空、小売、通信の各分野でのpass^1の平均。 | Qwen3.5 397B A17B (thinking) 87.9% | 現役ハーネスに依存 | 8 | 2026年3月2日 |
| Terminal-Bench Hard | 固定のハーネスで実行するTerminal-Benchの難問サブセット。Artificial Analysisが実施。 | GPT-5.6 Sol (max) 65.9% | 現役ハーネスに依存 | 411 | 2026年7月9日 |
| Terminal-Bench 2.1 (Vals) | Vals AIの固定ハーネスで実行するTerminal-Bench 2.1。 | Claude Opus 5.5 (high) 87.6% | 飽和に近いハーネスに依存 | 75 | 2026年10月1日 |
| APEX-Agents | 長時間にわたる専門職のエージェントタスク(Mercor)。 | Gemini 4 Carbon 84.2% | 現役ハーネスに依存 | 65 | 2026年11月10日 |
| Arena Agent | 実際のエージェントセッションを利用者自身が評価した、タスクの成果スコア(0〜100)。 | Claude Fable 5.2 (max) 30.4 | 現役評価モデルが採点 | 58 | 2026年11月11日 |
| HiL-Bench | エージェントが情報の欠落に気づき、確認の質問ができるか。Scale AI。 | Claude Fable 5.2 80.0% | 現役ハーネスに依存 | 35 | 2026年11月13日 |
| DeepSec-Bench (AA) | 単発のパッチより踏み込んだセキュリティエンジニアリング。システムを理解し、防御します。Artificial Analysisが実施。 | GPT-6 Sol (Daybreak Blue, max) (max) 48.1% | 現役ハーネスに依存 | 28 | 2026年11月3日 |
| CWE-Bench (AA) | CWEに分類される種類の脆弱性を、実際のリポジトリで見つけて修正するタスク。Artificial Analysisが実施。 | Hy4 75.8% | 現役ハーネスに依存 | 26 | 2026年11月3日 |
| CyberGym end-to-end (AA) | エクスプロイトからパッチまでの一連の流れを1回の実行で行い、通しで採点。Artificial Analysisが実施。 | Kimi K3.1 Pro 94.7% | 飽和に近いハーネスに依存 | 26 | 2026年11月3日 |
| Cybench | ガイドなしのCTF形式サイバーセキュリティ課題。 | Claude Opus 4.6 93.0% | 飽和に近いハーネスに依存 | 21 | 2026年2月5日 |
| Remote Labor Index | 実際のフリーランス案件をはじめから終わりまで仕上げるタスク(Scale AI / CAIS)。 | Claude Fable 5.2 41.3% | 現役ハーネスに依存 | 18 | 2026年11月9日 |
| OSWorld-Verified 2.0 | 実際のデスクトップ環境でのコンピューター操作タスク。 | Claude Opus 5 (max) 31.4% | 現役ハーネスに依存 | 14 | 2026年7月24日 |
| GDPval | 経済的価値の高いタスクで、業界の専門家と比べた勝率(OpenAI)。 | GPT-5.2 (推論なし) 49.7% | 現役評価モデルが採点 | 11 | 2025年12月11日 |
| GDPval-AA v2.1Index対象外 | OpenAIのGDPvalの専門職タスクを、シェルとWebにアクセスできるエージェントループでArtificial Analysisが実行したもの。成果物どうしのブラインド一対一比較からEloで評価します。 | Claude Opus 5.5 (max) 1866 | 現役ハーネスに依存 | 313 | 2026年11月9日 |
| AutomationBenchIndex対象外 | オフィスの自動化タスクをひと通り実行。部分点で採点するため、ワークフローの大部分ができていればスコアに反映されます。 | Gemini 4 Carbon (high) 77.8% | 現役ハーネスに依存 | 261 | 2026年11月12日 |
| GDP.pdf (AA)Index対象外 | 実際のPDFでの文書作業を、全か無かで採点。必要な要素がすべて正しくないと合格にならないため、スコアは低めに見えます。 | Gemini 4 Hydrogen (medium) 32.8% | 現役ハーネスに依存 | 259 | 2026年11月12日 |
| AA-Briefcase v1.1Index対象外 | スプレッドシート、スライド、文書など実際のファイルとして納品する知的作業を一対一で比較採点するため、スコアは割合ではなくEloです。 | Claude Sonnet 5.5 (max) 1816 | 現役ハーネスに依存 | 253 | 2026年11月12日 |
| GDPval-AA v2.1, normalised scoreIndex対象外 | OpenAIのGDPval(専門職タスクの比較)をArtificial Analysisが正規化して実行したもの。最後に公表された割合(2026年10月25日)で固定。現在AAは同じ評価をEloで公表しています。 | Claude Opus 5.5 (max) 68.3% | 現役評価モデルが採点 | 167 | 2026年10月23日 |
| Terminal-Bench-Science 0.1 (AA)Index対象外 | ターミナルでの科学計算タスク。環境を整え、分析を実行し、答えを導き出します。Intelligence Index v5で使用。Artificial Analysisが実施。 | Claude Fable 5.2 (max) 73.3% | 現役ハーネスに依存 | 144 | 2026年11月12日 |
| Legal Research BenchIndex対象外 | エージェント型の米国法リサーチの問題。Vals AIが実施。 | Gemini 4 Carbon (high) 55.8% | 現役ハーネスに依存 | 92 | 2026年11月11日 |
| Tax Agent BenchIndex対象外 | エージェント型の米国法人税リサーチ。Vals AIが実施。 | Gemini 4 Hydrogen (xhigh) 52.3% | 現役ハーネスに依存 | 83 | 2026年11月11日 |
| Design Arena AgenticIndex対象外 | エージェントとして動くモデルがWebアプリ、スライド、ゲーム、3Dシーンを作り、訪問者が2つの結果から選んだ票をBradley-Terryレーティングにしたもの(これらの制作物全体の総合)。対戦数が200未満のモデルは除外しています。 | Claude Opus 5.5 (high) 1454 | 現役評価モデルが採点 | 81 | 2026年11月15日 |
| Finance Agent v2Index対象外 | ツールを使う金融アナリストの中核業務。Vals AIが実施。 | Gemini 4 Argon (high) 65.4% | 現役ハーネスに依存 | 80 | 2026年10月29日 |
| Harvey's Legal Agent Benchmark v1Index対象外 | Harveyの法律エージェントベンチマークの初版。Vals AIが公開を続けています。Vals AIが実施。 | Muse Spark 1.2 (xhigh) 25.4% | 現役ハーネスに依存 | 80 | 2026年10月18日 |
| Vending-Bench 2Index対象外 | 模擬の自動販売機ビジネスを1年間運営するタスク。 | Gemini 4 Carbon 16484.2 | 現役ハーネスに依存 | 72 | 2026年11月10日 |
| LiveBench Agentic CodingIndex対象外 | LiveBench 1.0のエージェント型コーディングカテゴリ。最終リリース(2026年6月25日)の値で固定。LiveBench 2.0では廃止されました。 | DeepSeek V4.1 Flash (max) 77.3% | 現役ハーネスに依存 | 68 | 2026年6月25日 |
| Terminal-Bench 2.0 (Vals)Index対象外 | Vals AIの固定ハーネスで実行するTerminal-Bench 2.0。Vals AIが実施。 | GPT-5.5 (high) 73.2% | 現役ハーネスに依存 | 65 | 2026年6月4日 |
| Terminal-Bench 4.0 (Vals)Index対象外 | 最難関レベルのセットであるTerminal-Bench 4.0を、Vals AIのハーネスで実行。Vals AIが実施。 | Claude Opus 5.5 (max) 65.2% | 現役ハーネスに依存 | 62 | 2026年11月11日 |
| Arena Agent Task CompletionIndex対象外 | 実際のエージェントセッションのうち、利用者がタスクを完了したと答えた割合(0〜100)。 | Claude Fable 5.2 (max) 22 | 現役評価モデルが採点 | 58 | 2026年11月11日 |
| Analyst Agent (AA)Index対象外 | ツールを使う多段階の金融アナリスト業務。Artificial Analysisが実施。 | Gemini 3.7 Flash (high) 60.0% | 現役ハーネスに依存 | 52 | 2026年11月5日 |
| EnterpriseOps-GymIndex対象外 | 架空の企業での業務オペレーション。チケット、承認、各種システムを操作して仕事を完了させます。 | Claude Fable 5 (max) 51.1% | 現役ハーネスに依存 | 51 | 2026年11月5日 |
| CyberBenchIndex対象外 | 実際のコードにあるセキュリティバグを見つけて修正するタスク。Vals AIが実施。 | Muse Wonder (max) 80.4% | 現役ハーネスに依存 | 46 | 2026年11月5日 |
| ITBench SRE (AA)Index対象外 | 実際に動いているIT環境でのサイト信頼性(SRE)のインシデント対応。Artificial Analysisが実施。 | GPT-5.6 Sol (max) 56.2% | 現役ハーネスに依存 | 45 | 2026年9月22日 |
| Terminal-Bench ScienceIndex対象外 | 専門家が作成した、ターミナルで行う科学研究のワークフロー。Vals AIが実施。 | GPT-6 Astra (max) 62.9% | 現役ハーネスに依存 | 45 | 2026年11月9日 |
| Arena SearchIndex対象外 | Web検索を使った回答への一対一の投票。 | GPT-5.6 Sol (xhigh) 1255 | 現役評価モデルが採点 | 42 | 2026年11月9日 |
| BrowseCompIndex対象外 | 答えがオープンなWebの奥深くに埋もれている難問。記憶ではなく、ブラウジングが必要です。OpenAIが公開。 | Gemini 3.1 Pro 31.2% | 現役ハーネスに依存 | 42 | 2026年3月25日 |
| METR Time HorizonsIndex対象外 | 50%タイムホライズンの算出に使われる、METRのタスク群。 | Claude Mythos Preview 85.2% | 現役ハーネスに依存 | 41 | 2026年4月7日 |
| DeepResearch BenchIndex対象外 | 長文のリサーチレポートを、深さと正確さで評価。 | Claude Opus 4.6 (high) 55.3% | 現役評価モデルが採点 | 40 | 2026年5月28日 |
| Finance Agent v2.1Index対象外 | Finance Agent v2.1。Vals AIが新しいモデルの評価に使っている版です。Vals AIが実施。 | Claude Fable 5.2 (high) 69.5% | 現役ハーネスに依存 | 39 | 2026年11月11日 |
| BALROGIndex対象外 | NetHackなど、昔ながらのテキストゲームやグリッドゲームでの進行度。 | GPT-6 Astra (max) 68.3% | 現役ハーネスに依存 | 37 | 2026年9月3日 |
| Harvey's Legal Agent Benchmark v1.1Index対象外 | Harveyと共同で作成した、ファイルを扱うエージェント型の法律業務。Vals AIが実施。 | Gemini 4 Argon (high) 27.1% | 現役ハーネスに依存 | 37 | 2026年11月11日 |
| SREBenchIndex対象外 | サイト信頼性(SRE)のインシデントを診断して直すタスク。Vals AIが実施。 | GPT-6 Astra (max) 56.9% | 現役ハーネスに依存 | 36 | 2026年11月5日 |
| LiveBench BrowserIndex対象外 | LiveBench 2.0のブラウザ操作スイート。 | GPT-6.1 Sol (max) 93.3% | 飽和に近いハーネスに依存 | 34 | 2026年11月6日 |
| LiveBench Long AgenticIndex対象外 | LiveBench 2.0の長期エージェントスイート。 | Claude Fable 5.2 (xhigh) 82.9% | 現役ハーネスに依存 | 34 | 2026年11月6日 |
| SkillsBenchIndex対象外 | 再利用できるスキルが、エージェントのタスク完了にどれだけ役立つか。Vals AIが実施。 | DeepSeek V4.1 Flash (high) 69.8% | 現役ハーネスに依存 | 34 | 2026年10月29日 |
| APEX-Agents (AA)Index対象外 | Mercorの長時間にわたる専門職エージェントタスクを、Artificial Analysisが実行したもの。 | Gemini 3.5 Flash (high) 47.0% | 現役ハーネスに依存 | 33 | 2026年9月18日 |
| Harvey LAB-AA v1.1Index対象外 | Harveyと共同で作成した、実務に基づく法律業務。Artificial Analysisが実施。 | Muse Wonder Full (max) 13.1% | 現役ハーネスに依存 | 33 | 2026年11月9日 |
| τ³-bench BankingIndex対象外 | Sierraが当初の3分野の後に追加した銀行分野でのpass^1。サポート担当のエージェントが銀行のツールを使い、模擬顧客に対応します。Sierra自身の実行結果で、Indexに使うのはArtificial Analysisの実行結果です。 | Qwen3.8 Max (xhigh) 55.1% | 現役ハーネスに依存 | 27 | 2026年8月4日 |
| GBAEvalIndex対象外 | エージェントとしてゲームボーイアドバンスのゲームをプレイするタスク。 | Claude Opus 5 79.6% | 現役ハーネスに依存 | 23 | 2026年7月24日 |
| BrowseComp-PlusIndex対象外 | BrowseCompの質問に、ライブのWebではなく固定した10万件の文書コーパスを使って答えるもので、検索器とモデルを分けて評価できます。掲載スコアは、ほぼすべての提出で使われるBM25のベースライン検索器での値。収録モデルは2025年後半までです。 | GPT-5 57.6% | 現役ハーネスに依存 | 21 | 2025年12月31日 |
| GDPxIndex対象外 | SemiAnalysisのエージェント型ベンチマーク。チップ設計、サイバーセキュリティ、生物学、AI研究など11分野の長いタスク206件を、それぞれモデル自身のコーディングハーネスで実行します。スコアは合格したタスクの割合(3回の試行、全分野を同じ重み)。 | Claude Fable 5.2 (max) 16.4% | 現役ハーネスに依存 | 21 | 2026年11月9日 |
| MKA (AA)Index対象外 | Google DeepMindのMultimodal Knowledge Agent。図面、回路図、医用画像など情報量の多いファイルにもとづく200件の専門的なプロジェクトを、専門家の評価基準で採点。スコアは難しい方(Climb)の基準を満たした加重割合です。Artificial Analysisが実施。 | Claude Fable 5.2 (max) 56.6% | 現役ハーネスに依存 | 21 | 2026年11月9日 |
| PostTrainBenchIndex対象外 | 小さなモデルを目標の性能まで事後学習させる作業を、ひと通り行うタスク。 | Claude Fable 5.1 (max) 44.6% | 現役ハーネスに依存 | 20 | 2026年10月13日 |
| Poker AgentIndex対象外 | AIエージェントどうしのポーカー対戦。Vals AIが実施。 | GPT-5.2 1131.8% | 現役ハーネスに依存 | 17 | 2025年12月23日 |
| Time Horizon Index: KSPIndex対象外 | Kerbal Space Programのミッションをはじめから終わりまで遂行するタスク。Vals AIが実施。 | Claude Opus 5.5 (max) 91.3% | 飽和に近いハーネスに依存 | 13 | 2026年10月7日 |
| DeepSearchQAIndex対象外 | 集めるべき事実が多数ある調査型の質問。完全に正しい答えだけを採点するため、ひとつでも欠ければ不合格です。Googleが公開。 | Gemini Deep Research Agent 66.1% | 現役ハーネスに依存 | 12 | 2026年4月13日 |
| CUA-benchIndex対象外 | キーボードとマウスだけで市販のビデオゲーム6本をプレイ。半分は非公開です。Vals AIが実施。 | GPT-6 Astra (max) 19.2% | 現役ハーネスに依存 | 9 | 2026年10月13日 |
| ExploitBenchIndex対象外 | 既知の脆弱性に対して、実際に動くエクスプロイトを開発するタスク。 | Claude Mythos Preview 73.8% | 現役ハーネスに依存 | 9 | 2026年4月23日 |
| SpireClimbIndex対象外 | Slay the Spire 1と2の最高難度での勝率。両作を同じ重みで扱い、全モデルが同じシードでプレイします。Epoch AIが実施。 | GPT-6 Astra (max) 34.0% | 現役ハーネスに依存 | 9 | 2026年11月9日 |
| Robo-benchIndex対象外 | モーター指令とカメラ画像から、リアルタイムの物理シミュレーションでロボットアームと人型ロボットを操作するタスク。Vals AIが実施。 | GPT-6.1 Sol (max) 28.3% | 現役ハーネスに依存 | 7 | 2026年10月13日 |
| Web Search IndexIndex対象外 | リアルタイムのWeb検索が必要な質問に、組み込みと外部のツールで答えるタスク。Vals AIが実施。 | Claude Opus 5.5 (max) 53.8% | 現役ハーネスに依存 | 5 | 2026年11月4日 |
| RoboDojo (LLM as robot policy)Index対象外 | ロボット向けの学習をしていない汎用のLLMが、シミュレーション上のロボットアームを直接操作する42の操作タスク(汎化、精度、長期、記憶、自由課題)。スコアはタスクごとのスコア(0〜100)の平均で、成功率は各行の詳細にあります。 | GPT-6 Astra 29.0 | 現役ハーネスに依存 | 3 | 2026年11月14日 |
| τ²-Bench Telecom (AA)Index対象外 | Artificial Analysisによるτ²-Benchの通信分野の実行結果。参考として掲載。 | GLM 5.2 (max) 99.1% | 飽和ハーネスに依存 | 418 | 2026年7月9日 |
| FACTS SearchIndex対象外 | Web検索をツールとして使い、得られた情報を何もでっち上げずにまとめるタスク。Googleが公開。 | Gemini 4 Carbon 94.4% | 飽和ハーネスに依存 | 26 | 2026年11月12日 |
| TheAgentCompanyIndex対象外 | 架空のソフトウェア会社でのオフィス業務。 | DeepSeek V3.2 42.9% | 更新停止ハーネスに依存 | 14 | 2025年9月29日 |
AIエージェントのベンチマーク:よくある質問
- 最も参考になるAIエージェントのベンチマークはどれですか?
- 現在最も参考になるAIエージェントのベンチマークはτ³-Banking(トップ:Qwen3.8 Max (max)、51.3%)、Terminal-Bench(トップ:GPT-5.5、84.7%)、BFCL Overall(トップ:Claude Opus 4.5、77.5%)です。いずれもBenchLeader Indexに使われ、多くのモデルを対象とし、まだ飽和していません。用途:ツール呼び出しを使うプロダクト、自動化、長い複数ステップのタスク。
- AIエージェントのベンチマークで最も成績の良いAIモデルはどれですか?
- 2026年11月16日時点:エージェント・ツールのベンチマーク全体では、Claude Fable 5.2(Anthropic)がエージェントスコア82.9で首位、続いてGPT-6 Sol (Daybreak Blue, max)(72.3)、Claude Opus 4.5(70.5)です。カテゴリスコアは各ベンチマークを標準化し(50が平均的なモデル、15ポイントが1標準偏差)、それらを平均したものなので、1つのベンチマークだけで順位が決まることはありません。
- AIエージェントのベンチマークのスコアは、ベンチマークをまたいで比較できますか?
- 比較できるのは同じハーネスの中だけです。エージェントのベンチマークは、モデルとその足場(プロンプト、与えられるツール、許されるターン数、失敗時のリトライ方法)をまとめて採点します。同じモデルでもハーネスが変われば10〜20ポイント動くことがあるため、ベンチマークをまたがず、1つの公開元が実施する1つのベンチマークの中でモデルを比べてください。
- 飽和しているAIエージェントのベンチマークはどれですか?
- 2026年11月16日時点では、MCP Atlas(飽和に近い)、Terminal-Bench 2.1(飽和に近い)、CyberGym end-to-end(飽和に近い)、Cybench(飽和に近い)、LiveBench Browser(飽和に近い)、Time Horizon Index: KSP(飽和に近い)、τ²-Bench Telecom(飽和)、FACTS Search(飽和)です。5位のモデルのスコアが90%以上になると「飽和」、トップが90%か5位が80%に達すると「飽和に近い」と判定します。どちらもデータから判定しており、スコアが変われば変わります。
- このリーダーボードはどのくらいの頻度で更新されますか?
- BenchLeaderは6時間ごと(UTC 04:03、10:03、16:03、22:03に開始)すべての公開元の結果を読み直し、そのたびにこのページを作り直しています。各ベンチマークの最新の結果の日付は表に載っています。公開元はそれぞれのスケジュールで結果を更新します。
関連ページ
引用表記:BenchLeader「AIエージェントベンチマークのリーダーボード(2026年11月)」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/agents