BALROGのリーダーボード
2026年11月16日時点で、BALROGの最高スコアは68.3%で、GPT-6 Astra(OpenAI)が記録しています。次点はClaude Opus 5の63.4%です。公表された結果があるのは37のモデル構成です(BALROG、結果の日付は2026年9月3日)。エージェントがBabyAI、Crafter、TextWorld、NetHackなどのゲームをプレイし、各ゲームの目標に向けた進行度の平均をスコアにします。BALROGは参考として掲載しており、BenchLeader Indexには含まれません。
要点(2026年11月16日時点)
- GPT-6 AstraがBALROGの最高スコア68.3%を記録しています(BALROG、2026年9月3日)。
- BALROGの2位はClaude Opus 5で、63.4%です(BALROG、2026年7月24日)。
- BALROG: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(BALROG)。
- BenchLeaderでは37のモデル構成にBALROGの公表結果があります(BenchLeader、2026年11月16日)。
- BALROGはBenchLeader Indexには反映されず、参考として掲載しています(BenchLeaderの評価方法)。
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。
- 公開元
- BALROGデータ取得元:Epoch AI Benchmarking Hub
- カテゴリ
- エージェント・ツール
- Indexでの重み
- 参考のみ
- モデル
- 37
- データ基準日
- 2026年11月16日
CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.
どんなテストか
エージェントがBabyAI、Crafter、TextWorld、NetHackなどのゲームをプレイし、各ゲームの目標に向けた進行度の平均をスコアにします。
採点方法
ゲーム全体での平均進行度で、BALROGが公表しています。
注意点
進行度はゲームごとに正規化されていますが、ゲームの難易度は大きく異なります。
- 1GPT-6 Astra (max)68.3%
- 2Claude Opus 5 (max)63.4%
- 3GPT-5.6 Sol (max)60.0%
- 4Gemini 3 Pro58.1%
- 5Gemini 3.1 Pro57.0%
- 6GPT-5.6 Terra (max)53.2%
- 7Gemini 3 Flash48.1%
- 8GPT-5.6 Luna (max)45.6%
- 9Grok 443.6%
- 10Gemini 2.5 Pro43.3%
- 11Claude Opus 4.543.0%
- 12DeepSeek R134.9%
- 13Gemini 2.5 Flash33.5%
- 14GPT-5 (minimal)32.8%
- 15Claude 3.5 Sonnet32.6%
37件中37件
| # | ||||
|---|---|---|---|---|
| 1 | 68.3% | 67.3 | 2026-09-03 | |
| 2 | 63.4% | 65.0 | 2026-07-24 | |
| 3 | 60.0% | 65.3 | 2026-07-09 | |
| 4 | 58.1% | 60.0 | 2025-11-18 | |
| 5 | 57.0% | 59.9 | 2026-02-19 | |
| 6 | 53.2% | 59.5 | 2026-07-09 | |
| 7 | 48.1% | 56.5 | 2025-12-17 | |
| 8 | 45.6% | 56.2 | 2026-07-09 | |
| 9 | 43.6% | 58.1 | 2025-07-09 | |
| 10 | 43.3% | 55.2 | 2025-03-25 | |
| 11 | 43.0% | 57.1 | 2025-11-24 | |
| 12 | 34.9% | 47.2 | 2025-01-20 | |
| 13 | 33.5% | 52.4 | 2025-06-17 | |
| 14 | 32.8% | 45.2 | 2025-08-07 | |
| 15 | 32.6% | 46.8 | 2024-10-22 | |
| 16 | 32.3% | 42.8 | 2024-05-13 | |
| 17 | 31.2% | 47.7 | 2025-10-15 | |
| 18 | 29.5% | 50.9 | 2025-04-09 | |
| 19 | 29.2% | – | 2025-03-10 | |
| 20 | 27.9% | 40.7 | 2024-07-23 | |
| 21 | 27.3% | 36.0 | 2024-09-24 | |
| 22 | 23.0% | 39.9 | 2024-12-06 | |
| 23 | 21.0% | 41.4 | 2024-09-24 | |
| 24 | 19.5% | – | 2025-01-20 | |
| 25 | 19.3% | 38.7 | 2024-10-22 | |
| 26 | 17.6% | – | 2024-07-18 | |
| 27 | 17.4% | 35.2 | 2024-07-18 | |
| 28 | 16.8% | 35.6 | 2024-09-24 | |
| 29 | 16.2% | 43.1 | 2024-09-19 | |
| 30 | 15.1% | 33.0 | 2024-07-23 | |
| 31 | 14.6% | 38.2 | 2024-09-24 | |
| 32 | 12.8% | – | 2024-08-29 | |
| 33 | 11.6% | 39.3 | 2024-12-12 | |
| 34 | 10.1% | 35.6 | 2024-09-24 | |
| 35 | 7.8% | 39.8 | 2024-09-19 | |
| 36 | 6.6% | 30.6 | 2024-09-24 | |
| 37 | 3.7% | – | 2024-08-29 |
エージェント・ツールのベンチマークをもっと見る · LLMベンチマーク一覧
関連するベンチマーク
BALROGでの注目のモデル比較
引用表記:BenchLeader「BALROGのリーダーボード」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/balrog
BALROG:よくある質問
- BALROGは何を測るベンチマークですか?
- エージェントがBabyAI、Crafter、TextWorld、NetHackなどのゲームをプレイし、各ゲームの目標に向けた進行度の平均をスコアにします。スコアは解けたタスクの割合(%)で示され、高いほど良い結果です。
- BALROGの最高スコアは?
- 2026年11月16日時点で、BALROGの最高スコアは68.3%で、GPT-6 Astraが記録しています(結果の日付は2026年9月3日)。次点はClaude Opus 5の63.4%です。スコアはBALROGの公表値で、毎日読み直しています。
- BALROGでトップのAIモデルは?
- 2026年11月16日時点で、BALROGの首位はGPT-6 Astraで、スコアは68.3%です(結果の日付は2026年9月3日)。続いてClaude Opus 5(63.4%)です。
- BALROGの結果があるモデルはいくつですか?
- BenchLeaderでは37のモデル構成にBALROGの結果があり、すべてBALROG(Epoch AI Benchmarking Hub経由)から取得しています。
- BALROGを運営しているのは誰で、どのくらいの頻度で更新されますか?
- BALROGはBALROGが公開しています。BenchLeaderは公開された結果を1日1回読み直し、各結果の公開日を記録しています。
- BALROGはBenchLeader Indexに含まれますか?
- いいえ。BALROGは参考として掲載していますが、総合スコアには含めていません。