BenchLeader

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。

37件中37件
#
1GPT-6 Astramax68.3%67.32026-09-03
2Claude Opus 5max63.4%65.02026-07-24
3GPT-5.6 Solmax60.0%65.32026-07-09
4Gemini 3 Pro58.1%60.02025-11-18
5Gemini 3.1 Pro57.0%59.92026-02-19
6GPT-5.6 Terramax53.2%59.52026-07-09
7Gemini 3 Flash48.1%56.52025-12-17
8GPT-5.6 Lunamax45.6%56.22026-07-09
9Grok 443.6%58.12025-07-09
10Gemini 2.5 Pro43.3%55.22025-03-25
11Claude Opus 4.543.0%57.12025-11-24
12DeepSeek R134.9%47.22025-01-20
13Gemini 2.5 Flash33.5%52.42025-06-17
14GPT-5minimal32.8%45.22025-08-07
15Claude 3.5 Sonnet32.6%46.82024-10-22
16GPT-4o32.3%42.82024-05-13
17Claude Haiku 4.531.2%47.72025-10-15
18Grok 329.5%50.92025-04-09
19Reka Flash 329.2%–2025-03-10
20Llama 3.1 70B27.9%40.72024-07-23
21Llama 3.2 90B Vision27.3%36.02024-09-24
22Llama 3.3 70B23.0%39.92024-12-06
23Gemini 1.5 Pro 00221.0%41.42024-09-24
24DeepSeek-R1-Distill-Qwen-32B19.5%–2025-01-20
25Claude 3.5 Haiku19.3%38.72024-10-22
26Mistral Nemo17.6%–2024-07-18
27GPT-4o mini17.4%35.22024-07-18
28Llama 3.2 Instruct 11B (Vision)16.8%35.62024-09-24
29Qwen2.5 72B16.2%43.12024-09-19
30Llama 3.1 8B15.1%33.02024-07-23
31Gemini 1.5 Flash 00214.6%38.22024-09-24
32Qwen2-VL-72B12.8%–2024-08-29
33Phi-411.6%39.32024-12-12
34Llama 3.2 3B Instruct10.1%35.62024-09-24
35Qwen2.5 7B Instruct7.8%39.82024-09-19
36Llama 3.2 1B Instruct6.6%30.62024-09-24
37Qwen2-VL-7B3.7%–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

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。