BenchLeader

BIG-Bench Hardのリーダーボード

2026年11月16日時点で、BIG-Bench Hardの最高スコアは89.2%で、Gemini 1.5 Pro 001(Google)が記録しています。次点はDeepSeek V3の87.5%です。公表された結果があるのは43のモデル構成です(Epoch AI Benchmarking Hub、結果の日付は2024年5月14日)。BIG-Benchから選んだ23の難しいタスクです。BIG-Bench Hard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)

  • Gemini 1.5 Pro 001がBIG-Bench Hardの最高スコア89.2%を記録しています(Epoch AI Benchmarking Hub、2024年5月14日)。
  • BIG-Bench Hardの2位はDeepSeek V3で、87.5%です(Epoch AI Benchmarking Hub、2024年12月26日)。
  • BIG-Bench Hard:BIG-Benchから選んだ23の難しいタスク。2022年のベンチマークで、現在のモデルでは飽和しており、記録として残しています(Epoch AI Benchmarking Hub)。
  • BenchLeaderでは43のモデル構成にBIG-Bench Hardの公表結果があります(BenchLeader、2026年11月16日)。
  • BIG-Bench Hard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)。

BIG-Benchから選んだ23の難しいタスク。2022年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。

公開元
Epoch AI Benchmarking Hub
カテゴリ
推論
Indexでの重み
参考のみ
モデル
43
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

BIG-Benchから選んだ23の難しいタスクです。

採点方法

正答率で、公表された結果をEpoch AIがまとめたものです。

注意点

飽和しています。最先端のモデルは上限近くに達しているため、差がつくのは古いモデルや小型モデルだけで、結果の大半はプロバイダー自身の報告によるものです。

上位15
  1. 1Gemini 1.5 Pro 00189.2%
  2. 2DeepSeek V387.5%
  3. 3Gemini 1.5 Pro 001 Feb2484.0%
  4. 4Llama 3.1 405B82.9%
  5. 5Phi 3 (medium)81.4%
  6. 6Qwen2.5 72B79.8%
  7. 7Phi 3 Small79.1%
  8. 8Deepseek v278.8%
  9. 9GPT 4 061375.1%
  10. 10Phi 3 Mini71.7%
  11. 11Yi-34B71.7%
  12. 12Stable Beluga 269.3%
  13. 13Llama 2-70B64.9%
  14. 14GPT-3.5 Turbo (older v0613)61.6%
  15. 15Phi-259.4%
43件中43件
#
1Gemini 1.5 Pro 00189.2%–2024-05-14
2DeepSeek V387.5%44.32024-12-26
3Gemini 1.5 Pro 001 Feb2484.0%–2024-02-15
4Llama 3.1 405B82.9%41.82024-07-23
5Phi 3medium81.4%37.82024-04-23
6Qwen2.5 72B79.8%43.12024-09-19
7Phi 3 Small79.1%–2024-04-23
8Deepseek v278.8%–2024-05-07
9GPT 4 061375.1%39.52023-06-13
10Phi 3 Mini71.7%36.72024-04-23
11Yi-34B71.7%34.72023-11-22
12Stable Beluga 269.3%–2023-07-20
13Llama 2-70B64.9%33.42023-07-18
14GPT-3.5 Turbo (older v0613)61.6%–2023-06-13
15Phi-259.4%–2023-12-12
16Nemotron-4 15B58.7%–2024-02-26
17LLaMA-65B58.4%–2023-02-24
18Llama 2-13B58.2%–2023-07-18
19Mistral 7B v0.356.1%28.92023-09-27
20Gemma 7B55.1%–2024-02-21
21Qwen-14B55.0%–2023-09-24
22InternLM 20B52.5%–2023-09-18
23LLaMA-33B50.0%–2023-02-24
24Baichuan2-13B49.0%–2023-09-06
25Yi 6B47.2%–2023-11-22
26Qwen-7B45.0%–2023-09-28
27Llama 2-34B44.1%–2023-07-18
28Vicuna 13B v1.143.0%–2023-04-12
29Baichuan 1-13B43.0%–2023-07-11
30Baichuan 2 7B Base41.6%–2023-09-20
31Llama 2-7B39.2%–2023-07-18
32MPT-30B38.0%–2023-06-22
33LLaMA-13B37.9%–2023-02-24
34Falcon-40B37.1%–2023-03-15
35InternLM 7B37.0%–2023-07-05
36MPT-7B35.6%–2023-05-05
37Gemma 2B35.2%–2024-02-21
38INTELLECT-134.9%–2024-11-29
39ChatGLM2-6B33.7%–2023-06-24
40LLaMA-7B33.5%–2023-02-24
41Baichuan1-7B32.5%–2023-06-01
42Falcon-7B28.8%–2023-04-24
43Qwen-1_8B28.2%–2023-11-30

推論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「BIG-Bench Hard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/bbh

BIG-Bench Hard:よくある質問

BIG-Bench Hardは何を測るベンチマークですか?
BIG-Benchから選んだ23の難しいタスクです。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。
BIG-Bench Hardの最高スコアは?
2026年11月16日時点で、BIG-Bench Hardの最高スコアは89.2%で、Gemini 1.5 Pro 001が記録しています(結果の日付は2024年5月14日)。次点はDeepSeek V3の87.5%です。スコアはEpoch AI Benchmarking Hubの公表値で、毎日読み直しています。
BIG-Bench HardでトップのAIモデルは?
2026年11月16日時点で、BIG-Bench Hardの首位はGemini 1.5 Pro 001で、スコアは89.2%です(結果の日付は2024年5月14日)。続いてDeepSeek V3(87.5%)です。
BIG-Bench Hardの結果があるモデルはいくつですか?
BenchLeaderでは43のモデル構成にBIG-Bench Hardの結果があり、すべてEpoch AI Benchmarking Hubから取得しています。
BIG-Bench Hard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?
BIG-Bench HardはEpoch AI Benchmarking Hub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。
BIG-Bench HardはBenchLeader Indexに含まれますか?
いいえ。BIG-Bench Hard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。