AIコーディング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17の公開元による53件のAIコーディングのベンチマークを追跡しており、そのうち13件がBenchLeader Indexに使われています。コーディングのベンチマーク全体では、Claude Fable 5.2(Anthropic)がコーディングスコア80.8で首位、続いてClaude Opus 5.5(78.8)、Claude Fable 5(75.5)です。最も重みの大きい現役のベンチマークでは、Arena WebDevのトップがClaude Fable 5.2 (xhigh)(1838)です。53件のうち、現役が38件、飽和に近いものが8件、飽和が5件、更新停止が2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
- 53
- 現役
- 38
- 飽和・飽和に近い
- 13
- 公開元
- 17
ほかのカテゴリ:AIエージェントのベンチマーク · 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
コーディングのベンチマークで首位のモデル
BenchLeader Indexのコーディング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2件の結果が必要です。
| # | モデル | プロバイダー | コーディングスコア | Index | ブレンド $/M |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 (xhigh) | Anthropic | 80.8 | 69.7 | $16.00 |
| 2 | Claude Opus 5.5 (max) | Anthropic | 78.8 | 68.4 | $8.00 |
| 3 | Claude Fable 5 | Anthropic | 75.5 | 65.4 | $20.00 |
| 4 | Gemini 4 Carbon (high) | 74.1 | 68.9 | $4.00 | |
| 5 | GPT-6 Astra (max) | OpenAI | 73.2 | 67.3 | $20.00 |
| 6 | GPT-5.6 Sol | OpenAI | 71.6 | 54.3 | $8.00 |
| 7 | GPT-6.1 Sol (max) | OpenAI | 71.1 | 66.6 | $4.00 |
| 8 | Claude Sonnet 5.5 (max) | Anthropic | 70.2 | 64.2 | $4.00 |
| 9 | Muse Wonder Full (max) | Meta | 69.9 | 61.7 | – |
| 10 | Claude Fable 5.1 (max) | Anthropic | 69.7 | 66.7 | $20.00 |
コーディングの全ベンチマーク:測定内容と現在のトップ(53件)
コーディングベンチマークには、モデルの学習データのカットオフ後に出題された競技プログラミングの問題(LiveCodeBench)から、実際のGitHub issueをエンドツーエンドで修正してリポジトリ自身のテストで確かめるもの(500件のSWE-bench Verified、非公開リポジトリを使うSWE-Bench Pro)、実際のコーディングエージェントを通じた編集(225問のAider Polyglot)まであります。
用途:コード生成、コードレビュー、自律型コーディングエージェントに使うモデルの選定。
注意点: HumanEvalは飽和しています。またSWE-benchでは、ハーネスや足場(スキャフォールド)がモデルと同じくらいスコアを左右するため、同じ条件同士で比べてください(BenchLeaderはbash-onlyハーネスの結果を別に表示しています)。
| 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 |
|---|---|---|---|---|---|
| Arena WebDev | 生成されたWebアプリへの一対一の投票。 | Claude Fable 5.2 (xhigh) 1838 | 現役評価モデルが採点 | 150 | 2026年11月11日 |
| LiveCodeBench | モデルの学習カットオフ後に出題された競技プログラミングの問題。Vals AIが実施。 | Claude Fable 5.1 (max) 90.5% | 飽和に近い | 140 | 2026年9月1日 |
| FrontierCode 2.0 (AA) | CognitionのFrontierCode 2.0。実在するオープンソースリポジトリの132タスクを、メンテナーが変更をマージするかどうかで採点します。Intelligence Index v5で使用。Artificial Analysisが実施。 | Claude Fable 5.2 (high) 49.1% | 現役 | 133 | 2026年11月12日 |
| SWE-bench Verified (bash only) | 最小構成のbash-only版mini-SWE-agentハーネスによる、SWE-bench Verifiedの公式結果。 | Claude Opus 4.5 (high) 76.8% | 現役ハーネスに依存 | 46 | 2026年2月26日 |
| SWE-Bench Pro | 公開リポジトリでの長期的なソフトウェアエンジニアリングのタスク。Scale AI。 | Muse Spark 1.1 61.5% | 現役ハーネスに依存 | 25 | 2026年7月9日 |
| Arena Coding | コーディングのプロンプトでのテキストアリーナのレーティング。 | Gemini 4 Carbon (high) 1568 | 現役評価モデルが採点 | 379 | 2026年11月11日 |
| SciCode | 研究レベルの科学計算コーディング問題。 | Claude Fable 5.2 (max) 67.7% | 現役 | 236 | 2026年11月10日 |
| WeirdML | 動く学習コードを書く必要がある、一風変わった機械学習タスク。 | GPT-6 Astra (Proモード) 93.6% | 飽和に近い | 159 | 2026年9月3日 |
| FrontierCode | エージェントのハーネスで実行する、実務に近い難しいコーディングタスク(Cognition)。 | Claude Opus 5.5 (medium) 54.6% | 現役 | 46 | 2026年10月13日 |
| GSO-Bench | 専門家による高速化を基準に測るソフトウェア最適化タスク。 | Claude Fable 5.1 88.2% | 現役 | 35 | 2026年9月3日 |
| SWE-bench Verified (Epoch) | Epoch AIが同じスキャフォールドで独自に実行したSWE-bench Verified。 | Claude Opus 4.7 (max) 83.5% | 現役ハーネスに依存 | 33 | 2026年6月16日 |
| LiveCodeBench (AA)Index対象外 | モデルの学習カットオフ以降にLeetCode、AtCoder、Codeforcesから継続的に集めた競技プログラミングの問題で、暗記が効きにくいテスト。Artificial Analysisが実施。 | Gemini 3 Pro (high) 91.8% | 飽和に近い | 307 | 2026年1月4日 |
| Terminal-Bench 4.0 (AA)Index対象外 | サンドボックス化したターミナルでの実際のコマンドライン作業(バージョン4.0)。Artificial Analysisが実施。Indexに使うのはTerminal-Benchチーム自身の実行結果です。 | Kimi K3.1 Pro 67.2% | 現役ハーネスに依存 | 257 | 2026年11月12日 |
| SciCode (AA)Index対象外 | Artificial Analysisが独自に実行したSciCode。Intelligence Index v5から外れましたが、公開は続いています。参考として掲載。 | Claude Fable 5.2 (max) 67.7% | 現役 | 251 | 2026年11月9日 |
| Terminal-Bench 2.1 (AA)Index対象外 | ひとつ前のTerminal-Benchリリース。4.0よりはるかに多くのモデルが実行されているため残しています。 | Claude Fable 5.1 (max) 91.4% | 飽和に近いハーネスに依存 | 240 | 2026年11月5日 |
| GameBench 2 by reasoning settingIndex対象外 | GameBench 2を、モデルを実行した推論設定ごとに採点し、対応する推論エフォートに分類したもの。DuelLabが順位をつけた設定のみ掲載。 | Claude Fable 5.2 (xhigh) 99.1 | 現役 | 203 | 2026年11月10日 |
| Design Arena WebsiteIndex対象外 | 2つのモデルが同じプロンプトからWebサイトを作り、訪問者がよい方に投票し、その票をBradley-Terryレーティングにしたもの。対戦数が200未満のモデルは除外しています。 | Muse Wonder (max) 1378 | 現役評価モデルが採点 | 194 | 2026年11月16日 |
| ALE-BenchIndex対象外 | AtCoderのヒューリスティックコンテストでの、長期にわたるアルゴリズムエンジニアリング。 | GPT-6 Astra (max) 2951.3 | 現役 | 141 | 2026年11月9日 |
| CursorBenchIndex対象外 | Cursor社内のコーディングエージェント評価。推論レベルとコストつき。 | Gemini 4 Carbon (high) 60.4% | 現役ハーネスに依存 | 90 | 2026年11月10日 |
| FrontierCode 1.1 (AA)Index対象外 | CognitionのFrontierCode 1.1を、Artificial Analysisが実行したもの。2.0よりはるかに多くのモデルが実行されているため、並べて残しています。 | Claude Fable 5.2 (medium) 64.0% | 現役 | 83 | 2026年11月9日 |
| Code MigrationIndex対象外 | プログラム全体を別の言語に書き直し、テストを通し続けるタスク。Vals AIが実施。 | Claude Sonnet 5.5 (max) 69.8% | 現役 | 78 | 2026年10月29日 |
| DeepSWE v1.1Index対象外 | 推論エフォートを記録したうえで、エージェントのハーネスで行うソフトウェアエンジニアリングのタスク。 | GPT-6 Astra (xhigh) 74.1% | 現役ハーネスに依存 | 69 | 2026年9月3日 |
| LiveBench 1.0 CodingIndex対象外 | LiveBench 1.0の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のコーディングスイートは別のテストです。 | Claude Sonnet 5.5 (max) 91.4% | 飽和に近い | 68 | 2026年6月25日 |
| ProgramBenchIndex対象外 | コンパイル済みバイナリからプログラムを作り直すタスク。Vals AIが実施。 | Claude Fable 5.2 (high) 19.0% | 現役 | 65 | 2026年11月9日 |
| SWE-bench Verified (any scaffold)Index対象外 | スキャフォールドを問わない、そのモデルのSWE-bench Verified公式最高結果。参考として掲載。 | Claude Opus 4.5 79.2% | 現役ハーネスに依存 | 65 | 2026年2月19日 |
| GameBench 2 OverallIndex対象外 | DuelLabのGameBench 2総合スコア。モデルがゲームをプレイするプログラムを書き、プログラムどうしが対戦し、その結果からレーティングを算出します。DuelLabが総合順位をつけたモデルのみ掲載。 | Claude Fable 5.2 95.0 | 現役 | 56 | 2026年11月10日 |
| MirrorCodeIndex対象外 | 出力からプログラムの振る舞いを再現するタスク。Epoch AIが実施。 | Claude Sonnet 5.5 (max) 97.8% | 飽和に近い | 45 | 2026年10月26日 |
| LiveBench 2.0 CodingIndex対象外 | LiveBench 2.0のコーディングスイート。固定したモノレポで、実際にマージされたPRのバグ修正を決定的に採点。 | Gemini 4 Carbon (high) 91.0% | 飽和に近い | 34 | 2026年11月6日 |
| Code Migration v1.1Index対象外 | Code Migration v1.1。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 Sonnet 5.5 (max) 86.9% | 現役 | 30 | 2026年11月9日 |
| Startrise FrontendIndex対象外 | 12件の単発のフロントエンド依頼を実際のブラウザで作成し、完成度、エンジニアリング、依頼への忠実さ、独創性で採点。配分は機械的なゲート25%、複数の研究所のモデルによるブラインド審査45%、人間によるブラインドレビュー30%です。 | Claude Opus 5 (xhigh) 82.3% | 現役 | 29 | 2026年10月5日 |
| Surface Evolver BenchIndex対象外 | Surface Evolverパッケージを使った科学計算。 | Claude Fable 5 (high) 95.0% | 飽和に近い | 29 | 2026年10月6日 |
| SWE Atlas v1.1Index対象外 | SWE Atlas v1.1の総合スコア。15リポジトリの284タスクで、コードベースQnA・テスト作成・リファクタリングを、新しい採点モデルで全モデル再実行。Scale AI。 | Claude Fable 5.2 80.5% | 現役ハーネスに依存 | 28 | 2026年11月11日 |
| SWE Atlas v1.1: Codebase QnAIndex対象外 | 大規模なコードベースについての質問に答えるタスク(SWE Atlas v1.1)。Scale AI。 | Claude Fable 5.2 83.9% | 現役ハーネスに依存 | 28 | 2026年11月11日 |
| SWE Atlas v1.1: RefactoringIndex対象外 | 実際のリポジトリでのリファクタリング(SWE Atlas v1.1)。Scale AI。 | Claude Fable 5.2 80.0% | 現役ハーネスに依存 | 28 | 2026年11月11日 |
| SWE Atlas v1.1: Test WritingIndex対象外 | 既存のコードに対するテストの作成(SWE Atlas v1.1)。Scale AI。 | Claude Fable 5.1 78.9% | 現役ハーネスに依存 | 28 | 2026年11月11日 |
| Vibe Code Bench 1-100Index対象外 | 動いているWebアプリを、要望に応じて100回拡張していくタスク。Vals AIが実施。 | Muse Wonder Full (max) 34.0% | 現役 | 26 | 2026年10月29日 |
| WeirdML v3Index対象外 | コーディングエージェントが自分で学習コードを書いて実行する、一風変わった11の機械学習タスク。公式スコアは結果だけでなく、少ないトークンで良い結果に届くことも評価します。WeirdML v2とは比較できません。 | GPT-6 Astra (xhigh) 42.2% | 現役 | 26 | 2026年10月26日 |
| FrontierSWEIndex対象外 | 実装・性能・研究にわたる、最難関レベルのソフトウェアエンジニアリングのタスク。 | Claude Fable 5.2 (max) 69.9% | 現役ハーネスに依存 | 22 | 2026年11月10日 |
| SWE Atlas v1.0: Codebase QnAIndex対象外 | 大規模なコードベースについての質問に答えるタスク。Scale AI。v1.0で固定。v1.1では新しい採点モデルで全モデルを再実行。 | Claude Opus 5 (xhigh) 63.2% | 現役ハーネスに依存 | 22 | 2026年9月9日 |
| SWE Atlas v1.0: Test WritingIndex対象外 | 既存のコードに対するテストの作成。Scale AI。v1.0で固定。v1.1では新しい採点モデルで全モデルを再実行。 | Claude Fable 5.1 (xhigh) 67.0% | 現役ハーネスに依存 | 22 | 2026年9月9日 |
| SWE-bench MultimodalIndex対象外 | JavaScriptリポジトリのGitHub issueのうち、バグが見た目に現れるもの。直すには画像を読む必要があります。Vals AIが実施。 | Claude Opus 5.5 (max) 70.2% | 現役ハーネスに依存 | 22 | 2026年11月9日 |
| AlgoTuneIndex対象外 | 数値計算のコードを、参照実装よりも速くするタスク。 | GPT-5.2 (medium) 2.0 | 現役 | 18 | 2026年3月5日 |
| SWE Atlas v1.0: RefactoringIndex対象外 | 実際のリポジトリでのリファクタリング。Scale AI。v1.0で固定。v1.1では新しい採点モデルで全モデルを再実行。 | GPT-6 Astra (xhigh) 59.0% | 現役ハーネスに依存 | 17 | 2026年9月9日 |
| SWE-Bench Pro (private)Index対象外 | SWE-Bench Proのうち、商用リポジトリを使った非公開セット。Scale AI。 | Muse Spark 1.1 51.5% | 現役ハーネスに依存 | 14 | 2026年7月9日 |
| SWE-bench Multilingual (bash only)Index対象外 | 9つのプログラミング言語、42リポジトリから集めた300件の実際のGitHub課題。SWE-benchチームが最小構成のbash-only版mini-SWE-agentで実行。 | Gemini 3 Flash 72.7% | 現役ハーネスに依存 | 13 | 2026年2月20日 |
| Vibe Code Bench 1-100 v1.1Index対象外 | Vibe Code Bench 1-100のv1.1。Vals AIが新しいモデルを実行しているバージョン。Vals AIが実施。 | Gemini 4 Carbon (high) 49.7% | 現役 | 8 | 2026年11月13日 |
| IOI | 国際情報オリンピック(IOI)の問題。Vals AIが実施。 | GPT-6 Astra (max) 100.0% | 飽和 | 46 | 2026年10月29日 |
| Vibe Code Bench v1.1Index対象外 | 指示書から一からWebアプリを作るタスク。Vals AIが実施。 | Claude Fable 5.2 (high) 93.8% | 飽和評価モデルが採点 | 124 | 2026年11月11日 |
| SWE-bench (Vals)Index対象外 | Vals AIが独自に実行したSWE-bench。参考として掲載。 | Claude Opus 5 97.0% | 飽和ハーネスに依存 | 86 | 2026年9月1日 |
| SWE-Bench Pro V2Index対象外 | SWE-Bench Proの公開セットを作り直したV2(2026年9月)。11リポジトリの642タスクで、Webツールは無効、すべてのパッチをクリーンな環境で採点し直す。Scale AI。 | Claude Opus 5 (xhigh) 99.4% | 飽和ハーネスに依存 | 18 | 2026年11月6日 |
| SWE-Bench Pro V2 HARDIndex対象外 | SWE-Bench Pro V2のうち最も難しいサブセット。Scale AI。 | Claude Opus 5 (xhigh) 98.0% | 飽和ハーネスに依存 | 18 | 2026年11月6日 |
| Aider Polyglot | Exercismの225問のうち、2回目の試行までに解けた割合。 | GPT-5 (high) 88.0% | 更新停止ハーネスに依存 | 62 | 2025年10月3日 |
| CadEvalIndex対象外 | 仕様からCADモデルを生成するタスク。 | o3 (medium) 74.0% | 更新停止 | 15 | 2025年4月16日 |
AIコーディングのベンチマーク:よくある質問
- 最も参考になるAIコーディングのベンチマークはどれですか?
- 現在最も参考になるAIコーディングのベンチマークはArena WebDev(トップ:Claude Fable 5.2 (xhigh)、1838)、LiveCodeBench(トップ:Claude Fable 5.1 (max)、90.5%)、FrontierCode 2.0(トップ:Claude Fable 5.2 (high)、49.1%)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:コード生成、コードレビュー、自律型コーディングエージェントに使うモデルの選定。
- AIコーディング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:コーディングのベンチマーク全体では、Claude Fable 5.2(Anthropic)がコーディングスコア80.8で首位、続いてClaude Opus 5.5(78.8)、Claude Fable 5(75.5)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コーディング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?
- 一部は比較できます。競技形式のベンチマーク(LiveCodeBench、SciCode)はコードそのものを採点するので、モデル間でよく比較できます。リポジトリ型のベンチマーク(SWE-bench Verified、SWE-Bench Pro)は、モデルを動かすエージェントのハーネスにも左右されるため、同じハーネスの結果同士で比べてください。BenchLeaderはハーネスごとに別のベンチマークとして扱っています。
- 飽和しているAIコーディングのベンチマークはどれですか?
- 2026年11月16日時点では、LiveCodeBench(飽和に近い)、WeirdML(飽和に近い)、LiveCodeBench(飽和に近い)、Terminal-Bench 2.1(飽和に近い)、LiveBench 1.0 Coding(飽和に近い)、MirrorCode(飽和に近い)、LiveBench 2.0 Coding(飽和に近い)、Surface Evolver Bench(飽和に近い)ほか5件です。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コーディング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/coding