Fiction.LiveBench 120kのリーダーボード
2026年11月16日時点で、Fiction.LiveBench 120kの最高スコアは100.0%で、o3(OpenAI)が記録しています。次点はGPT-5の96.9%です。公表された結果があるのは36のモデル構成です(Fiction.live、結果の日付は2025年4月16日)。Fiction.LiveBenchは長い物語の読解力を試します。モデルに最大12万トークンのフィクションを与え、テキスト全体を通じて登場人物や出来事を追わないと答えられない質問をします。Fiction.LiveBench 120kはBenchLeader Indexの長文コンテキストスコアに反映されます。
要点(2026年11月16日時点)
- o3がFiction.LiveBench 120kの最高スコア100.0%を記録しています(Fiction.live、2025年4月16日)。
- Fiction.LiveBench 120kの2位はGPT-5で、96.9%です(Fiction.live、2025年8月7日)。
- Fiction.LiveBench 120k:12万トークンの小説の長文読解(Fiction.live)。
- BenchLeaderでは36のモデル構成にFiction.LiveBench 120kの公表結果があります(BenchLeader、2026年11月16日)。
- Fiction.LiveBench 120kはBenchLeader Indexの長文コンテキストカテゴリに反映されます(BenchLeaderの評価方法)。
12万トークンの小説の長文読解。
- 公開元
- Fiction.liveデータ取得元:Epoch AI Benchmarking Hub
- カテゴリ
- 長文コンテキスト
- Indexでの重み
- 1.0
- モデル
- 36
- データ基準日
- 2026年11月16日
- 最新の結果
- 2026年1月27日
公開元は2026年1月27日以降、このボードに新しい結果を掲載していません。BenchLeaderは毎日読み直しているので、新しいモデルの結果は公開され次第ここに表示されます。
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
Fiction.LiveBenchは長い物語の読解力を試します。モデルに最大12万トークンのフィクションを与え、テキスト全体を通じて登場人物や出来事を追わないと答えられない質問をします。
採点方法
コンテキスト長12万トークンでの正答率です。
注意点
ほとんどのモデルでは長文コンテキストのスコアが長さとともに急落するため、12万トークンでの数値は短いコンテキストでの結果と大きく異なることがあります。物語はファンフィクションのサイトから取られており、学習データに含まれている可能性があります。
- 1o3 (medium)100.0%
- 2GPT-5 (medium)96.9%
- 3Grok 496.9%
- 4Gemini 2.5 Pro90.6%
- 5o3-pro (medium)88.9%
- 6Kimi K2.578.1%
- 7Grok 4 Fast75.0%
- 8Gemini 2.5 Flash68.8%
- 9Qwen3 235B A22B 2507 (thinking)68.8%
- 10Chatgpt 4o 01.29 202565.6%
- 11Grok 3 mini (medium)65.6%
- 12GPT-4.563.9%
- 13GPT-5 mini (medium)62.5%
- 14o4-mini (medium)62.5%
- 15Qwen3-Next 80B A3B62.5%
| # | ||||
|---|---|---|---|---|
| 1 | 100.0% | 53.3 | 2025-04-16 | |
| 2 | 96.9% | 59.0 | 2025-08-07 | |
| 3 | 96.9% | 58.1 | 2025-07-09 | |
| 4 | 90.6% | 55.2 | 2025-03-25 | |
| 5 | 88.9% | – | 2025-06-10 | |
| 6 | 78.1% | 54.6 | 2026-01-27 | |
| 7 | 75.0% | – | 2025-09-19 | |
| 8 | 68.8% | 52.4 | 2025-05-20 | |
| 9 | 68.8% | 51.8 | 2025-07-25 | |
| 10 | 65.6% | – | 2025-01-29 | |
| 11 | 65.6% | – | 2025-04-09 | |
| 12 | 63.9% | 50.5 | 2025-02-27 | |
| 13 | 62.5% | 53.6 | 2025-08-07 | |
| 14 | 62.5% | 51.7 | 2025-04-16 | |
| 15 | 62.5% | 51.2 | 2025-09-11 | |
| 16 | 62.5% | 48.7 | 2025-04-14 | |
| 17 | 62.5% | 43.5 | 2025-02-05 | |
| 18 | 59.4% | 49.6 | 2025-06-13 | |
| 19 | 58.3% | 50.9 | 2025-04-09 | |
| 20 | 53.1% | 49.2 | 2025-02-24 | |
| 21 | 53.1% | 49.0 | 2025-08-21 | |
| 22 | 53.1% | 47.9 | 2024-12-17 | |
| 23 | 46.9% | 44.7 | 2025-04-14 | |
| 24 | 44.4% | – | 2025-09-01 | |
| 25 | 43.8% | 46.4 | 2025-01-31 | |
| 26 | 40.6% | 51.7 | 2025-09-05 | |
| 27 | 37.5% | 51.9 | 2025-05-22 | |
| 28 | 37.5% | 47.5 | 2025-02-05 | |
| 29 | 37.5% | 45.1 | 2025-01-21 | |
| 30 | 36.4% | 50.0 | 2025-05-22 | |
| 31 | 36.4% | 41.8 | 2025-04-06 | |
| 32 | 33.3% | 47.2 | 2025-01-20 | |
| 33 | 27.3% | 38.2 | 2025-04-06 | |
| 34 | 21.9% | 47.9 | 2025-06-17 | |
| 35 | 21.9% | 45.6 | 2025-08-07 | |
| 36 | 18.8% | 36.9 | 2025-04-14 |
長文コンテキスト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「Fiction.LiveBench 120k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/fiction_livebench
Fiction.LiveBench 120k:よくある質問
- Fiction.LiveBench 120kは何を測るベンチマークですか?
- Fiction.LiveBenchは長い物語の読解力を試します。モデルに最大12万トークンのフィクションを与え、テキスト全体を通じて登場人物や出来事を追わないと答えられない質問をします。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。
- Fiction.LiveBench 120kの最高スコアは?
- 2026年11月16日時点で、Fiction.LiveBench 120kの最高スコアは100.0%で、o3が記録しています(結果の日付は2025年4月16日)。次点はGPT-5の96.9%です。スコアはFiction.liveの公表値で、毎日読み直しています。
- Fiction.LiveBench 120kでトップのAIモデルは?
- 2026年11月16日時点で、Fiction.LiveBench 120kの首位はo3で、スコアは100.0%です(結果の日付は2025年4月16日)。続いてGPT-5(96.9%)です。
- Fiction.LiveBench 120kの結果があるモデルはいくつですか?
- BenchLeaderでは36のモデル構成にFiction.LiveBench 120kの結果があり、すべてFiction.live(Epoch AI Benchmarking Hub経由)から取得しています。
- Fiction.LiveBench 120k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?
- Fiction.LiveBench 120kはFiction.live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。
- Fiction.LiveBench 120kはBenchLeader Indexに含まれますか?
- はい。Fiction.LiveBench 120kはBenchLeader Indexの長文コンテキストカテゴリに反映され、評価対象モデルの平均が50になるよう正規化されています。