BenchLeader

GPQA Diamond (HELM)のリーダーボード

2026年11月16日時点で、GPQA Diamond (HELM)の最高スコアは80.3%で、Gemini 3 Pro(Google)が記録しています。次点はGPT-5の79.1%です。公表された結果があるのは68のモデル構成です(HELM Capabilities、結果の日付は2025年11月24日)。GPQA Diamondは、博士レベルの専門家が作成した生物学・物理学・化学の多肢選択問題198問からなるセットです。問題は「Google検索では解けない」ように作られており、Webを自由に使える有能な非専門家でも正答率は約3分の1にとどまる一方、その分野の専門家は約3分の2を正答します。Diamondサブセットには、専門家が正解し非専門家が誤答した問題だけが残されています。GPQA Diamond (HELM)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 3 ProがGPQA Diamond (HELM)の最高スコア80.3%を記録しています(HELM Capabilities、2025年11月24日)。
  • GPQA Diamond (HELM)の2位はGPT-5で、79.1%です(HELM Capabilities、2025年11月24日)。
  • GPQA Diamond (HELM):Stanford CRFMが独自に実行したGPQA Diamond。参考として掲載。Indexに使うのはEpochの実行結果です(HELM Capabilities)。
  • BenchLeaderでは68のモデル構成にGPQA Diamond (HELM)の公表結果があります(BenchLeader、2026年11月16日)。
  • GPQA Diamond (HELM)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)。

Stanford CRFMが独自に実行したGPQA Diamond。参考として掲載。Indexに使うのはEpochの実行結果です。

公開元
HELM Capabilities
カテゴリ
推論
Indexでの重み
参考のみ
モデル
68
データ基準日
2026年11月16日

Stanford Center for Research on Foundation Models (crfm.stanford.edu), Apache-2.0 results.

どんなテストか

GPQA Diamondは、博士レベルの専門家が作成した生物学・物理学・化学の多肢選択問題198問からなるセットです。問題は「Google検索では解けない」ように作られており、Webを自由に使える有能な非専門家でも正答率は約3分の1にとどまる一方、その分野の専門家は約3分の2を正答します。Diamondサブセットには、専門家が正解し非専門家が誤答した問題だけが残されています。

採点方法

Chain-of-Thoughtプロンプトを使った正答率です。

注意点

Stanford CRFMがHELMの固定ハーネスで独自に実行したGPQA Diamondです。参考として表示しており、Indexに反映しているのはEpoch AIの実行結果です。GPQA Diamondのボードもあわせてご覧ください。

68件中68件
#
1Gemini 3 Pro80.3%60.02025-11-24
2GPT-579.1%56.62025-11-24
3GPT-5 mini75.6%56.62025-11-24
4o375.3%60.42025-11-24
5Gemini 2.5 Pro74.9%55.22025-11-24
6o4-mini73.5%55.22025-11-24
7Grok 472.6%58.12025-11-24
8Qwen3 235B A22B 250772.6%50.72025-11-24
9Claude Opus 4thinking70.9%55.72025-11-24
10Claude Sonnet 4thinking70.6%53.82025-11-24
11Claude Sonnet 4.568.6%53.82025-11-24
12gpt-oss-120b68.4%46.12025-11-24
13GPT-5 nano67.9%56.22025-11-24
14Grok 3 mini67.5%52.02025-11-24
15Claude Opus 466.6%51.92025-11-24
16DeepSeek R1 052866.6%49.12025-11-24
17Palmyra X566.1%–2025-11-24
18GPT-4.165.9%48.72025-11-24
19Kimi K265.2%51.12025-11-24
20Grok 365.0%50.92025-11-24
21Llama 4 Maverick65.0%41.82025-11-24
22Claude Sonnet 464.3%50.02025-11-24
23Qwen3-Next 80B A3Bthinking63.0%52.22025-11-24
24Qwen3 235B A22B62.3%50.12025-11-24
25GPT-4.1 mini61.4%44.72025-11-24
26Claude 3.7 Sonnet60.8%49.22025-11-24
27Claude Haiku 4.560.5%47.72025-11-24
28GLM-4.5-Air59.4%46.72025-11-24
29gpt-oss-20b59.4%44.52025-11-24
30Claude 3.5 Sonnet56.5%46.82025-11-24
31Gemini 2.0 Flash55.6%43.52025-11-24
32DeepSeek V353.8%44.32025-11-24
33Gemini 1.5 Pro 00253.4%41.42025-11-24
34Llama 3.1 405B52.2%41.82025-11-24
35GPT-4o52.0%42.82025-11-24
36Nova Premier51.8%45.12025-11-24
37Llama 4 Scout50.7%38.22025-11-24
38GPT-4.1 nano50.7%36.92025-11-24
39Gemini 2.0 Flash-Lite50.0%48.02025-11-24
40Nova Pro44.6%40.52025-11-24
41GPT-5.144.2%56.12025-11-24
42Gemini 1.5 Flash 00243.7%38.22025-11-24
43Mistral Large 2.143.5%42.52025-11-24
44Qwen2.5 72B42.6%43.12025-11-24
45Llama 3.1 70B42.6%40.72025-11-24
46Palmyra Fin42.2%–2025-11-24
47Nova Lite39.7%38.22025-11-24
48Palmyra X 00439.5%–2025-11-24
49Mistral Small 3.139.2%38.42025-11-24
50Gemini 2.5 Flash39.0%52.42025-11-24
51Nova Micro38.3%39.22025-11-24
52Granite 4.0 Small38.3%–2025-11-24
53GPT-4o mini36.8%35.22025-11-24
54Palmyra Med36.8%–2025-11-24
55Claude 3.5 Haiku36.3%38.72025-11-24
56Qwen2.5 7B Instruct34.1%39.82025-11-24
57Mixtral 8x22B Instruct33.4%37.42025-11-24
58Granite 3.3 8B32.5%–2025-11-24
59Olmo 2 13B November 202431.6%–2025-11-24
60Gemini 2.5 Flash-Lite30.9%48.32025-11-24

推論のベンチマークをもっと見る · LLMベンチマーク一覧

GPQA Diamond (HELM)での注目のモデル比較

引用表記:BenchLeader「GPQA Diamond (HELM)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/helm_gpqa

GPQA Diamond (HELM):よくある質問

GPQA Diamond (HELM)は何を測るベンチマークですか?
GPQA Diamondは、博士レベルの専門家が作成した生物学・物理学・化学の多肢選択問題198問からなるセットです。問題は「Google検索では解けない」ように作られており、Webを自由に使える有能な非専門家でも正答率は約3分の1にとどまる一方、その分野の専門家は約3分の2を正答します。Diamondサブセットには、専門家が正解し非専門家が誤答した問題だけが残されています。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。
GPQA Diamond (HELM)の最高スコアは?
2026年11月16日時点で、GPQA Diamond (HELM)の最高スコアは80.3%で、Gemini 3 Proが記録しています(結果の日付は2025年11月24日)。次点はGPT-5の79.1%です。スコアはHELM Capabilitiesの公表値で、毎日読み直しています。
GPQA Diamond (HELM)でトップのAIモデルは?
2026年11月16日時点で、GPQA Diamond (HELM)の首位はGemini 3 Proで、スコアは80.3%です(結果の日付は2025年11月24日)。続いてGPT-5(79.1%)です。
GPQA Diamond (HELM)の結果があるモデルはいくつですか?
BenchLeaderでは68のモデル構成にGPQA Diamond (HELM)の結果があり、すべてHELM Capabilitiesから取得しています。
GPQA Diamond (HELM)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?
GPQA Diamond (HELM)はHELM Capabilities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。
GPQA Diamond (HELM)はBenchLeader Indexに含まれますか?
いいえ。GPQA Diamond (HELM)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。