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。
- 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。
- 1Gemini 3 Pro80.3%
- 2GPT-579.1%
- 3GPT-5 mini75.6%
- 4o375.3%
- 5Gemini 2.5 Pro74.9%
- 6o4-mini73.5%
- 7Grok 472.6%
- 8Qwen3 235B A22B 250772.6%
- 9Claude Opus 4 (thinking)70.9%
- 10Claude Sonnet 4 (thinking)70.6%
- 11Claude Sonnet 4.568.6%
- 12gpt-oss-120b68.4%
- 13GPT-5 nano67.9%
- 14Grok 3 mini67.5%
- 15Claude Opus 466.6%
| # | ||||
|---|---|---|---|---|
| 1 | 80.3% | 60.0 | 2025-11-24 | |
| 2 | 79.1% | 56.6 | 2025-11-24 | |
| 3 | 75.6% | 56.6 | 2025-11-24 | |
| 4 | 75.3% | 60.4 | 2025-11-24 | |
| 5 | 74.9% | 55.2 | 2025-11-24 | |
| 6 | 73.5% | 55.2 | 2025-11-24 | |
| 7 | 72.6% | 58.1 | 2025-11-24 | |
| 8 | 72.6% | 50.7 | 2025-11-24 | |
| 9 | 70.9% | 55.7 | 2025-11-24 | |
| 10 | 70.6% | 53.8 | 2025-11-24 | |
| 11 | 68.6% | 53.8 | 2025-11-24 | |
| 12 | 68.4% | 46.1 | 2025-11-24 | |
| 13 | 67.9% | 56.2 | 2025-11-24 | |
| 14 | 67.5% | 52.0 | 2025-11-24 | |
| 15 | 66.6% | 51.9 | 2025-11-24 | |
| 16 | 66.6% | 49.1 | 2025-11-24 | |
| 17 | 66.1% | – | 2025-11-24 | |
| 18 | 65.9% | 48.7 | 2025-11-24 | |
| 19 | 65.2% | 51.1 | 2025-11-24 | |
| 20 | 65.0% | 50.9 | 2025-11-24 | |
| 21 | 65.0% | 41.8 | 2025-11-24 | |
| 22 | 64.3% | 50.0 | 2025-11-24 | |
| 23 | 63.0% | 52.2 | 2025-11-24 | |
| 24 | 62.3% | 50.1 | 2025-11-24 | |
| 25 | 61.4% | 44.7 | 2025-11-24 | |
| 26 | 60.8% | 49.2 | 2025-11-24 | |
| 27 | 60.5% | 47.7 | 2025-11-24 | |
| 28 | 59.4% | 46.7 | 2025-11-24 | |
| 29 | 59.4% | 44.5 | 2025-11-24 | |
| 30 | 56.5% | 46.8 | 2025-11-24 | |
| 31 | 55.6% | 43.5 | 2025-11-24 | |
| 32 | 53.8% | 44.3 | 2025-11-24 | |
| 33 | 53.4% | 41.4 | 2025-11-24 | |
| 34 | 52.2% | 41.8 | 2025-11-24 | |
| 35 | 52.0% | 42.8 | 2025-11-24 | |
| 36 | 51.8% | 45.1 | 2025-11-24 | |
| 37 | 50.7% | 38.2 | 2025-11-24 | |
| 38 | 50.7% | 36.9 | 2025-11-24 | |
| 39 | 50.0% | 48.0 | 2025-11-24 | |
| 40 | 44.6% | 40.5 | 2025-11-24 | |
| 41 | 44.2% | 56.1 | 2025-11-24 | |
| 42 | 43.7% | 38.2 | 2025-11-24 | |
| 43 | 43.5% | 42.5 | 2025-11-24 | |
| 44 | 42.6% | 43.1 | 2025-11-24 | |
| 45 | 42.6% | 40.7 | 2025-11-24 | |
| 46 | 42.2% | – | 2025-11-24 | |
| 47 | 39.7% | 38.2 | 2025-11-24 | |
| 48 | 39.5% | – | 2025-11-24 | |
| 49 | 39.2% | 38.4 | 2025-11-24 | |
| 50 | 39.0% | 52.4 | 2025-11-24 | |
| 51 | 38.3% | 39.2 | 2025-11-24 | |
| 52 | 38.3% | – | 2025-11-24 | |
| 53 | 36.8% | 35.2 | 2025-11-24 | |
| 54 | 36.8% | – | 2025-11-24 | |
| 55 | 36.3% | 38.7 | 2025-11-24 | |
| 56 | 34.1% | 39.8 | 2025-11-24 | |
| 57 | 33.4% | 37.4 | 2025-11-24 | |
| 58 | 32.5% | – | 2025-11-24 | |
| 59 | 31.6% | – | 2025-11-24 | |
| 60 | 30.9% | 48.3 | 2025-11-24 |
関連するベンチマーク
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。