IFEval (HELM)のリーダーボード
2026年11月16日時点で、IFEval (HELM)の最高スコアは95.1%で、Grok 3 mini(SpaceXAI)が記録しています。次点はGrok 4の94.9%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)。IFEvalは、検証可能な指示を付けた文章作成タスクをモデルに与えます。「ちょうど3段落で答える」「文字eを使わない」「指定のフレーズで締める」といった指示です。各指示はプログラムで確認できるため、審査役のモデルは必要ありません。IFEval (HELM)はBenchLeader Indexの指示追従スコアに反映されます。
要点(2026年11月16日時点)
- Grok 3 miniがIFEval (HELM)の最高スコア95.1%を記録しています(HELM Capabilities、2025年11月24日)。
- IFEval (HELM)の2位はGrok 4で、94.9%です(HELM Capabilities、2025年11月24日)。
- IFEval (HELM):検証可能な制約に対する厳密な指示追従。Stanford CRFMのHELMが実施(HELM Capabilities)。
- BenchLeaderでは68のモデル構成にIFEval (HELM)の公表結果があります(BenchLeader、2026年11月16日)。
- IFEval (HELM)はBenchLeader Indexの指示追従カテゴリに反映されます(BenchLeaderの評価方法)。
検証可能な制約に対する厳密な指示追従。Stanford CRFMのHELMが実施。
- カテゴリ
- 指示追従
- Indexでの重み
- 1.0
- 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
IFEvalは、検証可能な指示を付けた文章作成タスクをモデルに与えます。「ちょうど3段落で答える」「文字eを使わない」「指定のフレーズで締める」といった指示です。各指示はプログラムで確認できるため、審査役のモデルは必要ありません。
採点方法
厳密な正答率、つまり指示を正確に満たした割合で、Stanford CRFMのHELMが固定のハーネスで実行しています。
注意点
ルールが守られたかを確認するもので、文章の良し悪しは評価せず、制約も人工的です。最先端のモデルでは飽和に近いため、主に中位のモデル同士の差を見分けるのに役立ちます。
- 1Grok 3 mini95.1%
- 2Grok 494.9%
- 3GPT-5.193.5%
- 4GPT-5 nano93.2%
- 5o4-mini92.9%
- 6GPT-5 mini92.7%
- 7Claude Opus 491.8%
- 8Llama 4 Maverick90.8%
- 9GPT-4.1 mini90.4%
- 10Gemini 2.5 Flash89.8%
- 11Granite 4.0 Small89.0%
- 12Grok 388.4%
- 13Gemini 3 Pro87.6%
- 14Mistral Large 2.187.6%
- 15GPT-587.5%
| # | ||||
|---|---|---|---|---|
| 1 | 95.1% | 52.0 | 2025-11-24 | |
| 2 | 94.9% | 58.1 | 2025-11-24 | |
| 3 | 93.5% | 56.1 | 2025-11-24 | |
| 4 | 93.2% | 56.2 | 2025-11-24 | |
| 5 | 92.9% | 55.2 | 2025-11-24 | |
| 6 | 92.7% | 56.6 | 2025-11-24 | |
| 7 | 91.8% | 51.9 | 2025-11-24 | |
| 8 | 90.8% | 41.8 | 2025-11-24 | |
| 9 | 90.4% | 44.7 | 2025-11-24 | |
| 10 | 89.8% | 52.4 | 2025-11-24 | |
| 11 | 89.0% | – | 2025-11-24 | |
| 12 | 88.4% | 50.9 | 2025-11-24 | |
| 13 | 87.6% | 60.0 | 2025-11-24 | |
| 14 | 87.6% | 42.5 | 2025-11-24 | |
| 15 | 87.5% | 56.6 | 2025-11-24 | |
| 16 | 87.2% | – | 2025-11-24 | |
| 17 | 86.9% | 60.4 | 2025-11-24 | |
| 18 | 85.6% | 46.8 | 2025-11-24 | |
| 19 | 85.0% | 53.8 | 2025-11-24 | |
| 20 | 85.0% | 51.1 | 2025-11-24 | |
| 21 | 84.9% | 55.7 | 2025-11-24 | |
| 22 | 84.9% | 36.2 | 2025-11-24 | |
| 23 | 84.3% | 36.9 | 2025-11-24 | |
| 24 | 84.1% | 43.5 | 2025-11-24 | |
| 25 | 84.0% | 55.2 | 2025-11-24 | |
| 26 | 84.0% | 53.8 | 2025-11-24 | |
| 27 | 83.9% | 50.0 | 2025-11-24 | |
| 28 | 83.8% | 48.7 | 2025-11-24 | |
| 29 | 83.7% | 41.4 | 2025-11-24 | |
| 30 | 83.6% | 46.1 | 2025-11-24 | |
| 31 | 83.5% | 50.7 | 2025-11-24 | |
| 32 | 83.4% | 49.2 | 2025-11-24 | |
| 33 | 83.2% | 44.3 | 2025-11-24 | |
| 34 | 83.1% | 38.2 | 2025-11-24 | |
| 35 | 82.4% | 48.0 | 2025-11-24 | |
| 36 | 82.3% | – | 2025-11-24 | |
| 37 | 82.1% | 40.7 | 2025-11-24 | |
| 38 | 81.8% | 38.2 | 2025-11-24 | |
| 39 | 81.7% | 42.8 | 2025-11-24 | |
| 40 | 81.6% | 50.1 | 2025-11-24 | |
| 41 | 81.5% | 40.5 | 2025-11-24 | |
| 42 | 81.2% | 46.7 | 2025-11-24 | |
| 43 | 81.1% | 41.8 | 2025-11-24 | |
| 44 | 81.0% | 52.2 | 2025-11-24 | |
| 45 | 81.0% | 48.3 | 2025-11-24 | |
| 46 | 80.6% | 43.1 | 2025-11-24 | |
| 47 | 80.3% | 45.1 | 2025-11-24 | |
| 48 | 80.1% | 47.7 | 2025-11-24 | |
| 49 | 79.3% | – | 2025-11-24 | |
| 50 | 79.2% | 38.7 | 2025-11-24 | |
| 51 | 78.4% | 49.1 | 2025-11-24 | |
| 52 | 78.2% | 35.2 | 2025-11-24 | |
| 53 | 78.0% | – | 2025-11-24 | |
| 54 | 77.6% | 38.2 | 2025-11-24 | |
| 55 | 76.7% | – | 2025-11-24 | |
| 56 | 76.0% | 39.2 | 2025-11-24 | |
| 57 | 75.0% | 38.4 | 2025-11-24 | |
| 58 | 74.3% | 33.0 | 2025-11-24 | |
| 59 | 74.1% | 39.8 | 2025-11-24 | |
| 60 | 73.2% | 44.5 | 2025-11-24 |
指示追従のベンチマークをもっと見る · LLMベンチマーク一覧
関連するベンチマーク
引用表記:BenchLeader「IFEval (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_ifeval
IFEval (HELM):よくある質問
- IFEval (HELM)は何を測るベンチマークですか?
- IFEvalは、検証可能な指示を付けた文章作成タスクをモデルに与えます。「ちょうど3段落で答える」「文字eを使わない」「指定のフレーズで締める」といった指示です。各指示はプログラムで確認できるため、審査役のモデルは必要ありません。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。
- IFEval (HELM)の最高スコアは?
- 2026年11月16日時点で、IFEval (HELM)の最高スコアは95.1%で、Grok 3 miniが記録しています(結果の日付は2025年11月24日)。次点はGrok 4の94.9%です。スコアはHELM Capabilitiesの公表値で、毎日読み直しています。
- IFEval (HELM)でトップのAIモデルは?
- 2026年11月16日時点で、IFEval (HELM)の首位はGrok 3 miniで、スコアは95.1%です(結果の日付は2025年11月24日)。続いてGrok 4(94.9%)です。
- IFEval (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IFEval (HELM)の結果があり、すべてHELM Capabilitiesから取得しています。
- IFEval (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?
- IFEval (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。
- IFEval (HELM)はBenchLeader Indexに含まれますか?
- はい。IFEval (HELM)はBenchLeader Indexの指示追従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。