BenchLeader

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。

公開元
HELM Capabilities
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。

68件中68件
#
1Grok 3 mini95.1%52.02025-11-24
2Grok 494.9%58.12025-11-24
3GPT-5.193.5%56.12025-11-24
4GPT-5 nano93.2%56.22025-11-24
5o4-mini92.9%55.22025-11-24
6GPT-5 mini92.7%56.62025-11-24
7Claude Opus 491.8%51.92025-11-24
8Llama 4 Maverick90.8%41.82025-11-24
9GPT-4.1 mini90.4%44.72025-11-24
10Gemini 2.5 Flash89.8%52.42025-11-24
11Granite 4.0 Small89.0%–2025-11-24
12Grok 388.4%50.92025-11-24
13Gemini 3 Pro87.6%60.02025-11-24
14Mistral Large 2.187.6%42.52025-11-24
15GPT-587.5%56.62025-11-24
16Palmyra X 00487.2%–2025-11-24
17o386.9%60.42025-11-24
18Claude 3.5 Sonnet85.6%46.82025-11-24
19Claude Sonnet 4.585.0%53.82025-11-24
20Kimi K285.0%51.12025-11-24
21Claude Opus 4thinking84.9%55.72025-11-24
22granite-4.0-micro84.9%36.22025-11-24
23GPT-4.1 nano84.3%36.92025-11-24
24Gemini 2.0 Flash84.1%43.52025-11-24
25Gemini 2.5 Pro84.0%55.22025-11-24
26Claude Sonnet 4thinking84.0%53.82025-11-24
27Claude Sonnet 483.9%50.02025-11-24
28GPT-4.183.8%48.72025-11-24
29Gemini 1.5 Pro 00283.7%41.42025-11-24
30gpt-oss-120b83.6%46.12025-11-24
31Qwen3 235B A22B 250783.5%50.72025-11-24
32Claude 3.7 Sonnet83.4%49.22025-11-24
33DeepSeek V383.2%44.32025-11-24
34Gemini 1.5 Flash 00283.1%38.22025-11-24
35Gemini 2.0 Flash-Lite82.4%48.02025-11-24
36Palmyra X582.3%–2025-11-24
37Llama 3.1 70B82.1%40.72025-11-24
38Llama 4 Scout81.8%38.22025-11-24
39GPT-4o81.7%42.82025-11-24
40Qwen3 235B A22B81.6%50.12025-11-24
41Nova Pro81.5%40.52025-11-24
42GLM-4.5-Air81.2%46.72025-11-24
43Llama 3.1 405B81.1%41.82025-11-24
44Qwen3-Next 80B A3Bthinking81.0%52.22025-11-24
45Gemini 2.5 Flash-Lite81.0%48.32025-11-24
46Qwen2.5 72B80.6%43.12025-11-24
47Nova Premier80.3%45.12025-11-24
48Claude Haiku 4.580.1%47.72025-11-24
49Palmyra Fin79.3%–2025-11-24
50Claude 3.5 Haiku79.2%38.72025-11-24
51DeepSeek R1 052878.4%49.12025-11-24
52GPT-4o mini78.2%35.22025-11-24
53Olmo 2 32B March 202578.0%–2025-11-24
54Nova Lite77.6%38.22025-11-24
55Palmyra Med76.7%–2025-11-24
56Nova Micro76.0%39.22025-11-24
57Mistral Small 3.175.0%38.42025-11-24
58Llama 3.1 8B74.3%33.02025-11-24
59Qwen2.5 7B Instruct74.1%39.82025-11-24
60gpt-oss-20b73.2%44.52025-11-24

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

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。