BenchLeader

WildBench (HELM)のリーダーボード

2026年11月16日時点で、WildBench (HELM)の最高スコアは86.6%で、Qwen3 235B A22B 2507(Alibaba)が記録しています。次点はGPT-5.1の86.3%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)。WildBenchは、コーディングの手伝いから創作まで、ユーザーとチャットボットの実際の会話からタスクを集め、タスクごとのチェックリストに従って審査役のモデルが回答を採点します。WildBench (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)

  • Qwen3 235B A22B 2507がWildBench (HELM)の最高スコア86.6%を記録しています(HELM Capabilities、2025年11月24日)。
  • WildBench (HELM)の2位はGPT-5.1で、86.3%です(HELM Capabilities、2025年11月24日)。
  • WildBench (HELM):実際のユーザーのタスクを、ルーブリックに従う評価モデルが採点。Stanford CRFMのHELMが実施(HELM Capabilities)。
  • BenchLeaderでは68のモデル構成にWildBench (HELM)の公表結果があります(BenchLeader、2026年11月16日)。
  • WildBench (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)。

実際のユーザーのタスクを、ルーブリックに従う評価モデルが採点。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
0.5
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

WildBenchは、コーディングの手伝いから創作まで、ユーザーとチャットボットの実際の会話からタスクを集め、タスクごとのチェックリストに従って審査役のモデルが回答を採点します。

採点方法

WB Scoreで、チェックリストに基づく審査モデルによる0〜100の評価です。Stanford CRFMのHELMが実行しています。

注意点

別のモデルが審査するため、その審査モデルの好みがそのまま反映されます。そのため、BenchLeaderではこのベンチマークの重みを半分にしています。

68件中68件
#
1Qwen3 235B A22B 250786.6%50.72025-11-24
2GPT-5.186.3%56.12025-11-24
3Kimi K286.2%51.12025-11-24
4o386.1%60.42025-11-24
5Gemini 3 Pro85.9%60.02025-11-24
6GPT-585.7%56.62025-11-24
7Gemini 2.5 Pro85.7%55.22025-11-24
8GPT-5 mini85.5%56.62025-11-24
9o4-mini85.4%55.22025-11-24
10Claude Sonnet 4.585.4%53.82025-11-24
11GPT-4.185.4%48.72025-11-24
12Claude Opus 4thinking85.2%55.72025-11-24
13Grok 384.9%50.92025-11-24
14gpt-oss-120b84.5%46.12025-11-24
15Claude Haiku 4.583.9%47.72025-11-24
16Claude Sonnet 4thinking83.8%53.82025-11-24
17GPT-4.1 mini83.8%44.72025-11-24
18Claude Opus 483.3%51.92025-11-24
19DeepSeek V383.1%44.32025-11-24
20Qwen3 235B A22B82.8%50.12025-11-24
21DeepSeek R1 052882.8%49.12025-11-24
22GPT-4o82.8%42.82025-11-24
23Claude Sonnet 482.5%50.02025-11-24
24Gemini 2.5 Flash-Lite81.8%48.32025-11-24
25Gemini 2.5 Flash81.7%52.42025-11-24
26Claude 3.7 Sonnet81.4%49.22025-11-24
27Gemini 1.5 Pro 00281.3%41.42025-11-24
28GPT-4.1 nano81.1%36.92025-11-24
29Qwen3-Next 80B A3Bthinking80.7%52.22025-11-24
30GPT-5 nano80.6%56.22025-11-24
31Qwen2.5 72B80.2%43.12025-11-24
32Palmyra X 00480.2%–2025-11-24
33Mistral Large 2.180.1%42.52025-11-24
34Gemini 2.0 Flash80.0%43.52025-11-24
35Llama 4 Maverick80.0%41.82025-11-24
36Grok 479.7%58.12025-11-24
37Claude 3.5 Sonnet79.2%46.82025-11-24
38Gemini 1.5 Flash 00279.2%38.22025-11-24
39GPT-4o mini79.1%35.22025-11-24
40Gemini 2.0 Flash-Lite79.0%48.02025-11-24
41GLM-4.5-Air78.9%46.72025-11-24
42Nova Premier78.8%45.12025-11-24
43Mistral Small 3.178.8%38.42025-11-24
44Llama 3.1 405B78.3%41.82025-11-24
45Palmyra Fin78.3%–2025-11-24
46Palmyra X578.0%–2025-11-24
47Llama 4 Scout77.9%38.22025-11-24
48Nova Pro77.7%40.52025-11-24
49Claude 3.5 Haiku76.0%38.72025-11-24
50Llama 3.1 70B75.8%40.72025-11-24
51Nova Lite75.0%38.22025-11-24
52Nova Micro74.3%39.22025-11-24
53Granite 3.3 8B74.1%–2025-11-24
54Granite 4.0 Small73.9%–2025-11-24
55gpt-oss-20b73.7%44.52025-11-24
56Olmo 2 32B March 202573.4%–2025-11-24
57Qwen2.5 7B Instruct73.1%39.82025-11-24
58Mixtral 8x22B Instruct71.1%37.42025-11-24
59Olmo 2 13B November 202468.9%–2025-11-24
60Llama 3.1 8B68.6%33.02025-11-24

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「WildBench (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_wildbench

WildBench (HELM):よくある質問

WildBench (HELM)は何を測るベンチマークですか?
WildBenchは、コーディングの手伝いから創作まで、ユーザーとチャットボットの実際の会話からタスクを集め、タスクごとのチェックリストに従って審査役のモデルが回答を採点します。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。
WildBench (HELM)の最高スコアは?
2026年11月16日時点で、WildBench (HELM)の最高スコアは86.6%で、Qwen3 235B A22B 2507が記録しています(結果の日付は2025年11月24日)。次点はGPT-5.1の86.3%です。スコアはHELM Capabilitiesの公表値で、毎日読み直しています。
WildBench (HELM)でトップのAIモデルは?
2026年11月16日時点で、WildBench (HELM)の首位はQwen3 235B A22B 2507で、スコアは86.6%です(結果の日付は2025年11月24日)。続いてGPT-5.1(86.3%)です。
WildBench (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WildBench (HELM)の結果があり、すべてHELM Capabilitiesから取得しています。
WildBench (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?
WildBench (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。
WildBench (HELM)はBenchLeader Indexに含まれますか?
はい。WildBench (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。