BenchLeader

Humanity's Last Examのリーダーボード

2026年11月16日時点で、Humanity's Last Examの最高スコアは54.8%で、GPT-6 Astra(OpenAI)が記録しています。次点はClaude Fable 5.1の46.5%です。公表された結果があるのは48のモデル構成です(Scale AI / CAIS、結果の日付は2026年9月3日)。Humanity's Last Examは、古典学から化学まで100を超える分野の専門家が作成した約2,500問で、作成時点で最先端のモデルが誤答した問題が選ばれています。大半は完全一致の記述式か多肢選択式で、画像を含む問題もあります。Humanity's Last ExamはBenchLeader Indexの推論スコアに反映されます。

要点(2026年11月16日時点)

  • GPT-6 AstraがHumanity's Last Examの最高スコア54.8%を記録しています(Scale AI / CAIS、2026年9月3日)。
  • Humanity's Last Examの2位はClaude Fable 5.1で、46.5%です(Scale AI / CAIS、2026年9月1日)。
  • Humanity's Last Exam:100以上の分野にわたり専門家が作成した2,500問(Scale AI / CAIS)(Scale AI / CAIS)。
  • BenchLeaderでは48のモデル構成にHumanity's Last Examの公表結果があります(BenchLeader、2026年11月16日)。
  • Humanity's Last ExamはBenchLeader Indexの推論カテゴリに反映されます(BenchLeaderの評価方法)。

100以上の分野にわたり専門家が作成した2,500問(Scale AI / CAIS)。

公開元
Scale AI / CAISデータ取得元:Epoch AI Benchmarking Hub
カテゴリ
推論
Indexでの重み
1.0
モデル
48
データ基準日
2026年11月16日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

どんなテストか

Humanity's Last Examは、古典学から化学まで100を超える分野の専門家が作成した約2,500問で、作成時点で最先端のモデルが誤答した問題が選ばれています。大半は完全一致の記述式か多肢選択式で、画像を含む問題もあります。

採点方法

完全一致または多肢選択の回答の正答率で、Scale AIとCenter for AI Safetyが公表しています。モデルには確信度も答えさせ、それとは別にキャリブレーション誤差も報告されています。

注意点

問題は2024年時点のモデルに対して敵対的に選ばれたため、新しいモデルの登場とともにスコアは急速に上がりました。一部の問題はその後、異議が出たり修正されたりしています。30%未満のスコアも珍しくなく、それでも意味のある数字です。

48件中48件
#
1GPT-6 Astra54.8%66.42026-09-03
2Claude Fable 5.1xhigh46.5%64.62026-09-01
3Gemini 3.1 Pro46.4%59.92026-02-19
4Claude Sonnet 5.5xhigh46.1%62.52026-09-28
5Gemini 3.8 Flash44.5%56.42026-09-02
6GPT-5.4 Pro44.3%63.12026-03-05
7Muse Spark40.6%64.22026-04-08
8Gemini 3 Pro37.5%60.02025-11-18
9GPT-5.4xhigh36.2%63.12026-03-05
10Claude Opus 4.736.2%63.12026-04-16
11Claude Opus 4.6max34.4%57.02026-02-05
12GPT-5 Pro31.6%59.62025-10-07
13Claude Haiku 5.530.1%–2026-10-07
14GPT-5.227.8%56.72025-12-11
15GPT-5high25.3%58.22025-08-07
16GPT-525.3%56.62025-08-07
17Claude Opus 4.525.2%57.12025-11-24
18Kimi K2.524.4%54.62026-01-27
19GPT-5.123.7%56.12025-11-13
20Gemini 2.5 Pro21.6%55.22025-06-05
21o3high20.3%55.12025-04-16
22GPT-5 mini19.4%56.62025-08-07
23o3medium19.2%53.32025-04-16
24Claude Opus 4.619.0%62.12026-02-05
25o4-minihigh18.1%51.22025-04-16
26o4-minimedium14.3%51.72025-04-16
27Claude Sonnet 4.513.7%53.82025-09-29
28Gemini 2.5 Flash12.1%52.42025-04-17
29Claude Opus 4.111.5%51.12025-08-05
30Claude Opus 410.7%51.92025-05-22
31Gemini 3.1 Flash Lite8.6%52.62026-03-03
32GLM-4.58.3%51.62025-08-03
33GLM-4.5-Air8.1%46.72025-07-20
34o1-pro8.1%–2025-03-19
35Claude 3.7 Sonnet8.0%49.22025-02-24
36o18.0%52.52024-12-17
37Claude Sonnet 47.8%50.02025-05-22
38GPT-5.1推論なし6.8%45.72025-11-13
39Gemini 2.0 Flash Thinkingthinking6.6%45.12025-01-21
40Llama 4 Maverick5.7%41.82025-04-05
41GPT-4.55.4%50.52025-02-27
42GPT-4.15.4%48.72025-04-14
43Gemini 1.5 Pro 0024.6%41.42024-09-24
44Mistral Medium 34.5%44.32025-05-07
45Nova Pro4.4%40.52024-12-03
46Claude 3.5 Sonnet4.1%46.82024-10-22
47Nova Lite3.6%38.22024-12-03
48GPT-4o2.7%42.82024-11-20

推論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「Humanity's Last Exam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/hle

Humanity's Last Exam:よくある質問

Humanity's Last Examは何を測るベンチマークですか?
Humanity's Last Examは、古典学から化学まで100を超える分野の専門家が作成した約2,500問で、作成時点で最先端のモデルが誤答した問題が選ばれています。大半は完全一致の記述式か多肢選択式で、画像を含む問題もあります。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。
Humanity's Last Examの最高スコアは?
2026年11月16日時点で、Humanity's Last Examの最高スコアは54.8%で、GPT-6 Astraが記録しています(結果の日付は2026年9月3日)。次点はClaude Fable 5.1の46.5%です。スコアはScale AI / CAISの公表値で、毎日読み直しています。
Humanity's Last ExamでトップのAIモデルは?
2026年11月16日時点で、Humanity's Last Examの首位はGPT-6 Astraで、スコアは54.8%です(結果の日付は2026年9月3日)。続いてClaude Fable 5.1(46.5%)です。
Humanity's Last Examの結果があるモデルはいくつですか?
BenchLeaderでは48のモデル構成にHumanity's Last Examの結果があり、すべてScale AI / CAIS(Epoch AI Benchmarking Hub経由)から取得しています。
Humanity's Last Exam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?
Humanity's Last ExamはScale AI / CAIS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。
Humanity's Last ExamはBenchLeader Indexに含まれますか?
はい。Humanity's Last ExamはBenchLeader Indexの推論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。