BenchLeader

LiveBench Long Agenticのリーダーボード

2026年11月16日時点で、LiveBench Long Agenticの最高スコアは82.9%で、Claude Fable 5.2(Anthropic)が記録しています。次点はGPT-6 Astraの75.6%です。公表された結果があるのは34のモデル構成です(LiveBench、結果の日付は2026年11月6日)。LiveBenchの長期エージェントスイートで、序盤の判断が後のターン、月、テストケースまで通用し続けなければならない多段階の作業です。LiveBench Long Agentic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)

  • Claude Fable 5.2がLiveBench Long Agenticの最高スコア82.9%を記録しています(LiveBench、2026年11月6日)。
  • LiveBench Long Agenticの2位はGPT-6 Astraで、75.6%です(LiveBench、2026年11月6日)。
  • LiveBench Long Agentic:LiveBench 2.0の長期エージェントスイート(LiveBench)。
  • BenchLeaderでは34のモデル構成にLiveBench Long Agenticの公表結果があります(BenchLeader、2026年11月16日)。
  • LiveBench Long Agentic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)。

LiveBench 2.0の長期エージェントスイート。

公開元
LiveBench
カテゴリ
エージェント・ツール
Indexでの重み
参考のみ
モデル
34
データ基準日
2026年11月16日

LiveBench (livebench.ai), White et al. 2024.

どんなテストか

LiveBenchの長期エージェントスイートで、序盤の判断が後のターン、月、テストケースまで通用し続けなければならない多段階の作業です。

採点方法

スイートの0〜100のタスクスコアの平均で、1回の実行の結果です。

注意点

長期にわたりハーネスにも左右されるタスクです。0点は、部分的に取り組んだ結果ではなく、実行自体が失敗したことを意味する場合があります。

34件中34件
#
1NEWClaude Fable 5.2xhigh82.9%69.7$2896.70$160.931.4M2026-11-06
2GPT-6 Astramax75.6%67.3$911.16$50.62236k2026-11-06
3Claude Fable 5.1max74.2%66.7$1445.29$80.29349k2026-11-06
4Claude Opus 5.5max72.8%68.4$1510.52$83.921.1M2026-11-06
5Gemini 4 Carbonhigh72.7%68.9$162.99$9.05310k2026-11-06
6GPT-6.1 Solmax65.6%66.6$115.59$6.42215k2026-11-06
7Claude Sonnet 5.5max63.4%64.2$1257.99$69.892.7M2026-11-06
8NEWGemini 4 Hydrogenxhigh61.8%61.8$128.74$7.15307k2026-11-06
9Gemini 4 Argonhigh58.5%65.3$159.75$8.88279k2026-11-06
10GPT-6.1 Terramax56.2%64.1$110.63$6.15276k2026-11-06
11Muse Spark 1.3max47.9%60.6$202.69$11.26266k2026-11-06
12Claude Haiku 5.5max47.9%55.3$292.47$16.253.2M2026-11-06
13Muse Wondermax46.2%60.8$295.86$16.44182k2026-11-06
14Grok 4.7xhigh45.3%57.4$615.73$34.21260k2026-11-06
15DeepSeek V4.1 Flash 1017max38.8%57.7$25.52$1.42416k2026-11-06
16Kimi K3.1 Promax38.7%59.9$109.69$6.09121k2026-11-06
17MiMo-V2.6-Prohigh36.4%–$15.96$0.887324k2026-11-06
18Kimi K3max36.0%60.2$318.18$17.68230k2026-11-06
19Qwen3.8 Maxmax26.6%58.7$298.62$16.59402k2026-11-06
20GPT-5.6 Terramax25.9%59.5$220.73$12.26164k2026-11-06
21MiniMax M3.1 Flashmax25.7%–$23.38$1.30407k2026-11-06
22GPT-6 Lunamax24.7%55.1$12.00$0.667254k2026-11-06
23Mistral Large 4high24.7%48.3$69.48$3.86208k2026-11-06
24GLM 5.3 Flashmax20.7%52.4$26.84$1.49237k2026-11-06
25Step 5 Previewmax19.4%–$162.98$9.05434k2026-11-06
26Grok 4.6xhigh18.7%56.1$262.32$14.57133k2026-11-06
27Gemini 3.8 Flashhigh16.5%59.4$102.75$5.71234k2026-11-06
28Qwen3.8 27Bmax15.9%–$139.86$7.77335k2026-11-06
29Muse Spark Openmax12.1%–$98.95$5.50132k2026-11-06
30Nemotron Super VL 3.5max12.0%–$29.77$1.65184k2026-11-06
31Smaug Nemotron 3.5 NVFP4max11.3%–$20.71$1.15217k2026-11-06
32Nemotron Super VL 3.5 NVFP4max11.0%–$16.99$0.944194k2026-11-06
33Inklingmax9.8%–$195.53$10.86156k2026-11-06
34Gemma 4 31Bmax8.5%–$17.43$0.96948k2026-11-06

エージェント・ツール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「LiveBench Long Agentic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/livebench_long_agentic

LiveBench Long Agentic:よくある質問

LiveBench Long Agenticは何を測るベンチマークですか?
LiveBenchの長期エージェントスイートで、序盤の判断が後のターン、月、テストケースまで通用し続けなければならない多段階の作業です。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。
LiveBench Long Agenticの最高スコアは?
2026年11月16日時点で、LiveBench Long Agenticの最高スコアは82.9%で、Claude Fable 5.2が記録しています(結果の日付は2026年11月6日)。次点はGPT-6 Astraの75.6%です。スコアはLiveBenchの公表値で、毎日読み直しています。
LiveBench Long AgenticでトップのAIモデルは?
2026年11月16日時点で、LiveBench Long Agenticの首位はClaude Fable 5.2で、スコアは82.9%です(結果の日付は2026年11月6日)。続いてGPT-6 Astra(75.6%)です。
LiveBench Long Agenticの結果があるモデルはいくつですか?
BenchLeaderでは34のモデル構成にLiveBench Long Agenticの結果があり、すべてLiveBenchから取得しています。
LiveBench Long Agentic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?
LiveBench Long AgenticはLiveBench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。
LiveBench Long AgenticはBenchLeader Indexに含まれますか?
いいえ。LiveBench Long Agentic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。