BenchLeader

ProofBenchのリーダーボード

2026年11月16日時点で、ProofBenchの最高スコアは100.0%で、Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1、Claude Sonnet 5.5が並んでいます。次点はGPT-6 Astraの99.0%です。公表された結果があるのは85のモデル構成です(Vals AI、結果の日付は2026年11月9日)。ProofBenchは、最終的な答えだけでなく、競技レベルや学部レベルの定理について完全な証明を書くよう求め、厳密さと完全さで採点します。ProofBenchはBenchLeader Indexの数学スコアに反映されます。

要点(2026年11月16日時点)

  • Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1、Claude Sonnet 5.5がProofBenchの最高スコア100.0%で並んでいます(Vals AI、2026年11月16日)。
  • ProofBench:記述式の完全な証明を、厳密さで採点(Vals AI)(Vals AI)。
  • BenchLeaderでは85のモデル構成にProofBenchの公表結果があります(BenchLeader、2026年11月16日)。
  • ProofBenchはBenchLeader Indexの数学カテゴリに反映されます(BenchLeaderの評価方法)。

記述式の完全な証明を、厳密さで採点(Vals AI)。

公開元
Vals AIデータ取得元:Epoch AI Benchmarking Hub
カテゴリ
数学
Indexでの重み
0.5
モデル
85
データ基準日
2026年11月16日
最新の結果
2026年11月9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

ProofBenchは、最終的な答えだけでなく、競技レベルや学部レベルの定理について完全な証明を書くよう求め、厳密さと完全さで採点します。

採点方法

全証明を通じた満点に対する得点の割合で、人間のレビューを伴うルーブリックで採点されます。Vals AIが公表しています。

注意点

証明の採点には判断が伴うため、モデルと同じくらい採点のプロトコルが結果を左右します。スコアは最終回答型の数学ベンチマークよりはるかに低く、それらと比較すべきではありません。

85件中85件
#
1NEWClaude Fable 5.2max100.0%72.72026-11-09
2Claude Opus 5.5max100.0%68.42026-09-22
3Claude Fable 5.1max100.0%66.72026-09-01
4Claude Sonnet 5.5max100.0%64.22026-09-28
5GPT-6 Astra99.0%66.42026-09-03
6Claude Opus 5max99.0%65.02026-07-24
7Gemini 4 Argon99.0%64.42026-10-13
8GPT-6.1 Sol99.0%62.02026-09-29
9Claude Fable 5max95.0%65.12026-06-09
10Kimi K3.1 Pro91.0%61.82026-10-23
11Claude Haiku 5.5max89.0%55.32026-10-07
12Kimi K387.0%60.72026-07-16
13Muse Wonder84.0%64.42026-10-12
14GPT-5.6 Solmax83.0%65.32026-07-09
15GPT-6 Sol83.0%–2026-09-22
16Claude Sonnet 5max77.0%56.12026-06-30
17Hy475.0%56.72026-08-28
18GPT-5.6 Terraxhigh74.0%60.12026-07-09
19MiMo-V2.6-Pro70.0%57.52026-09-21
20Claude Opus 4.8max69.0%61.12026-05-28
21GPT-6 Luna64.0%–2026-09-22
22MiMo-V2.6-Flash63.0%54.82026-09-21
23GPT-5.6 Lunamax60.0%56.22026-07-09
24Muse Spark 1.3max58.0%60.62026-09-02
25Qwen3.8 Maxmax58.0%58.72026-08-02
26Gemini 3.7 Flash58.0%–2026-08-13
27GPT-5.4xhigh56.0%63.12026-03-05
28DeepSeek V4 Flash56.0%53.82026-07-31
29Muse Spark 1.355.0%61.62026-09-02
30Claude Opus 4.7max54.0%59.72026-04-16
31DeepSeek V4.1 Flash54.0%–2026-09-09
32Grok 4.651.0%–2026-08-12
33GPT-5.5xhigh50.0%64.12026-04-23
34Claude Opus 4.6max50.0%57.02026-02-05
35DeepSeek V4 Pro50.0%53.02026-08-13
36GLM 5.3max49.0%58.82026-08-14
37Gemini 3.8 Flash48.0%56.42026-09-02
38Claude Sonnet 4.6max45.0%56.12026-02-17
39Muse Spark 1.243.0%–2026-08-05
40Step 5 Preview42.0%56.02026-09-18
41Muse Spark 1.139.0%62.22026-07-09
42Claude Opus 4.536.0%57.12025-11-24
43Gemini 3.6 Flash36.0%49.32026-07-21
44GLM 5.2max35.0%58.92026-06-16
45Gemini 3.5 Flashhigh31.0%62.52026-05-19
46Grok 4.5high31.0%56.82026-07-08
47Qwen3.7max26.0%60.02026-05-19
48Gemini 3.1 Pro26.0%59.92026-02-19
49Grok 4.726.0%–2026-09-21
50GLM 5.122.2%55.42026-04-07
51MiMo-V2.5-Pro22.0%55.5–
52GPT-5.4 Minixhigh21.0%55.12026-03-17
53GLM 5.3 Flashmax21.0%52.42026-08-20
54Gemini 3 Pro20.0%60.02025-11-18
55Claude Sonnet 4.519.0%53.82025-09-29
56GPT-5high18.0%58.22025-08-07
57MiniMax M318.0%56.12026-06-01
58Beam 1.018.0%45.92026-10-05
59Muse Spark17.0%64.22026-04-08
60MiMo-V2.516.0%56.3–

数学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「ProofBench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/proofbench

ProofBench:よくある質問

ProofBenchは何を測るベンチマークですか?
ProofBenchは、最終的な答えだけでなく、競技レベルや学部レベルの定理について完全な証明を書くよう求め、厳密さと完全さで採点します。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。
ProofBenchの最高スコアは?
2026年11月16日時点で、ProofBenchの最高スコアは100.0%で、Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1、Claude Sonnet 5.5が並んでいます。次点はGPT-6 Astraの99.0%です。スコアはVals AIの公表値で、毎日読み直しています。
ProofBenchでトップのAIモデルは?
2026年11月16日時点で、Claude Fable 5.2、Claude Opus 5.5、Claude Fable 5.1、Claude Sonnet 5.5が100.0%でProofBenchの首位に並んでいます。
ProofBenchの結果があるモデルはいくつですか?
BenchLeaderでは85のモデル構成にProofBenchの結果があり、すべてVals AI(Epoch AI Benchmarking Hub経由)から取得しています。
ProofBench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?
ProofBenchはVals AI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。
ProofBenchはBenchLeader Indexに含まれますか?
はい。ProofBenchはBenchLeader Indexの数学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。