BenchLeader

AI推論・数学ベンチマークのリーダーボード(2026年11月)

2026年11月16日時点で、BenchLeaderは13の公開元による59件の推論・数学のベンチマークを追跡しており、そのうち24件がBenchLeader Indexに使われています。推論のベンチマーク全体では、GPT-6 Astra(OpenAI)が推論スコア79.0で首位、続いてClaude Fable 5.2(76.9)、Gemini 4 Carbon(74.6)です。数学のベンチマーク全体では、Claude Fable 5.2(Anthropic)が数学スコア74.5で首位、続いてClaude Opus 5.5(73.2)、Claude Fable 5.1(72.0)です。最も重みの大きい現役のベンチマークでは、HLE-DiamondのトップがClaude Fable 5.2 (max)(80.2%)、Arena MathsのトップがGemini 4 Argon (high)(1536)です。59件のうち、現役が26件、飽和に近いものが3件、飽和が20件、更新停止が10件です(更新停止:1年間新しい結果がないもの)。

最終更新 · 6時間ごとに更新 · 第三者の公開元のみ、発表記事の数値は不使用

ベンチマーク
59
現役
26
飽和・飽和に近い
23
公開元
13

ほかのカテゴリ:AIエージェントのベンチマーク · AIコーディングのベンチマーク · マルチモーダルAIのベンチマーク · すべてのLLMベンチマーク

推論のベンチマークで首位のモデル

BenchLeader Indexの推論カテゴリで順位付けしています。以下のうちIndexに使われている各ベンチマークを標準化(50が平均的なモデル)して平均したものです。各モデル1行で、最も成績の良い推論エフォートの結果を示します。ランク入りには、これらのベンチマークのうち少なくとも2件の結果が必要です。

#モデルプロバイダー推論スコアIndexブレンド $/M
1GPT-6 AstraOpenAI79.066.4$20.00
2Claude Fable 5.2 (xhigh)Anthropic76.969.7$16.00
3Gemini 4 Carbon (medium)Google74.665.8$4.00
4Claude Opus 5.5 (xhigh)Anthropic73.465.4$8.00
5Gemini 3.8 FlashGoogle73.256.4$1.50
6Gemini 4 Hydrogen (xhigh)Google72.961.8$3.00
7GPT-6.1 Sol (xhigh)OpenAI72.163.6$4.00
8Claude Fable 5.1 (xhigh)Anthropic71.964.6$20.00
9GPT-5.4 ProOpenAI70.163.1$67.50
10Claude Fable 5 (xhigh)Anthropic69.6–$20.00

数学のベンチマークで首位のモデル

BenchLeader Indexの数学カテゴリで順位付けしています。以下のうちIndexに使われている各ベンチマークを標準化(50が平均的なモデル)して平均したものです。各モデル1行で、最も成績の良い推論エフォートの結果を示します。ランク入りには、これらのベンチマークのうち少なくとも2件の結果が必要です。

#モデルプロバイダー数学スコアIndexブレンド $/M
1Claude Fable 5.2 (max)Anthropic74.572.7$16.00
2Claude Opus 5.5 (max)Anthropic73.268.4$8.00
3Claude Fable 5.1 (max)Anthropic72.066.7$20.00
4Gemini 4 Carbon (high)Google71.968.9$4.00
5GPT-6.1 Terra (max)OpenAI71.764.1$2.00
6GPT-6.1 Sol (max)OpenAI71.666.6$4.00
7Claude Fable 5 (max)Anthropic71.465.1$20.00
8Claude Sonnet 5.5 (max)Anthropic71.364.2$4.00
9GPT-6 Astra (max)OpenAI70.867.3$20.00
10o3OpenAI70.660.4$3.50

推論の全ベンチマーク:測定内容と現在のトップ(38件)

推論ベンチマークは、記憶だけでは答えられない問題を出します。大学院レベルの科学(GPQA Diamondの198問)、検索では解けないよう専門家が作った問題(Humanity's Last Exam、約2,500問)、抽象的なグリッドパズル(ARC-AGI)、人間には簡単なひっかけ問題(SimpleBench)などです。

用途:リサーチアシスタントや分析など、推論の誤りが大きな代償につながる作業。

注意点: MMLUは飽和しており、最先端のモデルの差はもう測れません。代わりにMMLU-Pro、GPQA Diamond、Humanity's Last Examを使ってください。

ベンチマーク測定内容現在のトップ状態モデル最新の結果
HLE-Diamond (AA)HLEを1,000問(推論500、知識500)に絞った改良版。Intelligence Index v5で使用。Artificial Analysisが実施。Claude Fable 5.2 (max) 80.2%現役1692026年11月12日
CritPt v2 hard subset (AA)CritPt v2の非公開の難問40問。コード実行ツール付きで、Intelligence Index v5で使用。Artificial Analysisが実施。Claude Fable 5.2 (max) 76.5%現役1352026年11月12日
SimpleBench人間の正答率が約84%のひっかけ問題。時空間的な推論と社会的知性を試します。Claude Fable 5.2 94.9%飽和に近い1112026年11月10日
Humanity's Last Exam100以上の分野にわたり専門家が作成した2,500問(Scale AI / CAIS)。GPT-6 Astra 54.8%現役482026年10月7日
Arena Hard Prompts難しいと判定されたプロンプトでのテキストアリーナのレーティング。Gemini 4 Carbon (high) 1547現役評価モデルが採点3842026年11月11日
Kagi LLM BenchmarkKagiの未公開の推論・コーディング・指示の問題。Claude Fable 5 (thinking) 91.4%飽和に近い137–
EnigmaEvalパズルハント形式の多段階推論。Scale AI。Claude Fable 5 (high) 39.3%現役52026年3月25日
Humanity's Last Exam (AA)Index対象外Artificial Analysisが独自に実行したHLE。Index v5ではHLE-Diamondに置き換えられ、記録として残しています。Claude Fable 5.2 (max) 74.3%現役6382026年11月9日
CritPtIndex対象外博士課程の最初の研究プロジェクトに相当する、未公開の物理学の研究課題。Artificial Analysisが実施。BenchLeader Indexでは、Index v5の難問サブセットに置き換えられました。Claude Fable 5.2 (xhigh) 35.7%現役5792026年11月9日
Arena ExpertIndex対象外LMArenaが専門家レベルと分類したプロンプトでのテキストアリーナのレーティング。Gemini 4 Carbon (high) 1567現役評価モデルが採点3392026年11月11日
LMCAIndex対象外スコアの上限が公表されている能力評価。Claude Fable 5.2 (xhigh) 70.6%現役2012026年11月9日
Chess PuzzlesIndex対象外盤面の説明からチェスのパズルを解くタスク。Epoch AIが実施。Claude Fable 5.2 (max) 79.0%現役1572026年11月10日
Mystery Game PuzzlesIndex対象外ミステリーゲーム風の推理パズル。Epoch AIが実施。Claude Fable 5.2 (max) 90.0%飽和に近い1462026年11月10日
ForecastBenchIndex対象外実際の将来の出来事を予測し、結果が出た時点で採点。GPT-5.5 (high) 66.7%現役892026年9月3日
GPQA Diamond (HELM)Index対象外Stanford CRFMが独自に実行したGPQA Diamond。参考として掲載。Indexに使うのはEpochの実行結果です。Gemini 3 Pro 80.3%現役データ汚染のおそれ682025年11月24日
MysteryMechanismIndex対象外わずかな観察から、隠れた科学的メカニズムを突き止めるタスク。Vals AIが実施。GPT-6 Astra (max) 53.1%現役312026年11月11日
CL-benchIndex対象外コンテキストで与えられた情報を使いこなす必要がある、継続学習型のタスク。GPT-5.4 (xhigh) 27.9%現役222026年3月31日
HLE-Diamond (Scale)Index対象外Scale AIとCAISがHumanity's Last Examを1,000問に絞った改良版。Scale AIによる実行で、BenchLeader IndexにはHumanity's Last Exam本体を使用。Claude Fable 5.2 72.4%現役202026年11月11日
CL-bench LifeIndex対象外CL-benchのうち、日常生活のサブセット。GPT-5.5 (high) 22.2%現役172026年4月24日
SciPredictIndex対象外科学実験の結果を、実験の前に予測するタスク。Scale AI。Gemini 3 Pro 25.3%現役152026年1月14日
BTF-3Index対象外予測トーナメントの総合スコア。GLM 5.3 Flash 14.9%現役132026年9月3日
GPQA DiamondGoogle検索では答えにたどり着けないよう作られた大学院レベルの科学問題。Epoch AIが実施。Gemini 4 Carbon (high) 96.5%飽和データ汚染のおそれ3062026年11月10日
ARC-AGI-2ARC-AGI-2の準非公開評価セット。GPT-6 Astra (max) 95.0%飽和2652026年11月10日
ARC-AGI-1ARC-AGI-1の準非公開評価セット。Claude Fable 5.2 (xhigh) 98.5%飽和2652026年11月10日
ARC-AGI-3ARC-AGI-3の準非公開・対話型評価セット。GPT-6 Astra (high) 99.9%飽和792026年11月10日
GPQA Diamond (AA)Index対象外Artificial Analysisが独自に実行したGPQA Diamond。参考として掲載。Indexに使うのはEpochの実行結果です。GPT-6 Astra (xhigh) 96.3%飽和データ汚染のおそれ5672026年10月15日
DTBenchIndex対象外意思決定理論のジレンマを、専門家の答えと比べて採点。Claude Fable 5.2 99.2%飽和2382026年11月9日
GPQA Diamond (Vals)Index対象外Vals AIが独自に実行したGPQA Diamond。参考として掲載。Gemini 3.1 Pro (high) 95.5%飽和データ汚染のおそれ1332026年9月1日
LiveBench 1.0 ReasoningIndex対象外LiveBench 1.0の推論カテゴリ。最終リリース(2026年6月25日)の値で固定。LiveBench 2.0の推論スイートは別のテストです。GPT-6 Astra (max) 92.7%飽和682026年6月25日
LiveBench 2.0 ReasoningIndex対象外LiveBench 2.0の推論スイート。正解がひとつに決まる、論理・空間認識・心の理論の短い問題。Gemini 4 Argon (high) 95.1%飽和342026年11月6日
ARC (AI2 Challenge)Index対象外小学校レベルの理科の問題(チャレンジセット)。2018年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。DeepSeek V3 95.3%更新停止データ汚染のおそれ772024年12月26日
WinoGrandeIndex対象外代名詞の解決を問う常識問題。2019年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。Llama 3.1 405B 89.2%更新停止データ汚染のおそれ742024年12月26日
HellaSwagIndex対象外常識に基づく文の補完。2019年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。GPT-4 95.3%更新停止データ汚染のおそれ682024年12月26日
PIQAIndex対象外物理的な常識を問う問題。2019年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。GPT-4o mini 88.7%更新停止データ汚染のおそれ562024年12月26日
BIG-Bench HardIndex対象外BIG-Benchから選んだ23の難しいタスク。2022年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。Gemini 1.5 Pro 001 89.2%更新停止データ汚染のおそれ432024年12月26日
ANLIIndex対象外敵対的に作られた自然言語推論。2019年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。GPT 3.5 Turbo 1106 58.1%更新停止データ汚染のおそれ112024年4月23日
SuperGLUEIndex対象外言語理解タスクの一式。2019年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。T5-11B 88.9%更新停止データ汚染のおそれ82022年1月27日
CommonsenseQA 2Index対象外はい・いいえで答える常識問題。2022年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。T5-11B 67.8%更新停止データ汚染のおそれ62023年7月18日

数学の全ベンチマーク:測定内容と現在のトップ(21件)

数学ベンチマークには、競技数学の問題(AIME、HMMT、IMO。誰も学習に使えないうちに、MathArenaが公開当日に採点します)から、未公開の研究レベルの問題(FrontierMath)、記述式の証明(ProofBench)まであります。

用途:定量分析、科学的な作業、複数ステップの計算の正確さの確認。

注意点: GSM8KとMATHは飽和しています。古いAIMEの問題は公開済みのため、データ汚染(コンタミネーション)のおそれがあります。FrontierMathと、MathArenaに載る新しい大会の結果を優先してください。

ベンチマーク測定内容現在のトップ状態モデル最新の結果
Arena Maths数学のプロンプトでのテキストアリーナのレーティング。Gemini 4 Argon (high) 1536現役評価モデルが採点3692026年11月11日
Omni-MATH (HELM)オリンピック級の数学の問題。Stanford CRFMのHELMが実施。GPT-5 mini 72.2%現役682025年11月24日
MathArena Apex最近の大会から選んだ最難関の問題。MathArena。Claude Opus 4.8 (max) 81.3%現役47–
IMO 2025国際数学オリンピック2025、証明を採点。MathArena。GPT-5 (high) 38.1%現役6–
FrontierMath ErdősIndex対象外Paul Erdősが提起・研究した68問で、2026年8月の作成時点ではすべて未解決。各問1回、予算300ドル・72時間で挑み、解けた割合で採点。Epoch AIが実施。GPT-6.1 Sol (max) 4.4%現役152026年11月10日
USAMO 2026Index対象外米国数学オリンピック2026、MathArenaが証明を採点。参考表示です(対象モデルが少なく、上限に近すぎるため)。GPT-5.5 (xhigh) 98.2%現役9–
ArXivMathIndex対象外直近数か月にarXivで公開された論文から作った、研究レベルの最終解答型の問題。毎月更新され、Overallの表は現行の月次セットをまとめたもの。MathArena。参考表示です(対象モデルがまだ少ないため)。Gemini 4 Carbon (high) 94.3%現役8–
BrokenArXivIndex対象外最近のarXiv論文の命題を少しだけ変えて偽にしたもの。「証明」せずに誤りを指摘できれば得点。MathArena。参考表示です(対象モデルがまだ少ないため)。Gemini 4 Carbon (high) 84.4%現役8–
FrontierMath Tiers 1–3未公開の研究レベルの数学問題、Tier 1〜3(v2の非公開セット)。Epoch AIが実施。Claude Fable 5.2 (max) 95.1%飽和1232026年11月10日
AIME 20262026年のAIME IとII。MathArenaが公開直後に評価。GPT-5.5 (xhigh) 100.0%飽和31–
HMMT February 20262026年2月のハーバード・MIT数学トーナメント(HMMT)。MathArena。GPT-5.5 (xhigh) 98.5%飽和31–
OTIS Mock AIME2024〜2025年の模擬AIME(数学コンテスト)の問題。Epoch AIが実施。Gemini 4 Carbon (high) 100.0%飽和データ汚染のおそれ2892026年11月10日
AIME (Vals)最近のAIMEの問題。Vals AIが推論エフォートを明記して実施。Gemini 3.1 Pro (high) 98.1%飽和データ汚染のおそれ942026年4月16日
ProofBench記述式の完全な証明を、厳密さで採点(Vals AI)。Claude Fable 5.2 (max) 100.0%飽和評価モデルが採点852026年11月9日
FrontierMath Tier 4FrontierMathで最も難しいTier。専門の数学者でも数日かかる問題。Epoch AIが実施。Claude Fable 5.2 (max) 100.0%飽和792026年11月10日
MGSM10言語の小学校レベルの算数。Vals AIが実施。Claude Opus 4.5 (thinking) 95.2%飽和データ汚染のおそれ732026年1月9日
AIME 2025 (AA)Index対象外2025年のAIME(米国招待数学試験)全30問。答えが整数になるオリンピックレベルの問題です。Artificial Analysisが実施。GPT-5.2 (xhigh) 99.0%飽和2552026年1月4日
LiveBench MathematicsIndex対象外LiveBench 1.0の数学カテゴリ。最終リリース(2026年6月25日)の値で固定。LiveBench 2.0では廃止されました。Claude Opus 5.5 (max) 97.1%飽和682026年6月25日
MATH 500Index対象外代数・確率・三角法の競技問題500問。Vals AIが実施。Gemini 3 Pro (high) 96.4%飽和データ汚染のおそれ582026年1月9日
MATH Level 5MATHデータセットの最難関レベル。ほぼ飽和しているため重みは半分。Epoch AIが実施。GPT-5 (high) 98.1%更新停止データ汚染のおそれ972025年10月15日
GSM8KIndex対象外小学校レベルの算数の文章題。2021年のベンチマークで、現在のモデルでは飽和しており、記録として残しています。Deepseek Coder v2 94.5%更新停止データ汚染のおそれ732024年11月29日

推論・数学のベンチマーク:よくある質問

最も参考になる推論・数学のベンチマークはどれですか?
現在最も参考になる推論・数学のベンチマークはHLE-Diamond(トップ:Claude Fable 5.2 (max)、80.2%)、CritPt v2 hard subset(トップ:Claude Fable 5.2 (max)、76.5%)、SimpleBench(トップ:Claude Fable 5.2、94.9%)です。いずれもBenchLeader Indexに使われ、多くのモデルを対象とし、まだ飽和していません。用途:リサーチアシスタントや分析など、推論の誤りが大きな代償につながる作業。用途:定量分析、科学的な作業、複数ステップの計算の正確さの確認。
推論・数学のベンチマークで最も成績の良いAIモデルはどれですか?
2026年11月16日時点:推論のベンチマーク全体では、GPT-6 Astra(OpenAI)が推論スコア79.0で首位、続いてClaude Fable 5.2(76.9)、Gemini 4 Carbon(74.6)です。数学のベンチマーク全体では、Claude Fable 5.2(Anthropic)が数学スコア74.5で首位、続いてClaude Opus 5.5(73.2)、Claude Fable 5.1(72.0)です。カテゴリスコアは各ベンチマークを標準化し(50が平均的なモデル、15ポイントが1標準偏差)、それらを平均したものなので、1つのベンチマークだけで順位が決まることはありません。
推論・数学のベンチマークのスコアは、ベンチマークをまたいで比較できますか?
おおむね比較できます。答えは正解と照合して採点されるからです。注意点は2つあります。1つはデータ汚染で、公開された問題は学習データに入り込みます(MathArenaの新しい大会やFrontierMathのような非公開の問題セットのほうが参考になるのはこのためです)。もう1つは推論エフォートで、同じモデルでも長く考えさせるほどスコアが上がるため、BenchLeaderはエフォート設定ごとに分けて掲載しています。
飽和している推論・数学のベンチマークはどれですか?
2026年11月16日時点では、SimpleBench(飽和に近い)、Kagi LLM Benchmark(飽和に近い)、Mystery Game Puzzles(飽和に近い)、GPQA Diamond(飽和)、ARC-AGI-2(飽和)、ARC-AGI-1(飽和)、ARC-AGI-3(飽和)、GPQA Diamond(飽和)ほか15件です。5位のモデルのスコアが90%以上になると「飽和」、トップが90%か5位が80%に達すると「飽和に近い」と判定します。どちらもデータから判定しており、スコアが変われば変わります。
このリーダーボードはどのくらいの頻度で更新されますか?
BenchLeaderは6時間ごと(UTC 04:03、10:03、16:03、22:03に開始)すべての公開元の結果を読み直し、そのたびにこのページを作り直しています。各ベンチマークの最新の結果の日付は表に載っています。公開元はそれぞれのスケジュールで結果を更新します。

引用表記:BenchLeader「AI推論・数学ベンチマークのリーダーボード(2026年11月)」2026年11月16日時点のデータ、https://www.benchleader.com/ja/benchmarks/reasoning