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 |
|---|---|---|---|---|---|
| 1 | GPT-6 Astra | OpenAI | 79.0 | 66.4 | $20.00 |
| 2 | Claude Fable 5.2 (xhigh) | Anthropic | 76.9 | 69.7 | $16.00 |
| 3 | Gemini 4 Carbon (medium) | 74.6 | 65.8 | $4.00 | |
| 4 | Claude Opus 5.5 (xhigh) | Anthropic | 73.4 | 65.4 | $8.00 |
| 5 | Gemini 3.8 Flash | 73.2 | 56.4 | $1.50 | |
| 6 | Gemini 4 Hydrogen (xhigh) | 72.9 | 61.8 | $3.00 | |
| 7 | GPT-6.1 Sol (xhigh) | OpenAI | 72.1 | 63.6 | $4.00 |
| 8 | Claude Fable 5.1 (xhigh) | Anthropic | 71.9 | 64.6 | $20.00 |
| 9 | GPT-5.4 Pro | OpenAI | 70.1 | 63.1 | $67.50 |
| 10 | Claude Fable 5 (xhigh) | Anthropic | 69.6 | – | $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 |
|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 (max) | Anthropic | 74.5 | 72.7 | $16.00 |
| 2 | Claude Opus 5.5 (max) | Anthropic | 73.2 | 68.4 | $8.00 |
| 3 | Claude Fable 5.1 (max) | Anthropic | 72.0 | 66.7 | $20.00 |
| 4 | Gemini 4 Carbon (high) | 71.9 | 68.9 | $4.00 | |
| 5 | GPT-6.1 Terra (max) | OpenAI | 71.7 | 64.1 | $2.00 |
| 6 | GPT-6.1 Sol (max) | OpenAI | 71.6 | 66.6 | $4.00 |
| 7 | Claude Fable 5 (max) | Anthropic | 71.4 | 65.1 | $20.00 |
| 8 | Claude Sonnet 5.5 (max) | Anthropic | 71.3 | 64.2 | $4.00 |
| 9 | GPT-6 Astra (max) | OpenAI | 70.8 | 67.3 | $20.00 |
| 10 | o3 | OpenAI | 70.6 | 60.4 | $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 | 169 | 2026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 | 135 | 2026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 | 111 | 2026年11月10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)。 | GPT-6 Astra 54.8% | 現役 | 48 | 2026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 | 384 | 2026年11月11日 |
| Kagi LLM Benchmark | Kagi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 | 5 | 2026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 | 638 | 2026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 | 579 | 2026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 | 339 | 2026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 | 201 | 2026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 | 157 | 2026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 | 146 | 2026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 | 89 | 2026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 | 68 | 2025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 | 31 | 2026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 | 22 | 2026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 | 20 | 2026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 | 17 | 2026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 | 15 | 2026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 | 13 | 2026年9月3日 |
| GPQA Diamond | Google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 | 306 | 2026年11月10日 |
| ARC-AGI-2 | ARC-AGI-2の準非公開評価セット。 | GPT-6 Astra (max) 95.0% | 飽和 | 265 | 2026年11月10日 |
| ARC-AGI-1 | ARC-AGI-1の準非公開評価セット。 | Claude Fable 5.2 (xhigh) 98.5% | 飽和 | 265 | 2026年11月10日 |
| ARC-AGI-3 | ARC-AGI-3の準非公開・対話型評価セット。 | GPT-6 Astra (high) 99.9% | 飽和 | 79 | 2026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 | 567 | 2026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 | 238 | 2026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 | 133 | 2026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 | 68 | 2026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 | 34 | 2026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 | 77 | 2024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 | 74 | 2024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 | 68 | 2024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 | 56 | 2024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 | 43 | 2024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 | 11 | 2024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 | 8 | 2022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 | 6 | 2023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 | 369 | 2026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 | 68 | 2025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 | 15 | 2026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 | 123 | 2026年11月10日 |
| AIME 2026 | 2026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 2026 | 2026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 AIME | 2024〜2025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 | 289 | 2026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 | 94 | 2026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 | 85 | 2026年11月9日 |
| FrontierMath Tier 4 | FrontierMath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 | 79 | 2026年11月10日 |
| MGSM | 10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 | 73 | 2026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 | 255 | 2026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 | 68 | 2026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 | 58 | 2026年1月9日 |
| MATH Level 5 | MATH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 | 97 | 2025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 | 73 | 2024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。
関連ページ
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