HiL-Benchのリーダーボード
2026年11月16日時点で、HiL-Benchの最高スコアは80.0%で、Claude Fable 5.2(Anthropic)が記録しています。次点はMuse Wonderの79.7%です。公表された結果があるのは35のモデル構成です(Scale AI SEAL、結果の日付は2026年11月11日)。HiL-Benchは、タスクの指定が不十分なときに、エージェントがそれに気づき、推測で進めずに確認の質問をするかを調べます。HiL-BenchはBenchLeader Indexのエージェント・ツールスコアに反映されます。
要点(2026年11月16日時点)
- Claude Fable 5.2がHiL-Benchの最高スコア80.0%を記録しています(Scale AI SEAL、2026年11月11日)。
- HiL-Benchの2位はMuse Wonderで、79.7%です(Scale AI SEAL、2026年10月14日)。
- HiL-Bench:エージェントが情報の欠落に気づき、確認の質問ができるか。Scale AI(Scale AI SEAL)。
- BenchLeaderでは35のモデル構成にHiL-Benchの公表結果があります(BenchLeader、2026年11月16日)。
- HiL-BenchはBenchLeader Indexのエージェント・ツールカテゴリに反映されます(BenchLeaderの評価方法)。
エージェントが情報の欠落に気づき、確認の質問ができるか。Scale AI。
- カテゴリ
- エージェント・ツール
- Indexでの重み
- 0.5
- モデル
- 35
- データ基準日
- 2026年11月16日
- 最新の結果
- 2026年11月13日
Scale AI SEAL Leaderboards.
どんなテストか
HiL-Benchは、タスクの指定が不十分なときに、エージェントがそれに気づき、推測で進めずに確認の質問をするかを調べます。
採点方法
正しく対応できたケースの割合で、Scale AIが公表しています。
注意点
質問することを評価する行動面のテストです。常に行動するよう調整されたモデルは、能力があってもスコアが低くなります。
- 1Claude Fable 5.280.0%
- 2Muse Wonder79.7%
- 3GPT-6.1 Terra68.0%
- 4Muse Spark 1.366.9%
- 5MiniMax M3.1 Flash65.7%
- 6GPT-6 Astra65.3%
- 7GPT-6.1 Sol62.3%
- 8Gemini 4 Argon62.0%
- 9Claude Fable 5.161.5%
- 10SWE-261.5%
- 11Kimi K3.1 Pro61.3%
- 12Muse Spark Open59.7%
- 13Claude Opus 5.559.0%
- 14GLM 5.358.3%
- 15Claude Opus 557.0%
35件中35件
| # | ||||
|---|---|---|---|---|
| 1 | NEW | 80.0% | 65.4 | 2026-11-11 |
| 2 | 79.7% | 64.4 | 2026-10-14 | |
| 3 | 68.0% | – | 2026-11-04 | |
| 4 | 66.9% | 61.6 | 2026-10-13 | |
| 5 | 65.7% | 54.3 | 2026-11-08 | |
| 6 | 65.3% | 66.4 | 2026-10-13 | |
| 7 | 62.3% | 62.0 | 2026-10-13 | |
| 8 | 62.0% | 64.4 | 2026-10-16 | |
| 9 | 61.5% | 66.4 | 2026-09-03 | |
| 10 | 61.5% | – | 2026-10-21 | |
| 11 | 61.3% | 61.8 | 2026-11-13 | |
| 12 | 59.7% | – | 2026-10-20 | |
| 13 | 59.0% | 61.0 | 2026-10-13 | |
| 14 | 58.3% | – | 2026-10-13 | |
| 15 | 57.0% | 63.2 | 2026-07-28 | |
| 16 | 56.3% | 65.4 | 2026-07-20 | |
| 17 | 50.3% | – | 2026-11-13 | |
| 18 | 47.8% | 53.8 | 2026-10-13 | |
| 19 | 43.7% | 51.9 | 2026-07-20 | |
| 20 | 42.7% | 60.7 | 2026-10-13 | |
| 21 | 41.7% | 63.1 | 2026-04-17 | |
| 22 | 41.5% | 56.4 | 2026-09-09 | |
| 23 | 39.7% | 61.0 | 2026-04-29 | |
| 24 | 38.5% | 53.0 | 2026-10-13 | |
| 25 | 38.3% | 62.1 | 2026-04-16 | |
| 26 | 38.3% | 56.1 | 2026-10-13 | |
| 27 | 35.3% | 59.9 | 2026-04-16 | |
| 28 | 35.3% | 58.7 | 2026-05-30 | |
| 29 | 32.3% | 54.3 | 2026-07-20 | |
| 30 | 27.7% | – | 2026-05-30 | |
| 31 | 20.0% | – | 2026-04-16 | |
| 32 | 18.7% | 55.1 | 2026-04-29 | |
| 33 | 9.7% | 57.9 | 2026-04-16 | |
| 34 | 6.3% | 53.7 | 2026-04-16 | |
| 35 | 4.3% | – | 2026-04-16 |
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
関連するベンチマーク
HiL-Benchでの注目のモデル比較
引用表記:BenchLeader「HiL-Bench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/scale_hil
HiL-Bench:よくある質問
- HiL-Benchは何を測るベンチマークですか?
- HiL-Benchは、タスクの指定が不十分なときに、エージェントがそれに気づき、推測で進めずに確認の質問をするかを調べます。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。
- HiL-Benchの最高スコアは?
- 2026年11月16日時点で、HiL-Benchの最高スコアは80.0%で、Claude Fable 5.2が記録しています(結果の日付は2026年11月11日)。次点はMuse Wonderの79.7%です。スコアはScale AI SEALの公表値で、毎日読み直しています。
- HiL-BenchでトップのAIモデルは?
- 2026年11月16日時点で、HiL-Benchの首位はClaude Fable 5.2で、スコアは80.0%です(結果の日付は2026年11月11日)。続いてMuse Wonder(79.7%)です。
- HiL-Benchの結果があるモデルはいくつですか?
- BenchLeaderでは35のモデル構成にHiL-Benchの結果があり、すべてScale AI SEALから取得しています。
- HiL-Bench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?
- HiL-BenchはScale AI SEAL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。
- HiL-BenchはBenchLeader Indexに含まれますか?
- はい。HiL-BenchはBenchLeader Indexのエージェント・ツール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。