BenchLeader

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。

公開元
Scale AI SEAL
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。

35件中35件
#
1NEWClaude Fable 5.280.0%65.42026-11-11
2Muse Wonder79.7%64.42026-10-14
3GPT-6.1 Terra68.0%–2026-11-04
4Muse Spark 1.366.9%61.62026-10-13
5MiniMax M3.1 Flash65.7%54.32026-11-08
6GPT-6 Astra65.3%66.42026-10-13
7GPT-6.1 Sol62.3%62.02026-10-13
8Gemini 4 Argon62.0%64.42026-10-16
9Claude Fable 5.161.5%66.42026-09-03
10SWE-261.5%–2026-10-21
11Kimi K3.1 Pro61.3%61.82026-11-13
12Muse Spark Open59.7%–2026-10-20
13Claude Opus 5.559.0%61.02026-10-13
14GLM 5.358.3%–2026-10-13
15Claude Opus 557.0%63.22026-07-28
16Claude Fable 556.3%65.42026-07-20
17Gemini 4 Carbon50.3%–2026-11-13
18DeepSeek V4 Flash47.8%53.82026-10-13
19GLM 5.243.7%51.92026-07-20
20Kimi K342.7%60.72026-10-13
21Claude Opus 4.741.7%63.12026-04-17
22Gemini 3.8 Flash41.5%56.42026-09-09
23GPT-5.539.7%61.02026-04-29
24DeepSeek V4 Pro38.5%53.02026-10-13
25Claude Opus 4.638.3%62.12026-04-16
26MiniMax M338.3%56.12026-10-13
27Gemini 3.1 Pro35.3%59.92026-04-16
28Claude Opus 4.835.3%58.72026-05-30
29GPT-5.6 Sol32.3%54.32026-07-20
30Gemini 3.5 Flash27.7%–2026-05-30
31Grok 4.2020.0%–2026-04-16
32Kimi K2.618.7%55.12026-04-29
33GPT-5.49.7%57.92026-04-16
34MiniMax M2.56.3%53.72026-04-16
35GPT-5.3-Codex4.3%–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

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。