BenchLeader

MASKのリーダーボード

2026年11月16日時点で、MASKの最高スコアは96.3%で、Claude Opus 4.6(Anthropic)が記録しています。次点はClaude Sonnet 4.5の96.1%です。公表された結果があるのは65のモデル構成です(Scale AI SEAL、結果の日付は2026年2月17日)。MASKは正直さと正確さを切り分けます。まずモデルの考えを引き出し、次にそれと違うことを言うよう圧力をかけ、考えを保てるかどうかで正直さを判定します。MASKは参考として掲載しており、BenchLeader Indexには含まれません。

要点(2026年11月16日時点)

  • Claude Opus 4.6がMASKの最高スコア96.3%を記録しています(Scale AI SEAL、2026年2月17日)。
  • MASKの2位はClaude Sonnet 4.5で、96.1%です(Scale AI SEAL、2025年10月2日)。
  • MASK:嘘をつくよう圧力をかけられても、モデルが自分の考えを述べるかどうか。Scale AI(Scale AI SEAL)。
  • BenchLeaderでは65のモデル構成にMASKの公表結果があります(BenchLeader、2026年11月16日)。
  • MASKはBenchLeader Indexには反映されず、参考として掲載しています(BenchLeaderの評価方法)。

嘘をつくよう圧力をかけられても、モデルが自分の考えを述べるかどうか。Scale AI。

Scale AI SEALは、これら65件の結果のうち38件にデータ汚染の可能性があるとしています。問題の公開後にモデルが評価されたため、問題がすでに学習データに含まれているおそれがあります。これらのスコアも下の表に載せていますが、このボードはIndexには反映されません。

公開元
Scale AI SEAL
カテゴリ
安全性・誠実さ
Indexでの重み
参考のみ
モデル
65
データ基準日
2026年11月16日

Scale AI SEAL Leaderboards.

どんなテストか

MASKは正直さと正確さを切り分けます。まずモデルの考えを引き出し、次にそれと違うことを言うよう圧力をかけ、考えを保てるかどうかで正直さを判定します。

採点方法

正直さの割合で、Scale AIがCenter for AI Safetyと共同で公表しています。

注意点

安全性とアラインメントの指標で、Indexには含めていません。

65件中65件
#
1Claude Opus 4.6推論なし96.3%58.42026-02-17可能性あり
2Claude Sonnet 4.5thinking96.1%52.32025-10-02可能性あり
3Claude Sonnet 4thinking95.3%53.82025-05-24–
4Claude Opus 4.1thinking94.2%58.12025-08-08可能性あり
5Claude Opus 4.5thinking92.5%59.32025-11-26可能性あり
6gpt-oss-120b92.0%46.12025-08-13可能性あり
7GPT-5.4 Pro91.7%63.12026-03-23可能性あり
8GPT-5.4thinking89.7%–2026-03-10可能性あり
9Claude Sonnet 489.3%50.02025-05-23–
10Claude Opus 4thinking87.9%55.72025-05-24–
11Claude Opus 4.187.4%51.12025-08-08可能性あり
12Claude Opus 4.587.1%57.12025-11-26可能性あり
13GPT-5.286.7%56.72025-12-15可能性あり
14gpt-oss-20b86.5%44.52025-08-13可能性あり
15Claude Sonnet 4.586.4%53.82025-10-02可能性あり
16GPT-5.1thinking86.3%54.62025-11-26可能性あり
17GPT-5 Pro86.0%59.62025-11-06可能性あり
18Claude Opus 4.6max85.4%57.02026-02-17可能性あり
19o3high84.5%55.12025-04-25可能性あり
20GPT-5 mini82.6%56.62025-08-22可能性あり
21o3medium82.6%53.32025-04-16可能性あり
22o3-prohigh82.5%55.92025-06-26可能性あり
23Claude 3.7 Sonnetthinking82.1%52.92025-03-05–
24Claude Opus 480.3%51.92025-05-23可能性あり
25GPT-579.3%56.62025-08-13可能性あり
26Claude 3 Opus79.0%38.82025-03-05–
27o4-minihigh78.6%51.22025-04-25可能性あり
28o4-minimedium72.9%51.72025-04-16可能性あり
29Claude 3.5 Sonnet72.3%46.82025-03-05–
30Claude 3.7 Sonnet72.3%49.22025-03-05–
31Kimi K2.570.5%54.62026-02-12可能性あり
32GPT 5.1 Instant63.3%–2025-11-26可能性あり
33o1-pro61.6%–2025-03-05–
34GLM-4.561.5%51.62025-08-13可能性あり
35Llama 3.1 405B61.4%41.82025-03-05–
36GPT-4.1 nano61.4%36.92025-04-14可能性あり
37GLM-4.5-Air60.8%46.72025-08-13可能性あり
38GPT-4o60.1%42.82025-03-05–
39o159.3%52.52025-03-05–
40DeepSeek R157.3%47.22025-03-05–
41GPT-4.556.9%50.52025-03-05–
42Mistral Magistral56.5%–2025-06-26可能性あり
43Qwen3 235B A22B56.4%50.12025-05-01可能性あり
44Gemini 2.5 Pro55.9%55.22025-03-05–
45Llama 3.2 90B Vision54.1%36.02025-03-05–
46DeepSeek R1 052853.0%49.12025-05-29–
47Llama 3.3 70B51.9%39.92025-03-05–
48GPT-4.151.1%48.72025-04-15可能性あり
49GPT-4.1 mini50.0%44.72025-04-14可能性あり
50Llama 4 Maverick49.7%41.82025-03-05–
51o3-minilow49.7%40.22026-03-25–
52Gemini 2.0 Flash Thinkingthinking49.5%45.12025-03-05–
53Gemini 2.5 Flash49.1%52.42026-03-25可能性あり
54Gemini 2.0 Flash49.1%43.52025-03-05–
55o3-minimedium48.9%46.42025-03-05–
56Gemini 2.0 Pro48.7%47.52025-04-01–
57Gemini 3.1 Flash Lite48.4%52.62026-03-23可能性あり
58Mistral Large 2.147.5%42.52025-04-01–
59o3-minihigh46.8%47.92025-04-01–
60Kimi K246.7%51.12025-07-23可能性あり

安全性・誠実さ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「MASK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_mask

MASK:よくある質問

MASKは何を測るベンチマークですか?
MASKは正直さと正確さを切り分けます。まずモデルの考えを引き出し、次にそれと違うことを言うよう圧力をかけ、考えを保てるかどうかで正直さを判定します。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。
MASKの最高スコアは?
2026年11月16日時点で、MASKの最高スコアは96.3%で、Claude Opus 4.6が記録しています(結果の日付は2026年2月17日)。次点はClaude Sonnet 4.5の96.1%です。スコアはScale AI SEALの公表値で、毎日読み直しています。
MASKでトップのAIモデルは?
2026年11月16日時点で、MASKの首位はClaude Opus 4.6で、スコアは96.3%です(結果の日付は2026年2月17日)。続いてClaude Sonnet 4.5(96.1%)です。
MASKの結果があるモデルはいくつですか?
BenchLeaderでは65のモデル構成にMASKの結果があり、すべてScale AI SEALから取得しています。
MASK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?
MASK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。
MASKはBenchLeader Indexに含まれますか?
いいえ。MASKは参考として掲載していますが、総合スコアには含めていません。