BenchLeader

MultiChallengeのリーダーボード

2026年11月16日時点で、MultiChallengeの最高スコアは82.0%で、GPT-6.1 Sol(OpenAI)が記録しています。次点はGemini 4 Argonの78.7%です。公表された結果があるのは45のモデル構成です(Scale AI SEAL、結果の日付は2026年10月7日)。MultiChallengeは、複数ターンの会話を通じた指示追従を試します。前に示された制約を守り続け、ユーザーが変えた点を把握し、自己矛盾しないことが求められます。MultiChallengeはBenchLeader Indexの指示追従スコアに反映されます。

要点(2026年11月16日時点)

  • GPT-6.1 SolがMultiChallengeの最高スコア82.0%を記録しています(Scale AI SEAL、2026年10月7日)。
  • MultiChallengeの2位はGemini 4 Argonで、78.7%です(Scale AI SEAL、2026年10月21日)。
  • MultiChallenge:現実的な会話の制約のもとでの、複数ターンの指示追従。Scale AI(Scale AI SEAL)。
  • BenchLeaderでは45のモデル構成にMultiChallengeの公表結果があります(BenchLeader、2026年11月16日)。
  • MultiChallengeはBenchLeader Indexの指示追従カテゴリに反映されます(BenchLeaderの評価方法)。

現実的な会話の制約のもとでの、複数ターンの指示追従。Scale AI。

公開元
Scale AI SEAL
カテゴリ
指示追従
Indexでの重み
1.0
モデル
45
データ基準日
2026年11月16日

Scale AI SEAL Leaderboards.

どんなテストか

MultiChallengeは、複数ターンの会話を通じた指示追従を試します。前に示された制約を守り続け、ユーザーが変えた点を把握し、自己矛盾しないことが求められます。

採点方法

すべての制約が満たされた会話の割合で、人間による検証を伴うモデル採点のルーブリックで判定されます。Scale AIが公表しています。

注意点

モデルが採点するため、採点の質が結果に影響します。会話は合成されたものです。

45件中45件
#
1GPT-6.1 Sol82.0%62.02026-10-07
2Gemini 4 Argon78.7%64.42026-10-21
3Muse Spark75.5%64.22026-10-07
4Muse Spark 1.175.3%62.22026-10-07
5DeepSeek V4.1 Flash 101774.9%–2026-10-26
6GPT-6.1 Terra74.2%–2026-10-27
7Muse Spark Open74.2%–2026-10-21
8Gemini 3.1 Pro71.4%59.92026-10-07
9GPT-5.4 Pro69.2%63.12026-10-07
10Claude Haiku 5.567.7%–2026-10-08
11Gemini 3 Pro65.7%60.02026-10-07
12GPT-5.1thinking63.4%54.62026-10-07
13GPT-5thinking63.2%–2026-10-07
14o3-prohigh62.4%55.92026-10-07
15Kimi K2.561.4%54.62026-10-07
16Gemini 3.1 Flash Lite60.6%52.62026-10-07
17GPT-5 minithinking59.0%–2026-10-07
18Claude Opus 4.5thinking59.0%59.32026-10-07
19Claude Opus 4thinking58.6%55.72026-10-07
20Claude Opus 4.1thinking57.2%58.12026-10-07
21Claude Sonnet 4thinking57.1%53.82026-10-07
22o3high56.6%55.12026-10-07
23NEWNemotron 3.5 Bolt E4Bthinking56.0%–2026-10-22
24Claude Opus 4.6推論なし56.0%58.42026-10-07
25Kimi K2 Thinkingthinking55.4%52.32026-10-07
26Claude Sonnet 4.5thinking55.3%52.32026-10-07
27Gemini 2.5 Pro53.6%55.22026-10-07
28Claude 3.7 Sonnetthinking51.6%52.92026-10-07
29GPT 5.1 Instant51.2%–2026-10-07
30Claude Haiku 4.5thinking50.5%45.72026-10-07
31DeepSeek V3.146.1%49.02026-10-07
32gpt-oss-120b45.3%46.12026-10-07
33o4-minihigh44.9%51.22026-10-07
34Gemma 4 E4Bthinking43.2%43.22026-10-22
35Qwen3 235B A22B41.2%50.12026-10-07
36GPT-4.139.4%48.72026-10-07
37Nemotron 3 Nano 4Bthinking38.7%–2026-10-22
38Claude Opus 4.6max37.1%57.02026-10-07
39Gemini 2.0 Flash36.4%43.52026-10-07
40Gemma 4 E2Bthinking36.0%39.12026-10-22
41Ministral 3 8Bthinking27.8%–2026-10-22
42Ministral 3 3Bthinking25.7%–2026-10-22
43Qwen3.5-4Bthinking25.1%46.72026-10-22
44Llama 3.1 8B23.7%33.02026-10-22
45Gemma 3 4B22.8%33.62026-10-22

指示追従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「MultiChallenge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_multichallenge

MultiChallenge:よくある質問

MultiChallengeは何を測るベンチマークですか?
MultiChallengeは、複数ターンの会話を通じた指示追従を試します。前に示された制約を守り続け、ユーザーが変えた点を把握し、自己矛盾しないことが求められます。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。
MultiChallengeの最高スコアは?
2026年11月16日時点で、MultiChallengeの最高スコアは82.0%で、GPT-6.1 Solが記録しています(結果の日付は2026年10月7日)。次点はGemini 4 Argonの78.7%です。スコアはScale AI SEALの公表値で、毎日読み直しています。
MultiChallengeでトップのAIモデルは?
2026年11月16日時点で、MultiChallengeの首位はGPT-6.1 Solで、スコアは82.0%です(結果の日付は2026年10月7日)。続いてGemini 4 Argon(78.7%)です。
MultiChallengeの結果があるモデルはいくつですか?
BenchLeaderでは45のモデル構成にMultiChallengeの結果があり、すべてScale AI SEALから取得しています。
MultiChallenge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?
MultiChallenge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。
MultiChallengeはBenchLeader Indexに含まれますか?
はい。MultiChallengeはBenchLeader Indexの指示追従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。