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。
- 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。
- 1GPT-6.1 Sol82.0%
- 2Gemini 4 Argon78.7%
- 3Muse Spark75.5%
- 4Muse Spark 1.175.3%
- 5DeepSeek V4.1 Flash 101774.9%
- 6GPT-6.1 Terra74.2%
- 7Muse Spark Open74.2%
- 8Gemini 3.1 Pro71.4%
- 9GPT-5.4 Pro69.2%
- 10Claude Haiku 5.567.7%
- 11Gemini 3 Pro65.7%
- 12GPT-5.1 (thinking)63.4%
- 13GPT-5 (thinking)63.2%
- 14o3-pro (high)62.4%
- 15Kimi K2.561.4%
45件中45件
| # | ||||
|---|---|---|---|---|
| 1 | 82.0% | 62.0 | 2026-10-07 | |
| 2 | 78.7% | 64.4 | 2026-10-21 | |
| 3 | 75.5% | 64.2 | 2026-10-07 | |
| 4 | 75.3% | 62.2 | 2026-10-07 | |
| 5 | 74.9% | – | 2026-10-26 | |
| 6 | 74.2% | – | 2026-10-27 | |
| 7 | 74.2% | – | 2026-10-21 | |
| 8 | 71.4% | 59.9 | 2026-10-07 | |
| 9 | 69.2% | 63.1 | 2026-10-07 | |
| 10 | 67.7% | – | 2026-10-08 | |
| 11 | 65.7% | 60.0 | 2026-10-07 | |
| 12 | 63.4% | 54.6 | 2026-10-07 | |
| 13 | 63.2% | – | 2026-10-07 | |
| 14 | 62.4% | 55.9 | 2026-10-07 | |
| 15 | 61.4% | 54.6 | 2026-10-07 | |
| 16 | 60.6% | 52.6 | 2026-10-07 | |
| 17 | 59.0% | – | 2026-10-07 | |
| 18 | 59.0% | 59.3 | 2026-10-07 | |
| 19 | 58.6% | 55.7 | 2026-10-07 | |
| 20 | 57.2% | 58.1 | 2026-10-07 | |
| 21 | 57.1% | 53.8 | 2026-10-07 | |
| 22 | 56.6% | 55.1 | 2026-10-07 | |
| 23 | NEW | 56.0% | – | 2026-10-22 |
| 24 | 56.0% | 58.4 | 2026-10-07 | |
| 25 | 55.4% | 52.3 | 2026-10-07 | |
| 26 | 55.3% | 52.3 | 2026-10-07 | |
| 27 | 53.6% | 55.2 | 2026-10-07 | |
| 28 | 51.6% | 52.9 | 2026-10-07 | |
| 29 | 51.2% | – | 2026-10-07 | |
| 30 | 50.5% | 45.7 | 2026-10-07 | |
| 31 | 46.1% | 49.0 | 2026-10-07 | |
| 32 | 45.3% | 46.1 | 2026-10-07 | |
| 33 | 44.9% | 51.2 | 2026-10-07 | |
| 34 | 43.2% | 43.2 | 2026-10-22 | |
| 35 | 41.2% | 50.1 | 2026-10-07 | |
| 36 | 39.4% | 48.7 | 2026-10-07 | |
| 37 | 38.7% | – | 2026-10-22 | |
| 38 | 37.1% | 57.0 | 2026-10-07 | |
| 39 | 36.4% | 43.5 | 2026-10-07 | |
| 40 | 36.0% | 39.1 | 2026-10-22 | |
| 41 | 27.8% | – | 2026-10-22 | |
| 42 | 25.7% | – | 2026-10-22 | |
| 43 | 25.1% | 46.7 | 2026-10-22 | |
| 44 | 23.7% | 33.0 | 2026-10-22 | |
| 45 | 22.8% | 33.6 | 2026-10-22 |
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
関連するベンチマーク
MultiChallengeでの注目のモデル比較
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。