BenchLeader

TutorBenchのリーダーボード

2026年11月16日時点で、TutorBenchの最高スコアは68.5%で、Muse Spark(Meta)が記録しています。次点はGPT-5.4 Proの56.6%です。公表された結果があるのは27のモデル構成です(Scale AI SEAL、結果の日付は2026年4月8日)。TutorBenchは、高校やAP科目のチューターとして振る舞うようモデルに求めます。説明する、ヒントを出す、生徒の答案を採点するといった対応を、ルーブリックに沿って評価します。TutorBench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)

  • Muse SparkがTutorBenchの最高スコア68.5%を記録しています(Scale AI SEAL、2026年4月8日)。
  • TutorBenchの2位はGPT-5.4 Proで、56.6%です(Scale AI SEAL、2026年3月23日)。
  • TutorBench:高校・AP科目の個別指導のタスク。Scale AI(Scale AI SEAL)。
  • BenchLeaderでは27のモデル構成にTutorBenchの公表結果があります(BenchLeader、2026年11月16日)。
  • TutorBench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)。

高校・AP科目の個別指導のタスク。Scale AI。

公開元
Scale AI SEAL
カテゴリ
指示追従
Indexでの重み
0.5
モデル
27
データ基準日
2026年11月16日

Scale AI SEAL Leaderboards.

どんなテストか

TutorBenchは、高校やAP科目のチューターとして振る舞うようモデルに求めます。説明する、ヒントを出す、生徒の答案を採点するといった対応を、ルーブリックに沿って評価します。

採点方法

ルーブリックの得点のうち獲得した割合で、Scale AIが公表しています。

注意点

教え方をルーブリックで採点するため、主観が入ります。単に答えを教えるより、ヒントにとどめる控えめな対応が評価されます。

27件中27件
#
1Muse Spark68.5%64.22026-04-08
2GPT-5.4 Pro56.6%63.12026-03-23
3Gemini 2.5 Pro55.6%55.22025-09-10
4GPT-555.3%56.62025-09-10
5o3-pro54.6%49.92025-09-10
6Kimi K2.554.6%54.62026-02-12
7GPT-5.1thinking54.1%54.62025-11-26
8Claude Opus 4.6max53.7%57.02026-02-17
9Gemini 3 Pro53.7%60.02025-09-10
10Claude Opus 4.6推論なし53.5%58.42025-11-21
11GPT-5.253.5%56.72025-12-15
12Gemini 3.1 Pro53.0%59.92026-03-25
13o3medium52.8%53.32025-09-10
14o3high52.1%55.12025-11-26
15Gemini 3.1 Flash Lite51.5%52.62026-03-23
16Claude Opus 4.5thinking51.2%59.32025-09-10
17Claude Opus 4.1thinking50.8%58.12025-11-26
18Claude Opus 4.549.8%57.12025-09-10
19Claude Opus 4thinking49.7%55.72025-10-08
20GPT 5.1 Instant49.1%–2025-09-10
21Claude Sonnet 4.5thinking49.0%52.32025-09-10
22Claude Opus 4.147.4%51.12025-11-26
23Claude 37 Sonnetthinking46.5%–2025-10-08
24Claude Sonnet 4.545.7%53.82025-09-10
25Claude Opus 445.5%51.92025-09-10
26Llama 4 Maverick40.2%41.82025-09-10
27GPT-4o36.1%42.82026-02-17

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「TutorBench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_tutorbench

TutorBench:よくある質問

TutorBenchは何を測るベンチマークですか?
TutorBenchは、高校やAP科目のチューターとして振る舞うようモデルに求めます。説明する、ヒントを出す、生徒の答案を採点するといった対応を、ルーブリックに沿って評価します。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。
TutorBenchの最高スコアは?
2026年11月16日時点で、TutorBenchの最高スコアは68.5%で、Muse Sparkが記録しています(結果の日付は2026年4月8日)。次点はGPT-5.4 Proの56.6%です。スコアはScale AI SEALの公表値で、毎日読み直しています。
TutorBenchでトップのAIモデルは?
2026年11月16日時点で、TutorBenchの首位はMuse Sparkで、スコアは68.5%です(結果の日付は2026年4月8日)。続いてGPT-5.4 Pro(56.6%)です。
TutorBenchの結果があるモデルはいくつですか?
BenchLeaderでは27のモデル構成にTutorBenchの結果があり、すべてScale AI SEALから取得しています。
TutorBench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?
TutorBench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。
TutorBenchはBenchLeader Indexに含まれますか?
はい。TutorBench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。