BenchLeader

τ³-bench Bankingのリーダーボード

2026年11月16日時点で、τ³-bench Bankingの最高スコアは55.1%で、Qwen3.8 Max(Alibaba)が記録しています。次点はClaude Opus 5の48.7%です。公表された結果があるのは27のモデル構成です(τ²-bench、結果の日付は2026年8月4日)。Sierraが当初の3分野の後に追加した銀行分野でのpass^1。サポート担当のエージェントが銀行のツールを使い、模擬顧客に対応します。Sierra自身の実行結果で、Indexに使うのはArtificial Analysisの実行結果です。τ³-bench Banking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)

  • Qwen3.8 Maxがτ³-bench Bankingの最高スコア55.1%を記録しています(τ²-bench、2026年8月4日)。
  • τ³-bench Bankingの2位はClaude Opus 5で、48.7%です(τ²-bench、2026年8月4日)。
  • τ³-bench Banking:Sierraが当初の3分野の後に追加した銀行分野でのpass^1。サポート担当のエージェントが銀行のツールを使い、模擬顧客に対応します。Sierra自身の実行結果で、Indexに使うのはArtificial Analysisの実行結果です(τ²-bench)。
  • BenchLeaderでは27のモデル構成にτ³-bench Bankingの公表結果があります(BenchLeader、2026年11月16日)。
  • τ³-bench Banking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)。

Sierraが当初の3分野の後に追加した銀行分野でのpass^1。サポート担当のエージェントが銀行のツールを使い、模擬顧客に対応します。Sierra自身の実行結果で、Indexに使うのはArtificial Analysisの実行結果です。

公開元
τ²-bench
カテゴリ
エージェント・ツール
Indexでの重み
参考のみ
モデル
27
データ基準日
2026年11月16日

MIT — sierra-research/tau2-bench.

27件中27件
#
1Qwen3.8 Maxxhigh55.1%56.62026-08-04
2Claude Opus 5max48.7%65.02026-08-04
3Grok 4.5high47.9%56.82026-08-04
4GPT-5.6 Solxhigh46.9%63.92026-08-04
5GPT-5.5xhigh44.6%64.12026-05-05
6Muse Spark 1.1xhigh40.5%59.52026-08-04
7Claude Opus 4.7max40.2%59.72026-05-05
8Claude Fable 5max39.7%65.12026-08-04
9Claude Opus 4.8max39.7%61.12026-08-04
10GPT-5.4xhigh39.4%63.12026-03-25
11Kimi K3max37.1%60.22026-08-04
12GLM 5.2xhigh37.1%–2026-08-04
13GPT-5.2high32.2%55.82026-02-26
14Gemini 3 Flashhigh27.3%57.42026-03-02
15Claude Opus 4.6max27.3%57.02026-05-05
16Gemini 3.1 Prohigh26.0%60.42026-05-05
17Claude Sonnet 4.5thinking25.3%52.32026-02-26
18Inklingmax25.0%–2026-08-04
19Claude Opus 4.5high24.7%59.72026-02-26
20Gemini 3 Prohigh18.0%60.02026-03-02
21Grok 4.2high18.0%–2026-05-05
22Grok 4 Fasthigh15.7%–2026-05-05
23Gemini 2.5 Prohigh13.7%–2026-05-05
24Grok 4.1 Fasthigh13.1%–2026-05-05
25GPT-5.2推論なし12.6%48.52026-02-26
26GLM-5thinking9.8%60.22026-03-02
27Qwen3.5 397B A17Bthinking9.8%56.42026-03-02

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「τ³-bench Banking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/tau3_banking

τ³-bench Banking:よくある質問

τ³-bench Bankingは何を測るベンチマークですか?
Sierraが当初の3分野の後に追加した銀行分野でのpass^1。サポート担当のエージェントが銀行のツールを使い、模擬顧客に対応します。Sierra自身の実行結果で、Indexに使うのはArtificial Analysisの実行結果です。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。
τ³-bench Bankingの最高スコアは?
2026年11月16日時点で、τ³-bench Bankingの最高スコアは55.1%で、Qwen3.8 Maxが記録しています(結果の日付は2026年8月4日)。次点はClaude Opus 5の48.7%です。スコアはτ²-benchの公表値で、毎日読み直しています。
τ³-bench BankingでトップのAIモデルは?
2026年11月16日時点で、τ³-bench Bankingの首位はQwen3.8 Maxで、スコアは55.1%です(結果の日付は2026年8月4日)。続いてClaude Opus 5(48.7%)です。
τ³-bench Banking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τ³-bench Bankingの結果があり、すべてτ²-benchから取得しています。
τ³-bench Banking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?
τ³-bench Bankingはτ²-bench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。
τ³-bench BankingはBenchLeader Indexに含まれますか?
いいえ。τ³-bench Banking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。