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.
- 1Qwen3.8 Max (xhigh)55.1%
- 2Claude Opus 5 (max)48.7%
- 3Grok 4.5 (high)47.9%
- 4GPT-5.6 Sol (xhigh)46.9%
- 5GPT-5.5 (xhigh)44.6%
- 6Muse Spark 1.1 (xhigh)40.5%
- 7Claude Opus 4.7 (max)40.2%
- 8Claude Fable 5 (max)39.7%
- 9Claude Opus 4.8 (max)39.7%
- 10GPT-5.4 (xhigh)39.4%
- 11Kimi K3 (max)37.1%
- 12GLM 5.2 (xhigh)37.1%
- 13GPT-5.2 (high)32.2%
- 14Gemini 3 Flash (high)27.3%
- 15Claude Opus 4.6 (max)27.3%
27件中27件
| # | ||||
|---|---|---|---|---|
| 1 | 55.1% | 56.6 | 2026-08-04 | |
| 2 | 48.7% | 65.0 | 2026-08-04 | |
| 3 | 47.9% | 56.8 | 2026-08-04 | |
| 4 | 46.9% | 63.9 | 2026-08-04 | |
| 5 | 44.6% | 64.1 | 2026-05-05 | |
| 6 | 40.5% | 59.5 | 2026-08-04 | |
| 7 | 40.2% | 59.7 | 2026-05-05 | |
| 8 | 39.7% | 65.1 | 2026-08-04 | |
| 9 | 39.7% | 61.1 | 2026-08-04 | |
| 10 | 39.4% | 63.1 | 2026-03-25 | |
| 11 | 37.1% | 60.2 | 2026-08-04 | |
| 12 | 37.1% | – | 2026-08-04 | |
| 13 | 32.2% | 55.8 | 2026-02-26 | |
| 14 | 27.3% | 57.4 | 2026-03-02 | |
| 15 | 27.3% | 57.0 | 2026-05-05 | |
| 16 | 26.0% | 60.4 | 2026-05-05 | |
| 17 | 25.3% | 52.3 | 2026-02-26 | |
| 18 | 25.0% | – | 2026-08-04 | |
| 19 | 24.7% | 59.7 | 2026-02-26 | |
| 20 | 18.0% | 60.0 | 2026-03-02 | |
| 21 | 18.0% | – | 2026-05-05 | |
| 22 | 15.7% | – | 2026-05-05 | |
| 23 | 13.7% | – | 2026-05-05 | |
| 24 | 13.1% | – | 2026-05-05 | |
| 25 | 12.6% | 48.5 | 2026-02-26 | |
| 26 | 9.8% | 60.2 | 2026-03-02 | |
| 27 | 9.8% | 56.4 | 2026-03-02 |
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
関連するベンチマーク
τ³-bench Bankingでの注目のモデル比較
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。