BenchLeader

Terminal-Bench Scienceのリーダーボード

2026年11月16日時点で、Terminal-Bench Scienceの最高スコアは62.9%で、GPT-6 Astra(OpenAI)が記録しています。次点はClaude Fable 5.2の55.7%です。公表された結果があるのは45のモデル構成です(Vals AI、結果の日付は2026年11月9日)。科学者が作成した、データ処理から分析までの多段階の研究ワークフローを、エージェントがシェル上で完了させます。Terminal-Bench Science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)

  • GPT-6 AstraがTerminal-Bench Scienceの最高スコア62.9%を記録しています(Vals AI、2026年11月9日)。
  • Terminal-Bench Scienceの2位はClaude Fable 5.2で、55.7%です(Vals AI、2026年11月9日)。
  • Terminal-Bench Science:専門家が作成した、ターミナルで行う科学研究のワークフロー。Vals AIが実施(Vals AI)。
  • BenchLeaderでは45のモデル構成にTerminal-Bench Scienceの公表結果があります(BenchLeader、2026年11月16日)。
  • Terminal-Bench Science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)。

専門家が作成した、ターミナルで行う科学研究のワークフロー。Vals AIが実施。

公開元
Vals AI
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
45
データ基準日
2026年11月16日

Vals AI (vals.ai).

どんなテストか

科学者が作成した、データ処理から分析までの多段階の研究ワークフローを、エージェントがシェル上で完了させます。

採点方法

完了したワークフローの割合で、Vals AIが実行しています。

注意点

分野の知識とツールの両方が重要で、測定されたモデルはまだ少数です。

45件中45件
#
1GPT-6 Astramax62.9%67.3$20.802026-11-09
2NEWClaude Fable 5.2high55.7%68.4$23.142026-11-09
3GPT-6.1 Solmax52.9%66.6$3.442026-11-09
4Claude Opus 5.5max47.1%68.4$19.122026-11-09
5Claude Sonnet 5.5max47.1%64.2$19.572026-11-09
6Gemini 4 Argonhigh44.3%65.3$44.902026-11-09
7Claude Fable 5.1max40.0%66.7$38.012026-11-09
8Muse Wonder Fullmax37.1%61.7$22.812026-11-09
9Kimi K3.1 Promax31.4%59.9$8.582026-11-09
10GPT-6 Solmax30.0%62.6$5.822026-11-09
11Claude Opus 5max27.1%65.0$32.542026-11-09
12Muse Wondermax22.9%60.8$19.612026-11-09
13GPT-5.6 Solmax20.0%65.3$7.322026-11-09
14Claude Fable 5max15.7%65.1$51.992026-11-09
15Qwen3.8 Maxmax12.9%58.7$16.682026-11-09
16Grok 4.6high11.4%60.6$4.822026-11-09
17Muse Spark 1.3max10.0%60.6$6.092026-11-09
18GPT-5.6 Terramax10.0%59.5$5.192026-11-09
19Grok 4.7xhigh10.0%57.4$17.042026-11-09
20Claude Haiku 5.5max10.0%55.3$4.522026-11-09
21Gemini 3.8 Flashhigh8.6%59.4$5.642026-11-09
22Gemini 3.7 Flashhigh7.1%62.1$7.192026-11-09
23Gemini 3.5 Flashhigh5.7%62.5$3.802026-11-09
24GLM 5.3max5.7%58.8$15.632026-11-09
25Claude Sonnet 5max5.7%56.1$30.302026-11-09
26Ember-15.7%–$30.762026-11-09
27Claude Opus 4.8max4.3%61.1$23.142026-11-09
28Gemini 3.6 Flashhigh4.3%61.0$4.392026-11-09
29Muse Spark 1.3xhigh4.3%58.1$4.412026-11-09
30DeepSeek V4 Flashhigh4.3%57.2$1.102026-11-09
31GPT-6 Lunamax4.3%55.1$0.2412026-11-09
32MiMo-V2.6-Flash4.3%54.8$0.2442026-11-09
33DeepSeek V4 Promax4.3%54.7$4.632026-11-09
34Inkling 2 Small2.9%57.9$5.552026-11-09
35MiMo-V2.6-Pro2.9%57.5$0.6212026-11-09
36Step 5 Preview2.9%56.0$4.252026-11-09
37GLM 5.3 Flashmax2.9%52.4$0.5242026-11-09
38Gemini 3.1 Prohigh1.4%60.4$5.912026-11-09
39Kimi K3max1.4%60.2$21.302026-11-09
40Hy41.4%56.7$2.142026-11-09
41Beam 1.01.4%45.9–2026-11-09
42DeepSeek V4.1 Flashmax0.0%58.5$0.4732026-11-09
43GPT-5.6 Lunamax0.0%56.2$0.5812026-11-09
44Qwen3.8 27Bxhigh0.0%52.2$11.142026-11-09
45Mercury 2.5high0.0%–$0.1782026-11-09

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「Terminal-Bench Science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/vals_terminal_bench_science

Terminal-Bench Science:よくある質問

Terminal-Bench Scienceは何を測るベンチマークですか?
科学者が作成した、データ処理から分析までの多段階の研究ワークフローを、エージェントがシェル上で完了させます。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。
Terminal-Bench Scienceの最高スコアは?
2026年11月16日時点で、Terminal-Bench Scienceの最高スコアは62.9%で、GPT-6 Astraが記録しています(結果の日付は2026年11月9日)。次点はClaude Fable 5.2の55.7%です。スコアはVals AIの公表値で、毎日読み直しています。
Terminal-Bench ScienceでトップのAIモデルは?
2026年11月16日時点で、Terminal-Bench Scienceの首位はGPT-6 Astraで、スコアは62.9%です(結果の日付は2026年11月9日)。続いてClaude Fable 5.2(55.7%)です。
Terminal-Bench Science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Terminal-Bench Scienceの結果があり、すべてVals AIから取得しています。
Terminal-Bench Science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?
Terminal-Bench ScienceはVals AI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。
Terminal-Bench ScienceはBenchLeader Indexに含まれますか?
いいえ。Terminal-Bench Science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。