BenchLeader

飽和しているAIベンチマークは?

2026年11月16日時点のデータ · 最終更新 · BenchLeader

BenchLeaderが追跡する285件のベンチマークのうち、34件が飽和、39件が飽和に近い状態です。上位モデルのスコアが上限に近すぎて、差を見分けられません。パーセント表示のボードは、5位のモデルが90%以上になると飽和とみなします。現役のボードは188件、更新停止(1年間新しい結果がない)は24件です。最も飽和が進んでいるのは数学のボードで、21件中11件です。

カテゴリ別のベンチマークの状況BenchLeaderが追跡する285件のベンチマークのうち、34件が飽和、39件が飽和に近い状態です。上位モデルのスコアが上限に近すぎて、差を見分けられません。カテゴリ別のベンチマークの状況飽和飽和に近い現役更新停止推論推論:飽和 9推論:飽和に近い 3推論:現役 18推論:更新停止 838コーディングコーディング:飽和 5コーディング:飽和に近い 8コーディング:現役 38コーディング:更新停止 253エージェント・ツールエージェント・ツール:飽和 2エージェント・ツール:飽和に近い 6エージェント・ツール:現役 60エージェント・ツール:更新停止 169数学数学:飽和 11数学:現役 8数学:更新停止 221知識知識:飽和 5知識:飽和に近い 7知識:現役 21知識:更新停止 437指示追従指示追従:飽和 1指示追従:飽和に近い 3指示追従:現役 48人間の評価人間の評価:現役 6人間の評価:更新停止 17マルチモーダルマルチモーダル:飽和に近い 7マルチモーダル:現役 14マルチモーダル:更新停止 627長文コンテキスト長文コンテキスト:飽和に近い 2長文コンテキスト:現役 35総合総合:飽和に近い 2総合:現役 1315安全性・誠実さ安全性・誠実さ:飽和 1安全性・誠実さ:飽和に近い 1安全性・誠実さ:現役 24メタデータメタデータ:現役 11BenchLeader · 2026年11月16日時点のデータ · CC BY 4.0www.benchleader.com/stats/benchmark-saturation
BenchLeaderが追跡する285件のベンチマークのうち、34件が飽和、39件が飽和に近い状態です。上位モデルのスコアが上限に近すぎて、差を見分けられません。棒にカーソルを合わせるかタップすると、その内訳のベンチマークがわかります。 グラフ画像(SVG)

主な統計

各統計には個別のリンク(#)があり、そのまま引用できます。

  • BenchLeaderが追跡する285件のベンチマークの内訳は、飽和34件、飽和に近い39件、現役188件、更新停止24件です(BenchLeader、2026年11月16日)。 #
  • 飽和したボードの割合が最も大きいカテゴリは数学で、21件中11件です(BenchLeader、2026年11月16日)。 #
  • GPQA Diamondは飽和しています:5位のモデルのスコアは95.4%です(BenchLeader、2026年11月16日)。 #
  • ARC-AGI-2は飽和しています:5位のモデルのスコアは93.3%です(BenchLeader、2026年11月16日)。 #
  • Humanity's Last Examはまだ現役です:首位のスコアは54.8%です(BenchLeader、2026年11月16日)。 #
  • 10モデル以上の結果がある現役のボードで最も難しいのは、FrontierMath Erdős(最高スコア4.4%)、FORTRESS(最高スコア5.8%)です(BenchLeader、2026年11月16日)。 #

カテゴリ別の飽和状況

カテゴリ飽和飽和に近い現役更新停止合計
推論9318838
コーディング5838253
エージェント・ツール2660169
数学11–8221
知識5721437
指示追従134–8
人間の評価––617
マルチモーダル–714627
長文コンテキスト–23–5
総合–213–15
安全性・誠実さ112–4
メタデータ––1–1
すべて343918824285

飽和したベンチマーク(34)

5位のモデルのスコアが90%以上です。各モデルは最高スコアで1回だけ数えます。

ベンチマークカテゴリ5位トップ首位のスコアモデル
OTIS Mock AIME数学100%Gemini 4 Carbon100%289
ProofBench数学99%Claude Fable 5.2100%85
τ²-Bench Telecom (AA)エージェント・ツール98.5%GLM 5.299.1%418
ARC-AGI-1推論98.5%Claude Fable 5.298.5%265
AIME 2026数学98.3%GPT-5.5100%31
SWE-Bench Pro V2コーディング97.7%Claude Opus 599.4%18
DTBench推論97.6%Claude Fable 5.299.2%238
LiveBench Mathematics数学96.7%Claude Opus 5.597.1%68
AIME (Vals)数学96.7%Gemini 3.1 Pro98.1%94
ARC-AGI-3推論96.4%GPT-6 Astra99.9%79
AIME 2025 (AA)数学96.3%GPT-5.299%255
HMMT February 2026数学96.2%GPT-5.598.5%31
MedQA知識96.1%o196.5%93
SWE-bench (Vals)コーディング95.4%Claude Opus 597%86
GPQA Diamond推論95.4%Gemini 4 Carbon96.5%306
MATH 500数学95.2%Gemini 3 Pro96.4%58
FrontierMath Tier 4数学95%Claude Fable 5.2100%79
GPQA Diamond (AA)推論94.1%GPT-6 Astra96.3%567
GPQA Diamond (Vals)推論93.9%Gemini 3.1 Pro95.5%133
MGSM数学93.9%Claude Opus 4.595.2%73
ARC-AGI-2推論93.3%GPT-6 Astra95%265
IFEval (HELM)指示追従92.9%Grok 3 mini95.1%68
FACTS Searchエージェント・ツール92.7%Gemini 4 Carbon94.4%26
MASK安全性・誠実さ92.5%Claude Opus 4.696.3%65
LiveBench 2.0 Reasoning推論91.7%Gemini 4 Argon95.1%34
LiveBench 1.0 Reasoning推論91.7%GPT-6 Astra92.7%68
Global-MMLU-Lite (AA)知識91.3%Gemini 3.1 Pro93.2%115
IOIコーディング91.2%GPT-6 Astra100%46
FrontierMath Tiers 1–3数学90.9%Claude Fable 5.295.1%123
Vibe Code Bench v1.1コーディング90.3%Claude Fable 5.293.8%124
MMLU-Pro知識90.2%Claude Fable 5.192.4%133
SWE-Bench Pro V2 HARDコーディング90.2%Claude Opus 598%18
MedScribe知識90.1%Claude Opus 5.591.4%106
LiveBench Research知識90%Claude Fable 5.294.5%34

飽和に近いベンチマーク(39)

首位が90%以上、または5位のモデルが80%以上です。

ベンチマークカテゴリ5位トップ首位のスコアモデル
WeirdMLコーディング89.4%GPT-6 Astra93.6%159
LiveCodeBench (AA)コーディング89.4%Gemini 3 Pro91.8%307
LiveBench Browserエージェント・ツール89.3%GPT-6.1 Sol93.3%34
SAGEマルチモーダル89.3%Claude Opus 5.591.3%29
MMMU-Pro (Vals)マルチモーダル89.0%Claude Fable 5.190.6%91
Fiction.LiveBench 120k長文コンテキスト88.9%o3100%36
Terminal-Bench 2.1 (AA)コーディング88.8%Claude Fable 5.191.4%240
LiveBench Language指示追従88.7%Claude Fable 590.7%68
LiveCodeBenchコーディング88.7%Claude Fable 5.190.5%140
Surface Evolver Benchコーディング87.5%Claude Fable 595%29
LegalBench知識87.4%Claude Fable 588.6%147
LiveBench 2.0 Codingコーディング87.1%Gemini 4 Carbon91%34
SimpleBench推論86.6%Claude Fable 5.294.9%111
MMLU-Pro (HELM)知識86.3%Gemini 3 Pro90.3%68
GeoBenchマルチモーダル86%Claude Fable 589%44
MMMU-Proマルチモーダル86.0%Gemini 4 Carbon89.3%296
WildBench (HELM)指示追従85.9%Qwen3 235B A22B 250786.6%68
MCP Atlasエージェント・ツール85.4%Gemini 4 Argon90.7%37
AA-LCR v1.1長文コンテキスト85.3%Kimi K388.7%572
Terminal-Bench 2.1 (Vals)エージェント・ツール84.6%Claude Opus 5.587.6%75
LiveBench 1.0 Codingコーディング83.9%Claude Sonnet 5.591.4%68
Kagi LLM Benchmark推論83.5%Claude Fable 591.4%137
LiveBench 2.0総合83.4%Claude Fable 5.284.9%34
LiveBench 2.0 Data Analysis知識82.7%Gemini 4 Carbon86.5%34
AA-Omniscience v1.1: non-hallucination知識82.7%Gemini 4 Carbon95.8%142
DistressBench安全性・誠実さ82.3%Muse Spark 1.288.4%43
LiveBench 1.0総合81.6%Claude Fable 5.183.4%68
LiveBench 1.0 Data Analysis知識81.2%GPT-6 Astra83.0%68
IFBench指示追従80.5%Grok 4.383.3%428
LiveBench Designマルチモーダル80.2%Claude Fable 5.285.1%34
Furniture Assemblyマルチモーダル79.2%Claude Fable 5.290%39
MirrorCodeコーディング78.9%Claude Sonnet 5.597.8%45
CyberGym end-to-end (AA)エージェント・ツール77.9%Kimi K3.1 Pro94.7%26
SimpleQA Verified知識73.9%Claude Fable 5.294%99
Mystery Game Puzzles推論73%Claude Fable 5.290%146
EBR-bench知識71.4%Claude Fable 5.290.5%31
VPCTマルチモーダル58.7%Gemini 3 Pro91%30
Cybenchエージェント・ツール42%Claude Opus 4.693%21
Time Horizon Index: KSPエージェント・ツール23.8%Claude Opus 5.591.3%13

現役で最も難しいベンチマーク

10モデル以上の結果があるパーセント表示の現役ボードを、首位のスコアが低い順に並べています。

ベンチマークカテゴリ5位トップ首位のスコアモデル
FrontierMath Erdős数学2.9%GPT-6.1 Sol4.4%15
FORTRESS安全性・誠実さ9.6%Claude Opus 5.55.8%83
PropensityBench安全性・誠実さ33.2%o310.5%14
Harvey LAB-AA v1.1エージェント・ツール8.6%Muse Wonder Full13.1%33
BTF-3推論14.1%GLM 5.3 Flash14.9%13
GDPxエージェント・ツール9%Claude Fable 5.216.4%21
ProgramBenchコーディング5.5%Claude Fable 5.219%65
CL-bench Life推論16.9%GPT-5.522.2%17
SciPredict推論22.2%Gemini 3 Pro25.3%15
Harvey's Legal Agent Benchmark v1エージェント・ツール19.6%Muse Spark 1.225.4%80

後継のベンチマーク

飽和または更新停止したボードについて、同じ能力を測り、上位モデルの差がまだつく現役のベンチマークを挙げています。

数値の算出方法

BenchLeaderが飽和を判定するのは、10モデル以上の結果があるパーセント表示のベンチマークだけです。「飽和」は5位のモデル(1モデルにつき最高スコア1件)が90%以上で、上位の差がノイズにすぎない状態、「飽和に近い」は首位が90%以上か5位が80%以上の状態、「更新停止」は365日を超えて新しい結果がない状態です。それ以外のベンチマーク(Eloレーティング、金額、小規模なボード)は、更新停止でない限り「現役」です。件数はBenchLeaderが48の公開元から追跡しているベンチマークで、公開されているすべてのベンチマークではありません。

首位のモデルが90%を超えた時点でベンチマークを飽和とみなす集計サイトもあります。BenchLeaderは5位のモデルを基準にしているため、1件の突出した結果だけでボードが飽和扱いになることはありません。ステータスはベンチマーク一覧に表示しているものと同じです。

このグラフを使う

これらの件数はBenchLeader独自のもので、CC BY 4.0のもとで自由に再利用できます。その際は、このページへのリンクでBenchLeaderをクレジットしてください。 表とCSVに含まれるベンチマークのスコアには、各ベンチマーク公開元の利用条件が適用されます。

埋め込みコード

<figure><a href="https://www.benchleader.com/ja/stats/benchmark-saturation"><img src="https://www.benchleader.com/stats/benchmark-saturation.svg" alt="BenchLeaderが追跡する285件のベンチマークのうち、34件が飽和、39件が飽和に近い状態です。上位モデルのスコアが上限に近すぎて、差を見分けられません。" width="760"></a><figcaption>出典: <a href="https://www.benchleader.com/ja/stats/benchmark-saturation">BenchLeader</a>, CC BY 4.0</figcaption></figure>

表をダウンロード(CSV)

引用

BenchLeader「AIベンチマークの飽和状況の統計」2026年11月16日時点のデータ、https://www.benchleader.com/ja/stats/benchmark-saturation

よくある質問

ベンチマークが飽和するとはどういう意味ですか?
最上位のモデルがどれも上限近くのスコアを出し、モデル間の差がノイズにすぎなくなった状態です。BenchLeaderは、10モデル以上の結果があるパーセント表示のボードについて、5位のモデルが90%以上なら「飽和」、首位が90%を超えるか5位が80%を超えたら「飽和に近い」としています。
飽和したAIベンチマークはいくつありますか?
BenchLeaderが追跡する285件のベンチマークのうち、34件が飽和、39件が飽和に近い状態です。上位モデルのスコアが上限に近すぎて、差を見分けられません。残りは現役が188件、更新停止が24件です。
最も難しいAIベンチマークは?
10モデル以上の結果がある現役のボードでは、FrontierMath Erdős(最高スコア4.4%)、FORTRESS(最高スコア5.8%)です。
なぜ首位ではなく5位のモデルを基準にするのですか?
首位のモデルが90%を超えた時点でベンチマークを飽和とみなす集計サイトもあります。BenchLeaderは5位のモデルを基準にしているため、1件の突出した結果だけでボードが飽和扱いになることはありません。

関連: すべてのベンチマーク、算出方法、BenchLeader Index、AIモデルのリリース統計、すべての統計