Comprehensive Ranking

Overall AI model ranking across HLE, ARC-AGI-2, FrontierMath, SWE-bench Verified, and τ²-Bench.

…

About Benchmarks

HLE

総合知能テスト — 人間レベルの推論能力を測定

ARC-AGI-2

抽象的推論ベンチマーク — 新規パターンの汎化能力を測定

FrontierMath - Tier 4

高度な数学問題 — 研究レベルの数学的推論能力を測定

SWE-bench Verified

実践的ソフトウェア開発タスク — 実際のバグ修正能力を測定

τ²-Bench

自律エージェントタスク — ツール呼び出しと推論の組み合わせ能力を測定