ランキング一覧に戻る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
総合ランキング
HLE、ARC-AGI-2、FrontierMath、SWE-bench Verified、τ²-Bench の総合ランキング。
…