Agents' Last Exam

Name: Agents' Last Exam
Keywords: Agents' Last Exam, AIベンチマーク, モデル評価, AIベンチマークランキング, AIモデルの性能

AIベンチマーク結果とモデルの性能

種類: percentageAgents

ベンチマークの出典を見る

記録された結果

平均スコア

50.68%

スコアの範囲

25.20% - 77.40%

最上位モデル

77.40% - Gemini 4 Carbon

スコアの推移

日付ごとの個別ベンチマークスコアです。

モデル結果

組織	モデル	報告日	最高スコア	情報	自己申告	出典
Google	Gemini 4 Carbon	2026年10月28日	77.40%	Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/images/gemini_4_carbon__evals-table.original.png; methodology: deepmind.google/models/evals-methodology/gemini-4-carbon	はい	出典
Anthropic	Claude Opus 5.5	2026年9月22日	63.20%	Agents' Last Exam v1; reasoning effort max; estimated cost per task $8.82; Reported by OpenAI (not Anthropic) in the GPT-6.1 Terra launch post	いいえ	出典
OpenAI	GPT-6.1 Terra	2026年10月26日	60%	Agents' Last Exam v1; reasoning effort max; estimated cost per task $1.01; OpenAI-reported in the GPT-6.1 Terra launch post	はい	出典
OpenAI	GPT-6 Astra	2026年9月03日	59.30%	GPT-6 Astra launch evaluation	はい	出典
OpenAI	GPT-6.1 Sol	2026年9月29日	58.60%	Agents' Last Exam v1; reasoning effort max; estimated cost per task $2; OpenAI-reported in the GPT-6.1 Terra launch post	はい	出典
OpenAI	GPT-6 Luna	2026年9月22日	50.90%	Agents' Last Exam v1; reasoning effort max; estimated cost per task $0.14; OpenAI-reported in the GPT-6.1 Terra launch post	はい	出典
OpenAI	GPT 5.6 Terra	2026年7月09日	50.70%	Agents' Last Exam v1; reasoning effort max; estimated cost per task $3.58; OpenAI-reported in the GPT-6.1 Terra launch post	はい	出典
Qwen	Qwen 3.8 27B	2026年8月14日	42.90%	Pass@1: 20.4; reported aggregate score: 42.9	はい	出典
Google	Gemini 4 Argon	2026年10月13日	39.50%	Google-reported launch evaluation; source chart: https://storage.googleapis.com/gweb-uniblog-publish-prod/original_images/gemini-4-argon_table_blog.gif	はい	出典
DeepSeek	DeepSeek V4.1 Flash 1017	2026年10月17日	35.40%	Agents' Last Exam. Developer-reported percentage score (0–100), higher is better. DeepSeek-V4.1-Flash-1017 model card, release 2026-10-17, accessed 2026-10-17. Reasoning effort and any unlisted evaluation settings are not specified by this card.	はい	出典
DeepSeek	DeepSeek V4.1 Flash	2026年9月10日	31.80%	Instruct model; reasoning_effort=100; Pass@1	はい	出典
DeepSeek	DeepSeek V4 Flash 0731	2026年7月31日	25.20%	DeepSeek-V4-Flash-0731	はい	出典

公開データの正確性にご協力ください