ベンチマーク / FrontierCode 1.1（Main）

FrontierCode 1.1（Main）

コーディング・高いほど良い

このベンチマークとは

エージェントのコード変更が「マージされるか」を測るコーディング評価（Mainセット）。

単に動くかではなく、レビューを通る品質かを見る。プロンプトやハーネスの違いで数ptずれる。

＊＝開発元の自社発表。出典（表）ごとに分けています。同じ表の値どうしは同じ条件で比べられます。

Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。

比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。