ベンチマーク / Humanity's Last Exam（ツールあり）

Humanity's Last Exam（ツールあり）

推論・知識・高いほど良い

このベンチマークとは

専門家が作った多分野の超難問集。ツール（検索・コード実行など）使用あり。

ツールの有無で大きく変わる。ツールなしの値とは比較できない。

＊＝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。