上位モデル性能概要

上位モデル基準： NormScore - LiveBench

順位 モデル名 NormScore - LiveBench エージェント型コーディング コーディング データ分析 もし 言語 数学 推論
1 GPT-5 High 78.593 76.671 76.290 77.117 78.557 79.713 79.914 80.642
2 GPT-5 Medium 75.495 61.284 74.262 78.351 79.332 77.618 77.537 79.340
3 gpt-5 75.060 61.284 69.917 78.351 79.332 77.618 77.537 79.340
4 GPT-5 Low 74.905 70.673 73.458 73.929 79.263 76.993 73.441 74.320
5 o3 High 73.209 61.024 77.707 71.085 76.842 74.199 73.421 77.767
6 o3 Pro High 71.294 43.030 77.803 73.401 76.603 78.408 73.152 77.767
7 Claude 4.1 Opus Thinking 70.859 49.028 74.970 77.129 71.706 71.076 78.721 76.556
8 Gemini 2.5 Pro Preview 70.805 51.635 74.568 75.786 74.476 71.889 76.476 72.495
9 Claude 4 Opus Thinking 70.413 49.028 74.262 76.440 72.037 73.326 76.230 74.320
10 o3 Medium 69.353 45.638 78.913 72.211 75.221 71.152 69.765 74.754
11 Claude 4 Sonnet Thinking 69.096 43.290 74.568 74.950 71.751 70.219 73.541 78.245
12 GPT-5 Mini High 68.777 33.902 67.295 77.646 76.556 72.705 78.087 75.119
13 o4-Mini High 68.356 43.551 81.038 73.263 75.737 62.782 73.140 72.381
14 Grok 4 68.200 31.816 72.252 74.437 69.640 75.149 76.732 80.322
15 GPT-5 Mini 67.837 43.551 73.860 77.486 75.146 65.850 73.869 67.886
16 Gemini 2.5 Pro (Max Thinking) 67.784 32.337 74.874 77.722 69.032 75.495 72.844 77.447
17 DeepSeek V3.1 Thinking 67.188 29.469 71.237 73.228 76.612 69.200 76.313 74.481
18 Qwen 3 235B A22B Thinking 2507 66.850 23.992 68.099 82.147 80.231 69.339 69.989 75.211
19 DeepSeek R1 66.605 37.553 72.347 76.957 71.352 63.482 73.502 74.822
20 Gemini 2.5 Pro 65.352 18.776 71.640 77.882 70.078 74.628 72.164 76.990
21 Claude 3.7 Sonnet Thinking 65.234 39.900 74.166 74.561 72.542 68.485 68.067 62.569
22 Claude 4 Opus 63.774 45.116 74.568 70.235 69.917 75.792 68.129 46.367
23 Sonoma Sky Alpha 62.932 20.341 69.017 73.300 64.563 71.154 67.408 79.683
24 o4-Mini Medium 62.845 29.990 75.181 72.675 72.946 59.019 69.661 64.463
25 Gemini 2.5 Flash 61.367 26.339 64.367 74.966 70.921 58.335 72.482 64.509
26 DeepSeek R1 60.991 26.079 77.095 73.769 71.803 53.823 67.001 63.391
27 GLM 4.5 60.900 31.816 61.132 70.697 72.774 61.454 70.627 57.184
28 Qwen 3 235B A22B Thinking 60.883 16.690 67.295 73.231 78.256 58.291 68.852 64.029
29 GPT-5 Mini Low 60.834 37.814 67.200 71.025 70.422 55.828 64.624 61.246
30 Qwen 3 235B A22B Instruct 2507 60.358 18.776 67.295 68.122 67.547 63.797 68.093 71.377
31 Claude 4 Sonnet 59.735 29.469 79.315 68.021 68.895 67.654 65.958 45.067
32 Gemini 2.5 Flash Preview 59.668 26.079 61.132 68.602 70.436 60.501 70.445 60.355
33 Grok 3 Mini Beta (High) 59.625 24.775 55.179 67.845 70.208 59.023 66.102 71.970
34 Qwen 3 32B 59.618 13.039 65.076 72.370 76.011 54.392 68.791 68.251
35 Kimi K2 Instruct 59.027 23.992 72.750 65.890 73.621 63.226 63.976 51.730
36 DeepSeek V3.1 59.013 25.818 69.420 67.597 75.303 59.434 67.818 48.604
37 Qwen 3 Coder 480B A35B Instruct 57.533 35.728 74.166 67.192 66.113 62.883 57.714 44.839
38 Claude 3.7 Sonnet 56.399 32.077 75.277 63.470 68.262 64.127 55.931 40.343
39 GPT-5 Chat 56.257 14.865 77.803 66.857 65.145 62.137 62.881 51.867
40 GLM 4.5 Air 55.790 16.429 58.510 69.323 70.340 44.043 68.126 64.326
41 GPT-5 Nano 55.712 35.989 66.396 68.939 66.600 42.859 60.902 52.643
42 Qwen 3 30B A3B 55.649 14.865 48.098 70.380 74.233 54.079 65.510 58.576
43 GPT-4.5 Preview 55.092 20.602 77.095 62.817 64.510 64.326 58.362 44.702
44 GPT-5 Nano High 55.069 30.251 61.343 65.545 64.548 41.365 61.986 62.866
45 Grok Code Fast 54.361 26.079 65.190 72.760 63.985 44.310 59.789 54.948
46 Gemini 2.5 Flash Lite Preview (Thinking) 53.696 7.302 60.022 68.554 75.086 51.909 60.832 52.095
47 GPT-5 Minimal 53.615 26.339 71.735 66.775 68.506 51.617 50.729 45.067
48 Grok 3 Beta 53.251 16.690 74.568 59.559 75.581 54.233 54.028 39.865
49 DeepSeek V3 0324 52.564 18.516 69.821 64.429 72.762 47.678 61.346 36.373
50 GPT-4.1 52.233 16.690 74.166 69.231 68.705 54.644 53.215 36.464
51 ChatGPT-4o 50.802 16.690 78.511 69.424 64.133 50.314 47.452 40.093
52 GPT OSS 120b 50.161 13.039 59.525 58.980 59.131 40.577 59.191 63.755
53 Claude 3.5 Sonnet 49.189 20.602 74.874 59.660 61.763 55.960 43.821 35.506
54 GPT-5 Mini Minimal 48.842 24.514 68.405 63.584 62.973 39.704 44.236 45.204
55 Qwen2.5 Max 48.817 5.737 67.697 68.161 67.281 58.729 49.054 31.650
56 Mistral Medium 3 47.391 18.516 62.338 59.727 63.617 45.386 51.364 34.479
57 GPT-4.1 Mini 47.352 9.389 73.056 62.447 62.701 38.070 50.106 44.177
58 Llama 4 Maverick 17B 128E Instruct 45.630 5.737 54.873 51.995 67.586 49.117 51.975 36.008
59 Phi-4 Reasoning Plus 45.145 5.477 61.343 55.600 65.240 29.958 53.078 47.508
60 DeepSeek R1 Distill Llama 70B 45.033 7.302 47.199 63.222 62.377 36.846 50.158 49.129
61 GPT-4o 43.817 11.214 70.223 65.270 57.887 45.163 35.571 32.654
62 Gemini 2.0 Flash Lite 43.507 5.477 60.118 68.361 68.378 34.167 47.086 26.493
63 Sonoma Dusk Alpha 43.483 13.039 57.286 60.052 59.359 46.912 37.697 34.867
64 Command A 42.406 7.562 54.969 49.266 73.999 38.055 39.084 29.847
65 GPT-5 Nano Low 41.679 7.302 51.543 56.605 60.019 32.014 47.899 38.518
66 Hunyuan Turbos 41.468 3.651 51.026 49.310 68.030 34.599 49.208 31.398
67 Gemma 3 27B 40.302 5.737 49.610 39.796 66.760 41.573 44.482 28.273
68 Mistral Large 40.236 1.825 63.754 55.515 60.617 41.605 36.684 27.793
69 Qwen2.5 72B Instruct Turbo 39.602 3.651 58.089 52.930 57.473 37.174 44.546 27.998
70 DeepSeek R1 Distill Qwen 32B 38.417 5.477 47.600 51.707 49.662 30.346 51.428 36.441
71 Mistral Small 38.338 11.214 50.319 54.574 56.740 35.124 33.202 30.463
72 Claude 3.5 Haiku 36.689 7.302 53.859 55.388 55.095 39.665 29.820 21.518
73 GPT-4.1 Nano 36.433 5.737 64.768 45.741 51.369 29.883 35.872 29.231
74 Gemma 3 12B 35.315 1.825 42.739 32.406 65.777 31.480 40.828 23.503
75 GPT-5 Nano Minimal 28.826 1.825 49.725 46.189 50.552 16.473 27.238 15.288
76 Command R Plus 28.405 1.825 27.485 48.078 51.347 31.214 19.716 17.776
77 Gemma 3n E4B IT 27.315 1.825 31.925 16.626 57.703 25.609 27.336 18.026
78 Command R 25.910 1.825 26.470 38.928 49.628 28.218 16.010 16.908
79 Gemma 3 4B 23.454 0.000 15.867 18.228 56.681 15.212 26.598 16.247
80 Gemma 3n E2B IT 21.596 1.825 16.670 13.682 51.079 15.396 22.255 16.156
81 GPT-5 Pro 19.504 0.000 73.152 0.000 0.000 0.000 0.000 81.258

カテゴリ性能比較

モデル別カテゴリスコア

モデル エージェント型コーディング コーディング データ分析 もし 言語 数学 推論
GPT-5 High 43.333 75.306 71.635 88.113 80.827 92.772 98.167
GPT-5 Medium 35.000 73.255 72.375 88.988 78.988 89.954 96.583
gpt-5 35.000 68.968 72.375 88.988 78.988 89.954 96.583
GPT-5 Low 41.667 72.489 69.721 88.992 78.735 85.331 90.472
o3 High 36.667 76.715 67.020 86.175 75.996 85.004 94.667
o3 Pro High 31.667 76.776 69.404 85.871 79.882 84.747 94.667
Claude 4.1 Opus Thinking 33.333 73.959 71.145 80.383 71.208 91.157 93.194
Gemini 2.5 Pro Preview 30.000 73.576 68.848 83.504 71.811 88.628 88.250
Claude 4 Opus Thinking 33.333 73.255 70.731 80.742 73.721 88.247 90.472
o3 Medium 28.333 77.863 68.193 84.321 73.481 80.657 91.000

カテゴリとベンチマーク

カテゴリー ベンチマーク
エージェント型コーディング javascript, python, typescript
コーディング code_completion, code_generation
データ分析 tablejoin, tablereformat
もし paraphrase, simplify, story_generation, summarize
言語 connections, plot_unscrambling, typos
数学 AMPS_Hard, math_comp, olympiad
推論 spatial, web_of_lies_v3, zebra_puzzle

モデル詳細

詳細なパフォーマンスを表示するにはモデルを選択してください。

NormScore - Livebench 計算方式と利点

NormScore - LiveBenchは、LiveBench.aiのデータに基づいてモデルの性能を正規化して比較するためのスコアです。このスコアは、各ベンチマーク評価指標の難易度が一定でなくても、正規化によってこれを補正することで、モデル間の性能をより判別力のある形で比較できるよう支援します。

計算方法は以下の通りです。

1

各ベンチマーク内でモデルのスコアを確認します。

2

各ベンチマークの最高スコアを100点に正規化し、他のモデルのスコアはその最高スコアに対する比率として計算します。

正規化公式
\( S_{norm} = \frac{S_{raw}}{S_{max}} \times 100 \)
3

各モデルの正規化されたベンチマークスコアの平均を計算して、1次NormScoreを算出します。

1次 NormScore 公式
\( NormScore_{1st} = \frac{\sum S_{norm}}{N_{benchmarks}} \)
4

1次NormScoreが最も高いモデルを見つけます。

5

該当1位モデルのLiveBench.ai元データ基準の平均スコアを確認します。

6

1位モデルの元の平均スコアを1位モデルの1次NormScoreで割って調整比率を計算します。

調整比率の式
\( Adjustment\_Ratio = \frac{Avg\_Score_{1st}}{NormScore_{1st\_1st}} \)
7

すべてのモデルの1次NormScoreとカテゴリ別平均スコアにこの調整比率を掛けて、最終NormScore - Livebenchと調整されたカテゴリスコアを算出します。

最終 NormScore 公式
\( NormScore_{Livebench} = NormScore_{1st} \times Adjustment\_Ratio \)

この方法により、NormScore - Livebench は LiveBench.ai の元データの平均スコアスケールを維持しながら、各ベンチマーク内での相対的なパフォーマンスを反映することで、モデルの実際の能力をより正確に評価することができます。

Topllmsが開発した計算方法

ライセンス情報

本ウェブサイトで提供されるLiveBench.aiデータは クリエイティブ・コモンズ 表示-継承 4.0 国際ライセンス (CC BY-SA 4.0) に基づいて提供されています。

利用規約：

表示

適切な出典を明示し、ライセンスリンクを提供し、変更がある場合は明示する必要があります。

継承

この資料をリミックス、変形、またはこれを基に新しい作品を作成した場合、その結果物も同じライセンスで配布する必要があります。

再利用条件：

このデータを再利用、再配布、または派生作品を作成する場合、以下の出典を必ず明記してください：

1
元データ： LiveBench.ai
2
処理・提供： Topllms.com

および同じライセンス（ CC BY-SA 4.0 ）を適用する必要があります。