評価の出典公式の評価
Arena Text Style-Controlled
LMArena · 人間が匿名で回答を一対一比較し、どちらをより読みたいかを見る。選択式問題では見えない全体的な体験を補う。
News での扱い順位に反映
根拠の配分5%
元データの時点11/11 08:00
最後に同期に成功11/16 02:05
何をどう測るか
公式発表スナップショットのText Overall style-controlled主ランキングのみを採用し、arena.aiのリアルタイムページは取得しない。
この根拠の使い方
人間の偏好予算 10% は全体 5% と創作 5% に分かれる。Arena のプログラミングと視覚評価とは依然として証拠ファミリーを共有する。新旧は公式成績データの時間で判断する。
評価結果
固定ルールに従い、各公開モデルは代表的な構成を1つ採用する。匿名テスト型番は表示せず、元のランキング順位を保持し、各項目は最大30件。
| 元の順位 | 元のモデル名 | 元のスコア | 代表的な設定 |
|---|---|---|---|
| 1 | Gemini 4 Carbon (High)google | 1,526.2 | High 推論 |
| 2 | Gemini 4 Argon (High)Google | 1,521.7 | High 推論 |
| 3 | Muse Wonder (Max)meta | 1,510.9 | Max 推論 |
| 4 | Claude Opus 5.5 (High)Anthropic | 1,506.8 | High 推論 |
| 5 | Claude Fable 5 (High)Anthropic | 1,504 | High 推論 |
| 6 | Claude Opus 4.6 (High)Anthropic | 1,502.8 | High 推論 |
| 7 | Claude Fable 5.1 (Max)Anthropic | 1,502.3 | Max 推論 |
| 8 | Claude Opus 4.7 (High)Anthropic | 1,501.1 | High 推論 |
| 9 | Gemini 3.8 Flash (High)Google | 1,496.7 | High 推論 |
| 10 | Muse Spark 1.3 (Max)Meta | 1,496.5 | Max 推論 |
| 13 | Muse Spark 1.2 (xHigh)Meta | 1,492.9 | xHigh 推論 |
| 14 | Muse Spark 1.1Meta | 1,490.9 | 情報源のデフォルト構成 |
| 15 | Gemini 4 Hydrogen (High)google | 1,490.4 | High 推論 |
| 17 | Gemini 3.7 Flash (High)Google | 1,489.3 | High 推論 |
| 18 | Muse SparkMeta | 1,489.2 | 情報源のデフォルト構成 |
| 19 | Claude Opus 5 (Max)Anthropic | 1,489 | Max 推論 |
| 20 | Kimi K3 (Max)Moonshot AI | 1,487.4 | Max 推論 |
| 21 | Gemini 3.1 Pro PreviewGoogle | 1,486.8 | 情報源のデフォルト構成 |
| 22 | Gemini 3 ProGoogle | 1,485.6 | 情報源のデフォルト構成 |
| 23 | GPT-5.6 Sol (xHigh)OpenAI | 1,485.1 | xHigh 推論 |
| 24 | Kimi K3.1 Pro (Max)moonshot | 1,484.7 | Max 推論 |
| 25 | Qwen3.8-MaxAlibaba | 1,484.1 | 情報源のデフォルト構成 |
| 26 | Gemini 3.6 Flash (High)Google | 1,482.6 | High 推論 |
| 27 | Claude Opus 4.8 (High)Anthropic | 1,481.9 | High 推論 |
| 28 | GLM-5.3 (Max)Z.ai | 1,481.6 | Max 推論 |
| 29 | GPT-5.5 (High)OpenAI | 1,481.3 | High 推論 |
| 30 | GPT-6.1 Sol (Max)— | 1,480.8 | Max 推論 |
| 31 | MiMo-V2.6-ProXiaomi | 1,479.9 | 情報源のデフォルト構成 |
| 32 | Gemini 3.5 Flash (High)Google | 1,478.4 | High 推論 |
| 35 | GPT-5.2 Chat (20260210)openai | 1,475.6 | 情報源のデフォルト構成 |
評価の限界とデータの出典
人間の選好はスタイル、ユーザー構成、プロンプト分布に左右される。全体と創作カテゴリでは投票が重複し、既存の人間選好の予算を共有するため、二つの独立した評価機関とはみなさない。
データのライセンス：CC BY 4.0
スコアは LMArena が公開。元のスコアと News のコンセンサススコアは尺度が異なるため、直接合算できない。