評価の出典公式の評価
Arena Vision Style-Controlled
LMArena · 人間が画像付き回答をブラインドで選び、視覚理解の実際の体験を観察する。
News での扱い順位に反映
根拠の配分6%
元データの時点11/09 08:00
最後に同期に成功11/16 02:05
何をどう測るか
公式データセットvision_style_controlのoverallのみを読み取る。画像生成や画像編集は含まない。
この根拠の使い方
視覚予算6%。依然として人間の選好の証拠であり、厳密な画像精度と同一視はできない。
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 | Claude Fable 5 (High)Anthropic | 1,309.4 | High 推論 |
| 3 | Qwen3.8-MaxAlibaba | 1,299 | 情報源のデフォルト構成 |
| 4 | Claude Opus 4.6 (High)Anthropic | 1,298.8 | High 推論 |
| 5 | Claude Opus 4.7 (High)Anthropic | 1,298.4 | High 推論 |
| 6 | Claude Opus 5.5 (High)Anthropic | 1,295.3 | High 推論 |
| 7 | Muse SparkMeta | 1,294.4 | 情報源のデフォルト構成 |
| 8 | Gemini 3.7 Flash (High)Google | 1,293.8 | High 推論 |
| 9 | Muse Spark 1.2 (xHigh)Meta | 1,293.5 | xHigh 推論 |
| 11 | Gemini 3.8 Flash (High)Google | 1,293.1 | High 推論 |
| 12 | GPT-6.1 Sol (Max)— | 1,292.5 | Max 推論 |
| 13 | Muse Spark 1.3 (Max)Meta | 1,291.5 | Max 推論 |
| 14 | Gemini 3 ProGoogle | 1,289.4 | 情報源のデフォルト構成 |
| 15 | Claude Fable 5.1 (Max)Anthropic | 1,289.3 | Max 推論 |
| 16 | GPT-5.6 Sol (xHigh)OpenAI | 1,288 | xHigh 推論 |
| 18 | Claude Opus 4.8 (High)Anthropic | 1,285.9 | High 推論 |
| 19 | Claude Opus 5 (High)Anthropic | 1,285.4 | High 推論 |
| 21 | GPT-6 Astra (Max)OpenAI | 1,283.4 | Max 推論 |
| 22 | GPT-5.5 (High)OpenAI | 1,283.3 | High 推論 |
| 23 | GPT-5.4 (High)OpenAI | 1,282.2 | High 推論 |
| 25 | Gemini 3.5 Flash (High)Google | 1,281.1 | High 推論 |
| 26 | Grok 4.5xAI | 1,280.4 | 情報源のデフォルト構成 |
| 27 | Gemini 3.1 Pro PreviewGoogle | 1,279.9 | 情報源のデフォルト構成 |
| 28 | Gemini 3.6 Flash (High)Google | 1,279.8 | High 推論 |
| 29 | Muse Spark 1.1Meta | 1,279.3 | 情報源のデフォルト構成 |
| 32 | GPT-5.2 Chat (20260210)openai | 1,277.7 | 情報源のデフォルト構成 |
| 33 | GPT-5.5 InstantOpenAI | 1,277.4 | 情報源のデフォルト構成 |
| 34 | Claude Sonnet 4.6Anthropic | 1,274.9 | 情報源のデフォルト構成 |
| 35 | Gemini 3 FlashGoogle | 1,272.2 | 情報源のデフォルト構成 |
| 36 | GLM-5.3-FlashZ.ai | 1,271.9 | 情報源のデフォルト構成 |
| 37 | GPT-5.6 Terra (xHigh)OpenAI | 1,266.4 | xHigh 推論 |
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。