Arena WebDev

Name: Arena WebDev
Creator: LMArena

LMArena · 同じく人間のブラインド選択で、ウェブが使いやすいか、納品できるかを競う。

公式の評価

News での扱い順位に反映

根拠の配分2.4%

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WebDev総合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。Textと合わせて一つのArenaファミリー票を構成する。

この根拠の使い方

コーディングとデザインの予算のうち2.4%。審美カテゴリでウェブ作品の好みを測るもので、コードの正答率とは異なる。Arenaの他のタスクと証拠ファミリーを共有する。

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	Claude Fable 5.2 (xHigh)Anthropic	1,837.8	xHigh 推論
2	Claude Opus 5.5 (Max)Anthropic	1,814.7	Max 推論
3	Claude Sonnet 5.5 (xHigh)anthropic	1,772.3	xHigh 推論
4	Gemini 4 Carbon (High)google	1,768.2	High 推論
5	GPT-6 Astra (Max)OpenAI	1,763.8	Max 推論
6	GPT-6.1 Sol (Max)—	1,743.3	Max 推論
7	Claude Fable 5.1 (Max)Anthropic	1,741.9	Max 推論
8	Muse Wonder Full (Max)meta	1,723.5	Max 推論
10	Gemini 4 Hydrogen (High)google	1,704.2	High 推論
11	Claude Opus 5 (Max)Anthropic	1,690.9	Max 推論
12	Kimi K3.1 Pro (Max)moonshot	1,687.2	Max 推論
13	Gemini 4 Argon (High)Google	1,681	High 推論
14	GPT-6.1 Terra (Max)OpenAI	1,678.1	Max 推論
16	GPT-6 Sol (Max)OpenAI	1,672.6	Max 推論
17	Qwen3.8-MaxAlibaba	1,670.4	情報源のデフォルト構成
18	DeepSeek-V4.1-Flash-20261017 (Max)deepseek	1,663.7	Max 推論
19	Kimi K3 (Max)Moonshot AI	1,657.8	Max 推論
21	Muse Spark 1.3 (Max)Meta	1,655.1	Max 推論
22	Muse Wonder (Max)meta	1,647.4	Max 推論
23	Inkling 2 Smallthinky	1,647.1	情報源のデフォルト構成
24	Grok 4.7 (xHigh)xAI	1,640.7	xHigh 推論
25	MiMo-V2.6-FlashXiaomi	1,638.1	情報源のデフォルト構成
26	Hy4 previewTencent	1,631.7	情報源のデフォルト構成
27	Claude Fable 5 (High)Anthropic	1,625.4	High 推論
28	MiMo-V2.6-ProXiaomi	1,625	情報源のデフォルト構成
29	Qwen3.8-Flash-NextAlibaba	1,623.7	情報源のデフォルト構成
30	GLM-5.3 (Max)Z.ai	1,622.5	Max 推論
31	DeepSeek-V4.1-Flash-20260910 (Max)deepseek	1,620.6	Max 推論
33	Grok 4.6 (High)xAI	1,618.1	High 推論
34	GPT-5.6 Sol (xHigh, Codex Harness)OpenAI	1,615.2	xHigh 推論 · Codex Harness

評価の限界とデータの出典

Text との間に選好構成概念の相関がある。

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。