Agents' Last Exam v1.1(rubric score)
長時間のエージェント実務タスク(v1.1、122 タスク、averaged rubric score)。
- 分類
- コンピュータ操作
- 単位
- パーセント(%)
- 高いほど良い
- 比較グループ
- 1グループ
- すべてのモデルの順位(記録)・順位を付けた結果 2 件
すべてのモデルの順位(記録)
旧モデルと Claude Code / Codex で選べないモデルを含めて、比較グループごとに順位を付け直したものです。順位を付ける顔ぶれが違うので、上の順位とは違います。
旧モデル・選べないモデルを含む順位を開く(2 件)
公式の結果(Gemini 4 Carbon (Google DeepMind models page, benchmark table))
| 順位 | モデル | effort | スコア | 出典のコスト(指標) | 計測・報告 | 出典 |
|---|---|---|---|---|---|---|
| 1 | Gemini 4 Carbon | High | 77.4% | — | Gemini 4 Carbon (Google DeepMind models page, benchmark table)2026-11-12 取得・ベンダー発表値。Google 公表表。methodology PDF: Gemini 4 Carbon/Argon は Gemini API の最高 thinking 設定・pass@1・単一試行。行ごとの出典は 自己計測。122 タスク・ALE-Claw ハーネス・5時間枠・averaged rubric Score出典の該当箇所Agents' Last Exam v1.1: Gemini 4 Carbon 77.4 | |
| 2 | Gemini 4 Argon | High | 69.0% | — | Gemini 4 Carbon (Google DeepMind models page, benchmark table)2026-11-12 取得・ベンダー発表値。Google 公表表。methodology PDF: Gemini 4 Carbon/Argon は Gemini API の最高 thinking 設定・pass@1・単一試行。行ごとの出典は 自己計測。122 タスク・ALE-Claw ハーネス・5時間枠・averaged rubric Score出典の該当箇所Agents' Last Exam v1.1: Gemini 4 Argon 69.0 |