PostTrainBench

ML の post-training の実務エンジニアリング評価。出典に版の記載が無いもの(v1.2 は posttrainbench-1-2 で分けている)。

分類: その他
単位: パーセント(%); 高いほど良い
比較グループ: 3グループ; すべてのモデルの順位(記録)・順位を付けた結果 3 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(3 件)

公式の結果(Gemini 4 Argon model card)

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 Argon	記載なし	45.3%	—	Google	Gemini 4 Argon model card2026-11-12 取得・ベンダー発表値。Google 自己申告(model card, 2026-10 時点)。thinking 設定の記載なし出典の該当箇所 PostTrainBench \| 45.3%

公式の結果(Kimi K3 (Hugging Face model card, moonshotai))

順位	モデル	effort	スコア	出典のコスト(指標)	計測・報告	出典
1	Kimi K3	Max	36.6%	—	Moonshot AI	Kimi K3 (Hugging Face model card, moonshotai)2026-11-13 取得・ベンダー発表値(Moonshot AI 自己申告)。表注: All Kimi K3 results are obtained with reasoning effort set to 'max' and temperature = 1.0。公式 Harbor 実装・最大 effort・H100 ではなく H20 GPU で 3 回平均・Claude Code ハーネス出典の該当箇所 PostTrainBench \| 36.6所在 HF モデルカード「3. Evaluation Results」の表、PostTrainBench 行・Kimi K3 (max) 列(左端の数値列)。根拠の脚注: Coding / PostTrainBench

公式の結果(GLM-5.3 (Hugging Face model card, zai-org))

順位	モデル	effort	スコア	出典のコスト(指標)	計測・報告	出典
1	GLM-5.3	Max	39.8%	—	Z.ai	GLM-5.3 (Hugging Face model card, zai-org)2026-11-13 取得・ベンダー発表値(Z.ai 自己申告)。カードの Note: reasoning_effort の既定は max、ベンチマーク再現には既定の max を使う。Claude Code 2.1.207・max effort level・3 回の加重平均。第三者 API 利用の検査を LLM エージェントに置き換え出典の該当箇所 PostTrainBench \| 39.8所在 HF モデルカード「Benchmark」の表、PostTrainBench 行・GLM-5.3 列(左端の数値列)。根拠: Footnotes の PostTrainBench