ベンチマークとランキング

Terminal-Bench 3.0 完全解説

TB 3.0 vs 2.1 の違い、現在の榜単と販売中モデルの対応

更新日 2026-08-27

Artificial Analysis 知能指数解説

9項目の重み配分の完全解説とよくある誤解

更新日 2026-08-27

Terminal-Bench 2.1 ランキング解説

3つのランキングで3つの首位：公式 83.8 / AA 89.5 / vals 85.77 の差を完全解説

更新日 2026-08-22

SWE-bench Pro 3つの首位の口径全解説

80.3 / 80.0 / 公式ボード：データ分割と scaffold の真相

更新日 2026-08-22

Ornith-1.5 を自分で評価する

公開ランキングではなく自分の仕事で新モデルを判断する方法。

更新日 2026-08-20

Claude Fable 5 の SWE-Bench Pro スコア解説

80.3%の出所、公式基準 vs 独立再現の論争、参考にする際の限界

更新日 2026-08-08

SWE-Bench から本番へ 2026：ベンチマークが（またはしない）デリバリー速度への変換方法

SWE-Bench 88% は素晴らしいが、私有リポジトリではしばしば 30% 程度。ギャップを理解し、自分用の検証 harness を構築しましょう。

更新日 2026-07-13

SWE-Bench Pro 2026 コーディングモデルランキング：Opus 4.7 vs GPT-5.5 vs GPT-5.3-Codex

SWE-Bench Pro 2026：GPT-5.3-Codex 56.8% SOTA、GPT-5.5 58.6%、Opus 4.8 Fast Mode デフォルト。シナリオ別モデル選定ガイド。

更新日 2026-05-16