Epoch AI · リサーチレポート（DeepResearch Bench）

このランキングの読み方

測定する能力： Epochが掲載するFutureSearchのDeep Research Benchは、ウェブで情報を探してまとめ、調査質問に答える能力を評価します。長いレポートの品質を評価する同名の別のベンチマークとは区別する必要があります。

スコアの読み方： 課題ごとの適合率・再現率・F1・正誤・確率判断の誤差などを用いた0~1のスコアを集計します。百分率で表示されていても、全課題の解決率を意味するわけではありません。

注意点： 保存済みのウェブ資料を検索するRetroSearchと、所定のエージェント条件を使用します。一部の採点にはAIによる補助的な判断が含まれるため、小さな差は評価条件と併せて解釈してください。

今回のランキングから読み取れること

• 最高スコアはClaude Opus 4.6の55.3%です。
• 1位と5位の差は2.7%pです。
• 上位10モデルのうち、Anthropicのモデルが6モデルで最も多くなっています。
• この試験の結果が公開されているモデルは25件です。