FrontierMath (最難関数学ベンチ)
読み: ふろんてぃあます さいなんかんすうがくべんち
最終更新: 2026-07-06・AI PICKS編集部
定義
FrontierMathとは、専門家でも解くのに数時間から数日かかる高難度の数学問題群でAIモデルの推論能力を測定する最難関ベンチマークのこと。
FrontierMath (最難関数学ベンチ)とは — 詳しく解説
FrontierMathとは、Epoch AIが2024年に公開した数学ベンチマークで、代数幾何・数論・力学系など研究レベルの数学問題約300問で構成され、専門家でも解くのに数時間から数日かかる難易度とされる。多くの最先端モデルが正答率数%にとどまることから、既存ベンチマークが飽和した後の指標として業界標準的に参照されるようになった。ただし2026年時点の実運用ではいくつか落とし穴がある。問題の一部が非公開のため、スコア上昇が実際の推論力向上か学習データ汚染によるものか外部から検証しにくいという指摘がある。また現場でモデル選定に使う際は、FrontierMathのスコアは高度な数学研究や複雑な多段階推論に強く相関する一方、日常的なコーディング支援や文章生成の品質とは別軸の指標である点に注意が要る。スコア上位モデルほど推論トークン数がかさみ課金額が跳ね上がる傾向もあるため、現場ではスコアの高さだけでなく実タスクでの相場感とコスト対効果を踏まえた選定が欠かせない。
FrontierMath (最難関数学ベンチ)の使用例
- 新しいLLMが発表された際、ベンチマーク欄にFrontierMathのスコアが数学的推論力の指標として併記されることが増えている。
- モデル比較記事で複数ベンチマークを並べる際、FrontierMath正答率の項目を加えて数学推論力を比較する使い方がある。
FrontierMath (最難関数学ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・402語以上を体系的に整理しています
辞典トップへ