LiveBench (汚染耐性総合ベンチ)
読み: らいぶべんち
最終更新: 2026-07-13・AI PICKS編集部
定義
LiveBench（ライブベンチ）とは、推論・数学・コーディングなど複数分野でLLMを横断評価し、データ汚染を避けるため毎月問題を更新し続ける総合ベンチマークのこと。
LiveBench (汚染耐性総合ベンチ)とは — 詳しく解説
LiveBenchは、推論・数学・コーディング・言語理解・データ分析・指示追従など複数分野でLLMを横断評価する、汚染耐性を重視した総合ベンチマークとされる。従来型ベンチマークは公開データセットが学習データに混入する「データ汚染」によって実力以上のスコアが出やすいという課題を抱えていたが、LiveBenchは毎月新しい問題セットを追加し、正解が事前学習されていない状態を保つ設計が特徴とされる。2026年時点の実運用では、モデル選定の一次スクリーニングとしてLiveBenchのリーダーボードを参照する現場が広く見られるが、スコアは汎用タスクの平均値にすぎず、自社ドメイン特有の業務での性能を保証するものではない点が落とし穴として指摘される。実際の選定フローでは、LiveBench上位モデルを候補に絞ったうえで自社データによる追加検証を行い、API利用のコストやレイテンシとのバランスを見て最終判断する進め方が一般的とされる。相場感としては高性能モデルほどトークン単価が高く、精度とコストのトレードオフを見極める指標の一つとしてLiveBenchが活用されている。
LiveBench (汚染耐性総合ベンチ)の使用例
- モデル選定時に「LiveBenchのcoding部門スコアを教えて」と尋ね、候補モデルを絞り込む使い方が一般的とされる。
- 「直近月の問題セットで汚染の影響を受けていないか」を確認してから性能比較の指標に使うとされる。
LiveBench (汚染耐性総合ベンチ)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・502語以上を体系的に整理しています
辞典トップへ