HLEとは？AI最難関ベンチマークの中身とスコアの読み方 (2026年版)
この記事のポイント HLEは「Humanity's Last Exam（人類最後の試験）」の略で、AIがどこまで難しい問題に答えられるかを測るために作られた超難問のテストです。 各分野の専門家が「検索してもすぐには答えが出ない」問題を持ち寄って作った点が特徴で、一般的な業務で使う知識とはかなり距離があります。 スコアが上がったからといって、あなたの仕事が楽になるとは限りません。むしろ「正解率」より「自信の当たり外れ」のほうが実務では効きます。 「HLE」には別の意味（eスポーツチーム、e-ラーニングサービスなど）もあるため、検索意図の切り分けも後半で整理しました。
AIのニュースを追っていると、見慣れない三文字が急に出てきて置いていかれる感覚。HLEもその一つです。しかも文脈によって指すものが違うので、余計にややこしい。
AI関連の記事で出てくるHLEは、ほぼ間違いなく「Humanity's Last Exam」を指します。日本語では「人類最後の試験」と訳されることが多い、AI向けの試験問題集。
HLEとは、AIの限界を測るために作られた「人類最後の試験」です
HLEとは、AIモデルがどこまで難しい学術的な問題に答えられるかを測るために作られた、公開のベンチマーク（性能を測るための共通テスト）です。作ったのは米国のAI安全研究組織Center for AI Safetyと、AI向けデータ企業Scale AI。世界中の研究者や専門家から問題を募って作られました。
名前がやや大げさに聞こえるかもしれません。ただ、これには理由があります。
従来のテストでAIが軒並み高得点を取るようになり、「もう測れない」状態になっていた。だから「人間が作れる最後クラスの難しさ」を目指した、というのが名前の由来です。
数学、物理、化学、生物、言語学、古典、医学など、100を超える分野から問題が集められています。ここで大事なのは、出題の狙いが「調べればわかること」ではない点。専門家が数分では解けない問題が選ばれています。
問題の難しさが分かると、なぜスコアの読み方に注意が要るのかも見えてきます。
なぜ従来のベンチマークでは足りなくなったのか
AI業界で長く使われてきたテストは、大学入試や資格試験に近い形式でした。選択肢から選ぶ知識問題、コードを書かせる問題、読解問題。どれもモデルの実力を測るのに役立ってきました。
ところが、上位モデルが軒並み高得点を取るようになると、テストとしての意味が薄れます。全員が満点近くのテストでは、順位がつかない。
この状態は「サチュレーション（天井張り付き）」と呼ばれます。
もう一つの問題が、学習データへの混入。ネット上に問題と答えが載っていれば、AIは訓練の過程でそれを覚えてしまいます。実力ではなく暗記で答えている可能性を排除できない。
| 課題 | 具体的に何が起きるか | HLEでの対処 |
|---|---|---|
| 天井張り付き | 上位モデルが軒並み高得点で差がつかない | 専門家でも即答できない難度に設定 |
| 学習データ汚染 | 問題と答えを暗記して正解する | 一部の問題を非公開で保持 |
| 実務との乖離 | 高得点でも日常業務で役立たない | ここは解決していない（後述） |
| 曖昧な採点 | 記述式で採点者によってブレる | 答えが一意に決まる形式を採用 |
つまり、HLEは「差がつかなくなった」問題への回答として生まれたテストです。実務での使い勝手を測るために作られたものではありません。
この設計思想が、次に説明する問題の作り方に直結します。
HLEの問題はどう作られている？
問題を作ったのは、大学や研究機関に所属する専門家たちです。世界中から募集し、提出された問題を審査して、既存のAIが簡単に解けてしまうものは落とす。この「AIに解かせてみて、解けたら不採用」という選別が特徴的です。
採用された問題は、主に2つの形式に整理されています。
- 選択式：複数の選択肢から正解を選ぶ
- 短答式：数式や用語など、答えが一つに決まる短い回答
- 図表を含む問題：画像を読み取って答える形式も一部含まれる
- 回答と同時に「自信の度合い」を申告させる設計
最後の項目が地味に効いています。AIに「あなたはこの答えにどれくらい自信があるか」を数字で言わせることで、当てずっぽうで答えているのか、根拠を持って答えているのかを分けて評価できる。
問題数は公開時点で数千問規模とされていますが、汚染対策として一部が非公開で運用されているため、正確な内訳は配布元の公式ページで確認するのが確実です（2026年7月時点）。
出題の中身がわかったところで、スコアの意味を掘り下げます。
スコアは何を意味する？満点に近いほど賢いのか
HLEの結果は、たいてい「正解率」で報じられます。ただ、この数字だけを見るのは危険。
HLEには正解率と並んで、もう一つ重要な指標があります。キャリブレーション誤差（Calibration Error）と呼ばれるもので、日本語にすると「自信と実力のズレ」です。
たとえば「90%の自信がある」と答えた問題群で、実際の正解率が30%だったとします。この差が大きいほど、そのAIは自分の能力を過大評価していることになる。
実務でAIを使うとき、怖いのは「間違えること」より「間違いを堂々と言い切ること」です。前者は確認すれば防げます。後者は確認する気すら起こさせない。
キャリブレーション誤差が大きいモデルは、それっぽい嘘（ハルシネーション＝AIがもっともらしい作り話をすること）を自信満々に返してきます。社内資料の要約や調査に使うなら、正解率よりこちらを気にしたほうが実害を減らせます。
| 指標 | 何を測るか | 実務での重み |
|---|---|---|
| 正解率 | 難問にどれだけ答えられたか | 低い（業務の問題はここまで難しくない） |
| キャリブレーション誤差 | 自信と実力がどれだけズレているか | 高い（誤情報の見抜きやすさに直結） |
| 分野別の偏り | 得意分野・苦手分野の傾向 | 中（自分の業務領域と一致するかを見る） |
読み方をまとめると、HLEの正解率は「モデルの上限」を示す指標であり、日々の作業品質を示す指標ではありません。
では、この数字をツール選びにどこまで使えるのか。
HLEスコアが高いAIを選べば仕事が捗る？
正直、ほとんど関係ありません。
HLEで問われるのは、大学院レベルを超える専門知識と多段階の推論です。一方で、日常業務でAIに頼むことといえば、議事録の要約、メールの下書き、表の整形、資料のたたき台づくり。難度の階層がまるで違います。
例えるなら、オリンピック選手の記録を見て通勤用の自転車を選ぶようなもの。参考にならないわけではないけれど、選定基準としては的外れ。
実務で効いてくるのは、こちらの要素です。
- 日本語の自然さと、敬語・ビジネス文書での崩れにくさ
- 長い資料を読ませたときの取りこぼしの少なさ
- 応答速度と、混雑時の安定性
- 料金体系が自分の使用量に合っているか
このあたりは、HLEでは一切測られません。
チャット系の主要ツールを実務目線で比べたいなら、chatgpt-vs-claude のような比較ページのほうが判断材料になります。ベンチマークの順位表より、料金と日本語品質の並びを見るほうが早い。
用途によって見るべき指標が変わる、という話を次で整理します。
業務用途別・本当に見るべき指標
ベンチマークの数字に意味がある場面と、無い場面をはっきり分けておきます。以下は用途ごとに、判断材料として何を優先すべきかをまとめた表です。
| 用途 | 優先して見る指標 | HLEの参考度 |
|---|---|---|
| 議事録・要約 | 長文入力の上限、取りこぼしの少なさ | ほぼ無関係 |
| 社内資料の検索・調査 | 出典表示の有無、キャリブレーション | 間接的に参考になる |
| プログラミング支援 | コード系ベンチマーク、エディタ連携 | 無関係 |
| 画像・イラスト生成 | 生成品質、商用利用の可否 | 完全に無関係 |
| 研究・技術調査 | 推論の深さ、専門分野の網羅性 | 参考になる |
| 定型業務の自動化 | API料金、処理速度、安定性 | 無関係 |
つまり、HLEを気にすべきなのは研究寄りの用途に限られます。
画像生成の話をすると分かりやすい。イラスト系AIを選ぶときに推論ベンチマークを見る人はいません。実際の選定軸は絵柄と商用利用の条件で、その観点はAIイラストツールの比較記事にまとめてあります。ローカル環境で動かす前提なら、ComfyUIとStable Diffusionの違いを先に押さえておくと選択肢が絞れます。
調査用途なら、出典を示してくれるかどうかが分かれ目。日本語での検索AIの使い勝手はFeloの解説記事が具体的です。
指標の話を踏まえて、数字に振り回されないための実務的なチェックリストへ進みます。
日本語で使うときにHLEはどこまで参考になる？
HLEの問題文は英語が中心です。ここが日本のユーザーにとって一番の落とし穴。
英語で高い正解率を出したモデルが、日本語で同じ水準を保つとは限りません。敬語の使い分け、業界特有の言い回し、固有名詞の表記ゆれ。このあたりは英語のテストでは一切測られない領域です。
日本語の実力を知りたいなら、自分の手元にある実際の文書で試すのが最短です。
- 直近の議事録を1本、要約させて抜け漏れを数える
- 取引先向けメールを書かせて、そのまま送れるか判断する
- 社内用語を含む文章を投げて、誤読しないか見る
- 同じ指示を3回投げて、答えのブレ幅を確認する
10分もあれば終わります。海外のスコア表を1時間眺めるより、判断材料としてはるかに濃い。
一般的な用途で日本語の使い勝手を比べたいなら、Meta AIの解説のように個別ツールの日本語対応状況を扱った記事を横に並べるのが手っ取り早いです。
ここまでの話を一度整理します。
ここまでの整理：HLEはAIの上限性能を測る研究向けのテスト。正解率よりキャリブレーション誤差のほうが実務に効く。日本語性能は別物なので、自分の文書で試すのが最速。
ベンチマークの数字に騙されないためのチェックリスト
AI関連の発表を読むとき、数字の見せ方には型があります。知っておくと、過剰な期待をせずに済みます。
| 見せ方 | 何が隠れているか | 確認すること |
|---|---|---|
| 「新記録を達成」 | 比較対象が旧世代のみ | 同世代の他社モデルと並んでいるか |
| 「専門家を上回る」 | 特定分野の一部問題のみ | 全分野の平均か、抜粋か |
| 「大幅に改善」 | 元の数字が低い | 改善前後の絶対値 |
| 「最高精度」 | 特殊な設定での測定 | 通常利用と同じ条件か |
数字そのものより、条件のほうに情報があります。
もう一つ気をつけたいのが、測定条件の差。同じモデルでも、時間制限をかけるか、外部ツールを使わせるか、複数回答えさせて多数決を取るかで結果は変わります。条件が書かれていない比較表は、参考程度にとどめるのが安全です。
社内でAIツールの導入を検討している段階なら、性能より運用ルールの整備が先。監査や統制の観点は社内監査向けAIツールの記事で扱っています。
数字の読み方が固まったところで、検索したときの「別のHLE」を片付けておきます。
「HLE」で検索すると出てくる別の意味は？
三文字の略語なので、まったく違う分野の言葉と衝突します。AI関連だと思って調べたら、eスポーツの試合結果が出てきて戸惑った人もいるはず。
主な意味を並べておきます。
| 表記 | 分野 | 意味 |
|---|---|---|
| HLE | AI・機械学習 | Humanity's Last Exam（人類最後の試験） |
| HLE | eスポーツ | Hanwha Life Esports（韓国のプロゲーミングチーム） |
| HLe | 教育サービス | e-ラーニング配信サービスの名称 |
| HLE | 半導体・CPU | Hardware Lock Elision（プロセッサの並列処理技術） |
eスポーツ文脈のHLEは、League of Legendsの韓国リーグに所属するチームを指します。海外の掲示板や試合レビューで「HLE vs G2」のような表記を見かけたら、こちらの意味です。AIのベンチマークとはまったく関係がありません。
検索するときは「HLEベンチマーク」「HLE AI」のように単語を足すと、目的の情報にたどり着きやすくなります。
意味の切り分けができたら、自社での評価方法の話に進めます。
社内で「うちのHLE」を作るには？
外部のベンチマークが役に立たないなら、自分たちで作るのが早い。難しく考える必要はありません。20問あれば十分に機能します。
作り方の流れはこうです。
- 過去にAIへ実際に投げた指示を20件集める
- 「これが返ってきたら合格」という基準を1行で書く
- 候補ツールに同じ20件を投げる
- 合格・不合格を数えて、単純な正答数で比べる
ポイントは、理想の問題ではなく実際に投げた指示を使うこと。きれいな問題を作ると、現場の泥臭さが抜け落ちます。
| 評価方法 | かかる手間 | 判断材料としての精度 |
|---|---|---|
| 公開ベンチマークを見る | 10分 | 低い（自社業務と無関係） |
| 自社20問テスト | 2〜3時間 | 高い（そのまま導入判断に使える） |
| 全社トライアル | 1〜2か月 | 最も高いが、やり直しが効かない |
手間と精度のバランスで見ると、自社20問テストが一番割に合います。
主要な選択肢を眺めるなら、LLMカテゴリやAIリサーチ系ツールから候補を拾って、同じ20問を投げてみるのが実務的です。
AI PICKS編集部の判定
HLEは、AI研究の到達点を測る指標としては圧倒的に価値があります。専門家が本気で作った難問に対してどこまで答えられるか、その進捗を追える物差しは他にありません。技術の進み方を知りたい人にとっては重宝します。
ただ、ツール選定の材料としては正直イマイチ。というより、そもそもそういう用途に作られていません。日本語での自然さも、料金も、応答速度も測っていないテストの点数を見て、明日から使うAIを決めるのは順番が違います。
実務目線で唯一使えるのが、キャリブレーション誤差の考え方です。「AIがどれだけ自信満々に間違えるか」という視点は、社内でAIを使わせるときのリスク管理にそのまま応用できます。この一点だけは持ち帰る価値がある。
結論としては、HLEの正解率ランキングは眺めるだけでいい。ツールを決めるなら、自社の業務文書20件で自前テストを回すのが一択です。数時間で終わって、外部のスコア表より確実に判断できます。
よくある質問（FAQ）
Q. HLEは誰でも問題を見られますか？
データセットとして公開されており、内容の閲覧自体は無料です。ただし、学習データへの混入を避けるため一部の問題は非公開で運用されています。全問が手に入るわけではない、と理解しておくのが正確です。
Q. HLEのスコアが高いAIは日本語も得意ですか？
必ずしもそうではありません。出題は英語中心のため、日本語での敬語や業界用語の扱いは別物です。日本語の実力を知りたいなら、自分の手元の文書で試すのが確実です。
Q. なぜ「人類最後の試験」という名前なのですか？
既存のテストでAIが高得点を取り尽くしてしまい、人間が作れる難度の上限に近いテストが必要になったためです。名前には「これ以上難しい試験問題を人間が用意するのは難しい」という含みがあります。
Q. HLEと他のベンチマークは何が違いますか？
大きな違いは難度と、答えが一意に決まる設計、そして自信度を申告させる仕組みです。従来のテストが「実務で使えるか」を測ろうとしたのに対し、HLEは「限界はどこか」を測ろうとしています。
Q. eスポーツのHLEとは関係ありますか？
まったく関係ありません。eスポーツ文脈のHLEは韓国のプロチームHanwha Life Esportsの略称です。検索するときは「HLEベンチマーク」のように単語を足すと混ざりません。
Q. 企業がAIツールを選ぶとき、ベンチマークは無視していいですか？
無視まではしなくていいものの、優先度は低めです。料金、日本語品質、セキュリティ要件、既存システムとの連携のほうが導入後の満足度を左右します。ベンチマークは最終候補が並んだときの補助線くらいの位置づけ。
Q. キャリブレーション誤差はどこで確認できますか？
HLEの公式な結果発表では正解率と並んで示されることがあります。ただ、日々使うツールについては公開されていないケースが多いため、自社テストで「間違えたときの言い切り具合」を体感するほうが実用的です。
Q. スコアは今後どうなっていきますか？
難度の高いテストほど、時間の経過とともに攻略されていく傾向があります。HLEもいずれ差がつきにくくなる可能性はありますが、その時点でまた新しい指標が出てくる、というのがこれまでの流れです。
関連する比較・代替を見る
- ChatGPTとClaudeの比較 — 日本語の文章品質で選ぶならここから
- ClaudeとGeminiの比較 — 長文処理と料金体系の違い
- ChatGPTとPerplexityの比較 — 調査用途での出典表示の差
- GeminiとGrokの比較 — 最新情報への強さを比べる
- FeloとPerplexityの比較 — 日本語リサーチに絞った比較
- NotebookLMとPerplexityの比較 — 手持ち資料を読ませる用途向け
個別ツールの詳細は、ChatGPT、Claude、Gemini、Perplexityのページで料金と対応言語を確認できます。
次に読むなら、Feloの完全ガイドがおすすめです。ベンチマークの数字ではなく「日本語で調べ物をしたときに実際どうか」を扱っているので、この記事の続きとして噛み合います。
各ツールの公式サイト（一次情報）
料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。
