---
title: "ベンチマーク とは？MMLU・SWE-Bench など主要テストの違いと見方を整理。 | AI用語集 - ai-garage"
description: "ベンチマーク（Benchmark）を初心者向けにやさしく解説。MMLU・SWE-Bench など主要テストの違いと見方を整理。AIの性能を同じ条件で比べる共通テストの基礎。 ベンチマークは、AIモデルを同じ問題で比べるための共通テスト"
source: https://ai-garage.jp/glossary/benchmark/
---
ベンチマーク

# ベンチマークとは？

最終更新 2026年7月6日

別名: Benchmark

MMLU・SWE-Bench など主要テストの違いと見方を整理。AIの性能を同じ条件で比べる共通テストの基礎。

⚡ 30秒でわかる

## ベンチマーク の主なポイント

- 1  ベンチマークは、AIモデルを同じ問題で比べるための共通テスト
- 2  MMLU（知識）・SWE-Bench（コード修正）・HumanEval（コード生成）などが代表例
- 3  新モデルの発表では、必ずベンチマークのスコアで他社と比較される
- 4  高スコア＝万能ではなく、学習データへの混入（汚染）やテスト対策に注意が必要
- 5  実利用での体感は、人間が投票で比べる LMArena など別の指標も合わせて見るとよい

📖 詳しく

## ベンチマーク とは

ベンチマークとは、AIモデルの性能を同じ条件で比べるために使う「共通のテスト問題」のことです。各社がバラバラの基準で「うちのAIが一番」と言っても比較になりませんが、全員が同じ問題を解けば点数を並べて優劣を判断できます。学校の模試や共通テストをイメージすると分かりやすく、受験者（＝AIモデル）が違っても同じ問題なら実力を横並びで比べられる、という発想です。代表的なものに、幅広い知識を測る [MMLU](https://ai-garage.jp/glossary/mmlu/)、実際のプログラムのバグ修正を解かせる [SWE-Bench](https://ai-garage.jp/glossary/swe-bench/)、Python のコードを書かせる [HumanEval](https://ai-garage.jp/glossary/humaneval/) などがあり、新モデルの発表時には必ずスコアが引き合いに出されます。一方で、有名なベンチマークほど問題が学習データに混ざってしまう「汚染」や、テスト対策のようにそのベンチ向けに最適化されてしまう問題もあり、点数だけを鵜呑みにしないことが大切です。

❓ FAQ

## よくある質問

Q. ベンチマークとは何ですか？

A. AIモデルの性能を同じ条件で比較するための「共通テスト問題」のことです。全モデルが同じ問題を解くことで点数を横並びにでき、どのモデルがどの分野で優れているかを客観的に判断できます。学校の模試や共通テストのAI版だと考えると分かりやすいです。

Q. ベンチマークと LMArena（Chatbot Arena）は何が違うの？

A. ベンチマークは「正解のある問題」を解かせて自動採点する客観的なテストです。一方 LMArena は、人間が2つの回答を見比べて『どっちが良いか』を投票で決める方式で、使い心地に近い評価になります。数値で測れる実力がベンチマーク、人間の好みや体感を測るのが LMArena、と覚えておくとよいです。

Q. 初心者はベンチマークのスコアをどう見ればいい？

A. まずは「同じ問題での比較なので、ざっくりした実力の目安になる」と捉えれば十分です。ただし高スコア＝あらゆる用途で最強というわけではありません。問題が学習データに混ざる『汚染』や、そのテスト向けの最適化もあるため、1つの数字だけでなく複数のベンチや実際の使用感も合わせて判断するのが安全です。

🔗 関連

## あわせて読みたい

関連用語

[MMLU](https://ai-garage.jp/glossary/mmlu/)[SWE-Bench](https://ai-garage.jp/glossary/swe-bench/)[HumanEval](https://ai-garage.jp/glossary/humaneval/)[LMArena（Chatbot Arena）](https://ai-garage.jp/glossary/lmarena/)

関連トピック

[推論モデル革命 「考える時間」を持たせると、AIは数学・コードで人類トップに肉薄する。](https://ai-garage.jp/topics/reasoning-revolution/)

📰 この用語が登場する記事

## 「ベンチマーク」が出てくるニュース

[![Grok 4.7 登場！料金$2/$6 据え置き、公式ベンチ7項目でトップは2つだけだったよ](https://ai-garage.jp/images/news-heroes/grok-4-7-card.webp)  2026/9/22  Grok 4.7 登場！料金$2/$6 据え置き、公式ベンチ7項目でトップは2つだけだったよ](https://ai-garage.jp/news/grok-4-7/)[![ox-alpha（オックスアルファ）とは？無料1Mコンテキストの謎モデル、性能の数字に要注意](https://ai-garage.jp/images/news-heroes/ox-alpha-stealth-model-card.webp)  2026/8/23  ox-alpha（オックスアルファ）とは？無料1Mコンテキストの謎モデル、性能の数字に要注意](https://ai-garage.jp/news/ox-alpha-stealth-model/)[![Gemini 3.7 Flash とは？料金は年内半額$0.75、3.6 Flashとの違い](https://ai-garage.jp/images/news-heroes/gemini-3-7-flash-launch-card.webp)  2026/8/14  Gemini 3.7 Flash とは？料金は年内半額$0.75、3.6 Flashとの違い](https://ai-garage.jp/news/gemini-3-7-flash-launch/)[![Meta「Muse Glimmer」公開！24GBのVRAMで動く296億パラメータのオープンモデル──必要スペック・入手先・性能を整理するよ](https://ai-garage.jp/images/news-heroes/meta-muse-glimmer-local-open-model-card.webp)  2026/8/11  Meta「Muse Glimmer」公開！24GBのVRAMで動く296億パラメータのオープンモデル──必要スペック・入手先・性能を整理するよ](https://ai-garage.jp/news/meta-muse-glimmer-local-open-model/)[![Claude Fable 5 と GPT-5.6 はどっちが強い？物理シミュ検証で首位は Fable 5、でもコストは Sol の5.5倍——差を分けたのはモデルより「道具」だったよ](https://ai-garage.jp/images/news-heroes/fable-5-vs-gpt-5-6-physical-ai-card.webp)  2026/8/7  Claude Fable 5 と GPT-5.6 はどっちが強い？物理シミュ検証で首位は Fable 5、でもコストは Sol の5.5倍——差を分けたのはモデルより「道具」だったよ](https://ai-garage.jp/news/fable-5-vs-gpt-5-6-physical-ai/)[![AIのベンチマークはもう限界？60本中29本が「飽和」、ICML 2026採択の研究で分かった性能比較の落とし穴だよ](https://ai-garage.jp/images/news-heroes/ai-benchmark-saturation-study-card.webp)  2026/8/5  AIのベンチマークはもう限界？60本中29本が「飽和」、ICML 2026採択の研究で分かった性能比較の落とし穴だよ](https://ai-garage.jp/news/ai-benchmark-saturation-study/)

ベンチマーク カテゴリの用語

[Aider Polyglot Leaderboard](https://ai-garage.jp/glossary/aider-leaderboard/)[AIME](https://ai-garage.jp/glossary/aime/)[AIコスパ指数](https://ai-garage.jp/glossary/ai-cospa-index/)[Chatbot Arena](https://ai-garage.jp/glossary/arena/)[GPQA](https://ai-garage.jp/glossary/gpqa/)[HumanEval](https://ai-garage.jp/glossary/humaneval/)[Humanity's Last Exam（HLE）](https://ai-garage.jp/glossary/hle/)[Intelligence Index](https://ai-garage.jp/glossary/intelligence-index/)[LMArena（Chatbot Arena）](https://ai-garage.jp/glossary/lmarena/)[MMLU](https://ai-garage.jp/glossary/mmlu/)[SWE-Bench](https://ai-garage.jp/glossary/swe-bench/)[SWE-Bench Pro](https://ai-garage.jp/glossary/swe-bench-pro/)[Terminal-Bench](https://ai-garage.jp/glossary/terminal-bench/)[ロングコンテキスト評価](https://ai-garage.jp/glossary/context-eval/)

[← 前の用語 Terminal-Bench](https://ai-garage.jp/glossary/terminal-bench/) [次の用語 → ロングコンテキスト評価](https://ai-garage.jp/glossary/context-eval/)

NEXT

[FOR BEGINNERS  AI初心者ガイド   用語が多くて混乱したら、まず全体像から。AI初心者が「何から始める？」を5分で。](https://ai-garage.jp/beginners/) [GLOSSARY  AI用語集 一覧へ   96語をカテゴリ・検索で引ける。気になる用語をまとめてチェック。](https://ai-garage.jp/glossary/)