AIモデルの実力を測る共通テストのこと。数学・コーディング・一般知識など種目ごとにスコアを競い、新モデル発表のたびに「最高記録更新」が話題になる。
「新モデルが◯◯で95点!」というニュースの◯◯がベンチマークです。大学院レベルの知識を問うもの、実際のソフトウェア開発課題を解かせるものなど多数あり、モデルの得意不得意を種目別に比べられます。
ただし過信は禁物。テスト問題が学習データに混ざって「過去問を知っている」状態になったり、ベンチマーク対策に最適化された自己ベスト更新だったりすることも。偏差値が高い人が仕事もできるとは限らないのと同じで、最後は自分の用途で試すのが正解です。
本文で「過信は禁物」と書きましたが、2026年にはもう一つの問題が表に出てきました。多くのベンチマークで上位モデルのスコアが満点近くに張りつき、モデルどうしの差がつかなくなったのです（ベンチマーク飽和）。その答えのひとつが、測る課題そのものを重くすることでした。Googleが2026年9月に公開した「Android Bench 2.0」が、分かりやすい例です。
旧版は、バグ修正のような小さな課題が中心でした。2.0では、新機能の追加、アプリをゼロから作る、別のプラットフォーム向けのアプリをAndroid向けに作り替える——といった、人間のエンジニアなら数日から1週間かかる課題に置き換えられています。結果は劇的で、従来の課題では最高で約91%だった通過率が、この長期の課題では約28%まで落ちました。評価のしかたも、できた・できなかったの二択から、どこまで進んだかを段階で見る方式に改められています。
この落差の読み方は、「AIが思ったより弱かった」ではありません。短い課題ならほぼ解けるのに、何日も続く仕事になると急に苦しくなる——得意と不得意の境目がはっきり見えた、ということです。これは仕事でAIを使うときの目安にもなります。1時間で終わる作業は任せやすく、何日も続く仕事は途中で人が確かめる前提で組む。スコアの数字そのものより、「どれくらいの長さの仕事を測ったテストなのか」を見ると、実務との距離がつかめます。
参考にはなりますが、テスト問題の学習データ混入（汚染）や対策特化の問題があり、鵜呑みは禁物です。最後は自分の用途で試すのが正解です。
知識・数学・実務コーディングなど分野別に多数あり、顔ぶれは頻繁に更新されます。個別名より「種目別の共通テスト」という構造の理解が実用的です。
課題の長さによります。2026年9月に公開されたAndroid Bench 2.0では、短い課題で約91%だった通過率が、数日〜1週間かかる長期の課題では約28%まで落ちました。短時間で終わる作業と、何日も続く仕事とでは、AIの得意さがまったく違います。スコアを見るときは、どれくらいの長さの仕事を測ったテストなのかを確かめてください。
上位モデルのスコアが満点近くに張りついて、モデルどうしの差がつかなくなる状態のことです。対策として、測る課題自体を難しく・長くする動きが進んでいます。2026年9月のAndroid Bench 2.0はその一例です。
用語を覚えるより、ストーリーで体感するほうが早い。