タグ: ベンチマーク

4 件の記事

Claude Opus 5.5は Effort によってどのように性能が変わるのか【godot-llm-gamebench】
Zenn
Claude Opus 5.5の子エージェント（実装外注先）として5段階の effort を検証したベンチマーク。high と xhigh が平均 100.00 で首位だが、high は 3.3 分・$1.09 で済むのに対し xhigh は 9.6 分・$2.11 かかる。gpt-6.1-sol との比較では Opus は 15 回中 11 回の満点達成、medium は low 以外で安定した結果を示した。
2026/10/04Claude-Code 上級開発
週刊AIニュース (2026年6月1日号) Claude Opus 4.7 発表など
Zenn
Anthropic が Claude Opus 4.7 を発表。高解像度画像入力（最大2576px）と長時間実行タスク向けの xhigh thinking effort が追加。一方、Stack Overflow の月間投稿数は COVID ピーク時の 300 万件から 6,886 件に急減する一方、同社売上は 8,900 万ドルから 1 億 2,000 万ドルへ増加。
2026/06/03Claude 新着情報ベンチマーク
Amazon Bedrock 経由で利用可能な LLM の日本語ベンチマーク性能評価
Zenn
Amazon Bedrock 経由で利用できる複数の LLM を llm-jp-eval という日本語ベンチマークツールで評価した結果をまとめた記事。自然言語推論、質問応答、読解、常識推論など 8 カテゴリで日本語性能を測定し、モデル選定時の判断材料を提供。安価な LLM を使うアプリケーション構築時に特に有用な情報。
2026/06/01API ベンチマーク開発
ローカル LLM の感情知能を測る — EQ-Bench 3 で Qwen3.5-122B(int4) をベンチマーク
Zenn
感情知能(EQ)に特化したベンチマーク EQ-Bench 3 の設計と評価方法を解説し、ローカル LLM(Qwen3.5-122B-int4)での実測結果を報告。マルチターンロールプレイと心理分析タスクで、モデル間の差を識別する 45 問のシナリオから、対人状況での適切な対応能力を測定。
2026/05/21上級開発ベンチマーク

タグ: ベンチマーク

Claude Opus 5.5は Effort によってどのように性能が変わるのか【godot-llm-gamebench】

Zenn

Claude Opus 5.5の子エージェント（実装外注先）として5段階の effort を検証したベンチマーク。high と xhigh が平均 100.00 で首位だが、high は 3.3 分・$1.09 で済むのに対し xhigh は 9.6 分・$2.11 かかる。gpt-6.1-sol との比較では Opus は 15 回中 11 回の満点達成、medium は low 以外で安定した結果を示した。

2026/10/04Claude-Code 上級開発

週刊AIニュース (2026年6月1日号) Claude Opus 4.7 発表など

Zenn

Anthropic が Claude Opus 4.7 を発表。高解像度画像入力（最大2576px）と長時間実行タスク向けの xhigh thinking effort が追加。一方、Stack Overflow の月間投稿数は COVID ピーク時の 300 万件から 6,886 件に急減する一方、同社売上は 8,900 万ドルから 1 億 2,000 万ドルへ増加。

2026/06/03Claude 新着情報ベンチマーク

Amazon Bedrock 経由で利用可能な LLM の日本語ベンチマーク性能評価

Zenn

Amazon Bedrock 経由で利用できる複数の LLM を llm-jp-eval という日本語ベンチマークツールで評価した結果をまとめた記事。自然言語推論、質問応答、読解、常識推論など 8 カテゴリで日本語性能を測定し、モデル選定時の判断材料を提供。安価な LLM を使うアプリケーション構築時に特に有用な情報。

2026/06/01API ベンチマーク開発

ローカル LLM の感情知能を測る — EQ-Bench 3 で Qwen3.5-122B(int4) をベンチマーク

Zenn

感情知能(EQ)に特化したベンチマーク EQ-Bench 3 の設計と評価方法を解説し、ローカル LLM(Qwen3.5-122B-int4)での実測結果を報告。マルチターンロールプレイと心理分析タスクで、モデル間の差を識別する 45 問のシナリオから、対人状況での適切な対応能力を測定。

2026/05/21上級開発ベンチマーク