TensorFeedは2026年10月18日(現地時間)、SWE-benchリーダーボードを更新し、AnthropicのClaude Opus 5が97%のスコアで首位に立ったと発表した。OpenAIのGPT-5.6 Solが96.2%で2位、xAIのGrok 4.6が95.6%で3位に続いた。このベンチマークには合計47モデルがスコア付けされている。
更新されたSWE-benchリーダーボードでは、AnthropicのClaude Opus 5が97%で最高スコアを記録した。2位はOpenAIのGPT-5.6 Solで96.2%、3位はxAIのGrok 4.6で95.6%となった。これに続くのはZ.aiのGLM-5.3（95.4%）とOpenAIのGPT-5.6 Terra（95.4%）である。
SWE-benchのスコアは、問題の解決率、すなわち正しくパッチが適用された問題の割合として報告される。TensorFeedに表示される主要数値はSWE-bench Verifiedサブセットのもので、テストスイートが公正な信号であることが人間によって検証されたタスクを対象とする。公式のswebench.comボードは最大79%のスコアで、2026年初頭以降、新しい提出を受け付けていない。一方、ベンダーのリリース資料や独立した評価者は、独自のハーネスで90%台前半から半ばの数値を報告している。60%以上のスコアは真に有用なコーディングエージェントとされ、90%以上のスコアをベンダーハーネスで記録した場合は、比較前にハーネスを確認するよう推奨されている。
SWE-benchスコアが高いモデルは、コンパイルされ、テストを通過し、コードベースの既存パターンを尊重するパッチを生成する。対照的に、低いスコアのモデルは、もっともらしい外見を持つものの、ビルドを壊すコードを生成する傾向がある。Vals AIは、SWE-bench Verifiedボードが飽和状態であるとして、2026年9月1日に同ボードを廃止し、新たなモデルの実行を中止した。
参考: tensorfeed.ai (アーカイブ) — 2026年10月19日 09:00 (JST)
原文ハイライト"Current leader Claude Opus 5 ( Anthropic ) 97 %"