マコベンチ：+NSFWベンチ

56個のモデルの中で、47位です スイート4.1にて、掲示板に11月2026が投稿されました。 列のヘッダーをクリックすると並べ替えができ、名前の横にある矢印をクリックするとそのモデルの詳細情報が表示されます。また、ヘッダーの横にあるiをクリックするとその意味が分かります。Columnsでは表示する項目を選択でき、Exportで表を保存することができます。

成人向けの登場人物のみが出てくる成人向けフィクションの別テスト。トータルには含まれません。

私たちは、1台のマシン上でローカルモデルのテストを行っています。このマシンにはRTX 5090が2枚、RTX 3090が2枚搭載されており、合計で約112GBのビデオメモリがあります。判定に使用されるモデルはGemma 4 31B（Q8）です。ホストされているモデルは、それぞれ独自のAPIを通じて実行されます。 この装置でテストできること

• 合計値＝コード部分＋チャット部分です。それぞれ10点が標準テストにおける完璧なスコアであり、したがって20点が理論上の最高得点となります。ボーナスパックを利用するとさらにポイントが加算され、スイート全体で可能な最大値に達します（各行のバーがその値まで伸びます）。NSFWスコアは別個のテストであり（モデルがアダルトコンテンツに対してどこまで対応できるかを測る）、合計値には含まれません。数値が高いからといって良いとか悪いとかではありませんので、ご自身の用途に合ったものを選んでください。
• 標準的なテストでは、各スコアの基準値は10です。90％以上を獲得したパートでは、1ポイント相当のより難しいボーナスセットが解除されます。そのため、コード、チャット、NSFWのスコアは10を超えることがあり、各パックごとに最大で10＋1ポイントまで得ることが可能です。
• ± 合計値＝テストケースにおけるブートストラップの90％区間の半分に相当します。この値よりも近いモデル同士は統計的に同等とみなされます。
• 各モデルは1回ずつ実行されるため、±の値は実際に抽出されたケースを示しており、実行ごとのばらつきを表しているわけではなく、実際の不確実性を過小評価しています。同じ重みを持つケース（クォント型とサービング・ティア型のペア）同士でも、ここでは最大2.4ポイントの差が生じます。1〜2ポイント程度の差は同点と見なしてください。
• クラスは、総合的に見て粗い帯域です：S≥16、A≥13、B≥10、C≥0。
• 差がボード中央値から1.5ポイント以上ある場合は「リーン」＝チャット寄りまたはコード寄りとなり、そうでなければバランスしているとみなされます。
• tok/s＝世代生成速度の中央値。同じホストで実行されたモデル間でのみ比較可能。
• Quant＝私たちが評価した量子化方式です。Q8_0がローカルモデルにおける標準的な量子化方式であり、その他の量子化方式は行の詳細情報において非標準の量子化方式として記載されています。API＝プロバイダーによって提供されるホスト型モデルです。
• Run cost = what one run of the Code and Chat tests cost at the provider's price, generation only. ~ = estimated from token counts at list price. * means some requests came back without usage data, so the figure may be low. — = run on our own hardware, so no bill.
• Nブロック＝プロバイダーのコンテンツフィルターがN件の返信をブロックした。各返信のスコアはゼロとなる。
• モデルごとに1行ずつ：同じ重みを持つ他の量子化設定やサービングティアは、メイン行の下に表示され（矢印を開く）、順位付けはされません。
• ⚠ 暫定値＝ランクなしで表示されています。その理由は各行に記載されています（互換性チェックに失敗した、テストが完了していない、またはボーナスパックが再実行待ち）。再実行可能な行は、再実行後にランクが付与されます。Q5未満でテストされた行や、あらゆるテストに適さないほど小さいモデルは、引き続き無ランクのままです。
• 「合計」欄のダッシュ記号は、そのモデルの製品群（コード、チャット、またはボーナスパック）の一部がまだ採点されておらず、ランキングに入っていないことを意味します。