LLM 用語集

ランキングを読むときに出会うコア概念。各用語に簡潔な解説と関連ページへのリンクを付けています。

Podium Score

LLMPodiumの0–100総合ランキングスコア：0.35·アリーナElo + 0.30·ベンチマーク平均 + 0.20·知能指数 + 0.15·LLM Stats。min-max正規化し、欠測シグナルは再重み付け。 — ライブデータを見る

チェス由来のレーティング制度。LLMアリーナでは人間同士の直接対決に勝つことでEloが上がり、2つのEloの差は勝率を予測します。 — ライブデータを見る

採点付きタスク（数学・コーディング・科学問題）を持つ標準化テストセット。比較可能な条件でモデルの特定の能力を測定します。 — ライブデータを見る

LLMが読み書きするサブワードの断片。英語では約1トークン≈4文字、日本語では1文字≈1トークン前後。料金は百万（M）トークン単位で表記されます。

モデルが一度に扱える最大テキスト量（トークン単位）— プロンプトと回答の合計。2026年のフロンティアモデルは128K〜1Mトークン。 — ライブデータを見る

最初の出力トークンが届くまでの遅延。チャットの体感応答性を左右し、ミリ秒で計測されます。 — ライブデータを見る

最初のトークン以降、モデルが毎秒生成するトークン数。長い回答のストリーム速度を決めます。 — ライブデータを見る

トークンごとにパラメータの一部（「エキスパート」）のみを活性化させるアーキテクチャ。小さな推論コストで大きな知識を実現 — 例：Qwen3.8 Max、DeepSeek V4。 — ライブデータを見る

学習済みパラメータが公開され、セルフホスティングやファインチューニングが可能なモデル（Kimi K3、GLM-5.2、Llama 4）。API専用のプロプライエタリモデルの対義。 — ライブデータを見る

回答前に追加の「思考」トークンを使うよう訓練されたモデル。難しい問題（GPQA、HLE、競技数学）で遅延の代わりに精度を取ります。 — ライブデータを見る

自信はあるが根拠のない発言。SimpleQAなどの事実性ベンチマークがその頻度を測ります。 — ライブデータを見る

実リポジトリの実GitHub issueを解決し、人が検証。エージェント型ソフトウェアエンジニアリングの標準ベンチマーク。 — ライブデータを見る

分野の専門家が作る大学院レベルの「検索耐性」科学問題。主要な推論ベンチマーク。 — ライブデータを見る

人類知識の最前線に位置するよう設計された専門家作成の問題セット。現在のフロンティアモデルでも40–60%台。 — ライブデータを見る

MMLUの後継となる14カテゴリの強化版。より難しい選択肢で幅広い学術知識を測定。 — ライブデータを見る

任意の生指標を追跡モデル全体で0–100に再スケーリングし、異なるソースのスコアを混合可能にします。80は常に「最悪と最良の間の80%地点」。 — ライブデータを見る

アリーナEloの統計的不確実性。区間が重なれば2モデルは実質的に同点です。 — ライブデータを見る

百万トークンあたりの価格。入力と出力は別建てで、出力トークンは通常入力の3–5倍の価格です。 — ライブデータを見る