生物・物理・化学の難問 448 問を AI に解かせ、正答率で採点します。問題は PhD（博士）保持者でも 65% 程度しか正解できないよう設計されており、広く浅い知識ではなく深い推論力を測ります。
ベンチマーク
242
GPQA
ジーピーキューエー
体験区分：調査ベース
推奨読者レベル：Level 2
何をしてくれるか
どこで出会うか
o1 や o3 などの reasoning（推論特化）モデルが台頭したころ、その実力を示す指標として注目されました。モデル発表資料や論文比較表で GPQA Diamond（最難サブセット）のスコアを見ることが多いです。
構造図
2026.04·ready
「GPQA Diamond は PhD レベルの深い推論を測るので、reasoning モデルの比較に使えます。」
GPQAの見方
243
この用語の見どころ
1
役割
AI の深い専門推論力を科学難問で測る指標です。
2
うれしさ
Google 検索で解けない問題設計なので、丸暗記対策が効きません。
3
注意点
科学分野特化のため、コードや日常タスクの実力とは別物です。
4
どこで役立つか
reasoning モデル同士の比較や選定の判断材料として。
5
はじめに
Diamond サブセットが標準指標で PhD 正答率 65% が比較の基準です。
6
深掘り先
MMLU-Pro、o1、arXiv:2311.12022
非エンジニアのつまずき
- かなり馴染みの薄いものだと思います
- 博士で 65% と言われても、その凄さは博士でないと分かりません
私のコメント
- 第一印象:今回初めて見ました
- 良い点:人間のすごい人を基準にしつつ、事前学習で取り込めない設計にしているのが面白いです
- ダメな点:最適化が進むとベンチマーク偏重のような歪みが出やすそうです
- 誰向けか:モデルを評価したい人向けです
開発フローでの位置
新モデル発表
スコアの文脈を確認
自分の用途と照合
他指標と併用
関連用語
E-22·benchmark
バイブコーディング図鑑