SWE-bench Verifiedリーダーボード、Claude Mythos Previewが93.9%で首位——Codex 5.3は85%

概要

※本記事は公開情報をもとに編集部が再構成したサマリです。

AIコーディング能力の代表的ベンチマーク「SWE-bench Verified」のリーダーボードは、2026年5月1日時点でAnthropicのClaude Mythos Previewが93.9%で首位、Claude Opus 4.7（Adaptive）が87.6%、OpenAIのGPT-5.3 Codexが85%で続く構図となった。Claude Opus 4.5（80.9%）の後、Claude Opus 4.6（Thinking）とGPT-5.4が78.20%で並ぶ。SWE-bench VerifiedはOpenAIとの共同で人間アノテーターが内容を検証した500件のPython実問題で、SWE-bench全体から品質をフィルタしたサブセット。一方、より難しい汚染対策版「SWE-bench Pro」ではClaude Mythos Previewのスコアが45.9%にとどまるため、Verified側のスコアには訓練データの記憶が一部寄与している可能性も指摘されている。スコア比較は、難易度・汚染対策の異なるベンチマーク同士で並べて評価することが重要となる。