grok-4.6とqwen3.8-flashがts-bench満点　opencodeで4モデル比較

金のニワトリ氏（@gosrum）が、opencode goに最近追加された4モデルをopencodeのハーネスで動かし、ts-benchの結果を共有した。grok-4.6とqwen3.8-flashは満点。glm-5.3-flashとhy4-previewも、失敗は各1タスクだけだった。ローカルLLMを比べる物差しそのものが、次の難しさを求められている。

4モデルの差はわずか1タスク

今回の結果は次の通りだ。

• grok-4.6：満点
• qwen3.8-flash：満点
• glm-5.3-flash：1タスク失敗
• hy4-preview：1タスク失敗

実行条件として、投稿には10ドルのサブスクリプションに加え、5ドル分のクレジットを消費したとのメモがある。新しいローカルLLMが相次ぐなか、同氏は評価と結果の整理が大変になっており、ts-benchで満点を取ることも珍しくなくなったとの見方を示している。そのため、さらに難しいベンチマークを探しているという。

モデルの点数だけでは決まらない

2モデルの1タスク失敗について、同氏はopencodeとの相性があまり良くない可能性を挙げる。これまで別のハーネスで評価した際には、満点になることが多かったためだ。ただし、これは正式な製品評価ではなく、実践者による比較結果と考えたい。投稿では失敗したタスクの内容やハードウェア条件までは示されておらず、差がモデル固有なのか、実行環境との組み合わせによるのかは断定できない。

使う側から見ると、満点が並び始めたら順位を眺めるだけでは足りない。自分が使うハーネスで同じタスクを通し、失敗箇所まで見る。今回の小さな差は、その確認の大切さをよく表している。

参照したX投稿

金のニワトリ氏（@gosrum）の元投稿