これはランキングではなく、選ぶための地図である。執筆・リサーチ・コーディング・日常タスクの用途別に、いま最も能力が高いモデルと、価格が最も妥当なモデルを整理した。モデルも価格も動き続けるため、ここにあるのは直近に照合を終えたスナップショットだ。
この資料は候補を絞るためのものであり、自分のタスクでの検証に代わるものではない。
各モデルの DeepSWE（長期エージェント・コーディング）での正解率を、タスクあたり平均コストと対で示す。X 軸は通常と逆で、右へ行くほど安く、上へ行くほど正確。つまり右上＝正確で安い。図の詳しい読み方は下にある。
この図の読み方：主要 6 モデル（sol／terra／luna／fable-5／opus 4.8／sonnet 5）はそれぞれ「effort 曲線」を描く。同一モデルの low から max まで 5 段階のコストとスコアを線で結び、モデル名は最高スコアの点に置く。曲線が平らなほど、effort を下げて節約してもスコアが落ちにくいことを意味する。その他 7 モデルは最高スコア点のみを背景として示す。金線＝効率フロンティア：図中に「より正確かつより安い」点が存在しない設定点を結んだ線である。任意の点にカーソルを載せると、その設定のスコア、±95% 信頼区間、タスクあたりコストが見られる。
出典 · 、。数値はランキングサイトの公開データファイルから直接取得し、コストはタスクあたり平均（米ドル）である。これは単一ベンチマーク（長期エージェント・コーディング）の断面にすぎない。純粋なコーディングや日常会話では順位が変わる。別の描き方を見たい場合：DeepSWE 公式インタラクティブ版（全モデルの全設定を表示し、X 軸をコスト／出力トークン／エージェント歩数に切替可）、または Artificial Analysis（「総合知能 vs 価格」という別の散布図）。
| モデル | ベンダー | Effort | DeepSWE スコア | タスク単価 | フロンティア |
|---|
ARC-AGI-2 は、モデルが見たことのない抽象図形推論問題群を使い、「汎化能力」を測る：訓練データにある類似問題を覚えているのではなく、まったく未知のルールをその場で推論できるかどうかだ。スコアが高いほど、本当に見たことのない問題を処理できることを意味する。これは上のプログラミング開発ベンチマークとは異なる能力だ。
先に述べておく： は現時点で ARC-AGI-2 の公式提出結果がない。提出はベンダーが任意に行うもので、我々が候補から選んだものではない。以下の表の11モデルは、現時点で確認できるすべての公式公開結果だ。
出典 · ARC Prize（arcprize.org/leaderboard）、確認日 。コストはベンダーが提出時に申告したタスクあたり金額で、上の DeepSWE 図とは基準が異なり、同一図内でのみ比較可能（合算不可）。
このランキングのモデル構成は上と完全には一致しない：ARC-AGI-2 の提出はベンダーが任意に行うもので、我々が選んだ結果ではない。確認時点で はいずれも公式結果がなく、この表には含まれない。汎化能力が劣るという意味ではなく、単にこのランキングで比較できるデータがまだ存在しないだけだ。モデル名は ARC Prize の公式提出名に準拠しており、上のコーディングベンチマークの名称とは異なる世代を指す場合がある。
| モデル | ベンダー | Effort | ARC-AGI-1 | ARC-AGI-2 | タスク単価 |
|---|
これはこの表を並べた順序であって、固定ルールではない。自分の状況に合わせるには、文末の質問テンプレートで AI に再比較させるとよい。
表の「コスト」は API 従量課金であり、チャットの月額購読料ではない。DeepSWE 系はタスクあたりのコスト、SWE-bench 系は百万トークンあたりの価格で、基準が異なるため同種内でのみ比較できる。
コーディングの板は大きく二種類ある。ベンダー自前ツールで走らせたもの（例：Artificial Analysis の Coding Agent Index。各社が自分の Claude Code／Codex／Grok Build を使う）は楽観寄りで相互比較が弱い。標準化エージェントで走らせたもの（例：DeepSWE。同じ物差し、汚染耐性あり）は公平だが対象モデルが少ない。スコアを読む前に、どちらの種類かを確認すること。
予算帯ごとに最も検討に値する選択肢、いわゆる「コスパのフロンティア」を挙げる。
同じモデルでも、板やタスクが変われば結果は大きく変わる。スコアの外にある知っておくべき落差をここに記す。
一位推奨が入れ替わったときは日付と理由をここに残す。判断の変遷を後から追えるように。最新が最上段。
この表は一般的な比較である。実際の選択はタスク、予算、使用頻度、誤りへの許容度に依る。下の質問をコピーし、普段使う AI に貼って、自分の状況で比較させるとよい。