AI Frontier · Live Snapshot

モデル最前線ダッシュボード

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。

更新日 2026-10-12
毎週月・木曜に自動更新
snapshot 2026-W42

繁中 · EN · 日本語 · 简中

今期の情勢

今期は新顔が一つ加わった。Anthropic が 10/7 に公開した Claude Haiku 5.5 は百万 token あたり $0.10／$0.50（プロンプトが 100K token を超えると $0.50／$2.50）で、gpt-5.6-luna の $0.20／$1.20 より単価が低い。AA 総合知能は最高の推論設定で 43、既定の medium 設定で 34 である。指数を走らせる出力は約 4.4 億 token と冗長な部類で、一問あたり平均コストは $0.21 だ。単価の安さの一部は出力量に食われる。いまのところ第三者の板は AA の一つだけで、長期エージェント、SWE-bench Verified、ARC-AGI-2 にはまだ成績がないため、今期はどの欄にも入れず、確定した結論ではなく参考とする。前期に記した二つの新顔の読値は変わらない。Anthropic が 9/28 に公開した Claude Sonnet 5.5 は AA 総合知能で 56 を取り、Opus 5.5 の 58 に次ぐ。百万 token あたり $2／$10 で Sonnet 5 と同じ価格だ。しかし指数での一問あたり平均コストは $7.60 で、Sonnet 5 より五割ほど高い。安いのは単価であって、一問あたりの支出ではない。OpenAI が 9/29 に公開した GPT-6.1 Sol は GPT-6 Sol に取って代わる。AA 52 で GPT-6 Astra より一点低く、同じく $2／$10、一問あたり平均コストは $0.72 で、Sonnet 5.5 のおよそ十分の一である。二つともいまのところ第三者の板は AA の一つだけで、長期エージェント、SWE-bench Verified、ARC-AGI-2 にはまだ成績がない。今期は総合知能の欄とコスパの欄にだけ入れ、五つの場面の第一候補はいずれも動かさない。コーディングの枠は Sonnet 5 のままである。このほか、Google が 9/30 に公開した Gemini 4 Argon は AA で 53 と GPT-6 Astra に並び、GPT-6.1 Sol より一点高い。導入期の価格は百万 token あたり $2／$10（その後 $4／$20）だ。ただし現時点では Google の Fairwind プログラムに参加するセキュリティ防御の協力先にしか開放されておらず、一般の開発者はまだ使えない。今期は読値を記すだけで、どの欄にも入れない。ほかに新版はない。DeepSWE の一次資料ファイルは依然として 9/22 版、SWE-bench Verified は新版なし、ARC-AGI-2 は 9/28 の読値を引き継ぐ。

まずここから · 今期の早見結論

日常業務Claude Opus 5百万トークン $5/$25 の価格は Fable 5.1 と GPT-6 Astra（いずれも $10/$50）の半分である。AA 総合知能は 51（今期の v4.3.2 の表には載っておらず、前期の読値を引き継ぐ）、SWE-bench Verified の 96% は依然として首位だ。同じ系列で 9/22 に公開された Opus 5.5 はより安く（$4／$20）、AA で七点上であり、今期は ARC-AGI-2 にも載った（High 93.3%、タスク $0.41、Opus 5 の 90.4% より高い）。だが日常業務でもっとも重く見る二つのコーディングの板（SWE-bench Verified と長期エージェント）にはまだ載っていないため、今期は据え置く。来期この枠を引き継ぐ可能性がもっとも高い名前であることに変わりはない。

複雑な推論Claude Fable 5.1 / GPT-6 AstraAA 指数には今期新しい首位が現れた。9/22 に公開された Claude Opus 5.5 が 58 で、Fable 5.1 と Astra（53 で並ぶ）を五点上回る。今期は ARC-AGI-2 にも提出され、High 設定で 93.3%、タスク $0.41 と、Astra の 95.0% より低く Fable 5.1 の 90.0% より高い。推論に関わる二つの板で一方は首位、もう一方は二番手であり、二つのコーディングの板にはまだ載っていないため、この枠は動かさない。Fable 5.1 と Astra の同点は続いており、二つの名前はこれまで同様に分けがたい。Astra の ARC-AGI-2 の 95.0%（max 設定、タスク $1.12）は今もその板の高値で、Sol の 92.5%、Opus 5 の 90.4%、Fable 5.1 の 90.0% を上回る。DeepSWE の 74.1% は Gemini 3.8 Flash、Opus 5 と引き分けだ。両者とも価格は百万トークン $10/$50 で、Astra はコンテキスト 105 万トークン、出力上限 128K、AA 指数を一通り走らせる費用は $3.26 で Fable 5.1 の $7.63 より安い。今期この二つの並び順は動かさない。AA の板では Fable 5.1 が 53.4 対 52.7 でなお先にいるが、その 0.7 点は雑音の帯の内にあり、どちらを選んでも筋は通る。予算に敏感な場合は半額の Opus 5、あるいは単価がさらに低く、まだ参考の段階にある Opus 5.5（$4／$20）を見るとよい。

コーディングClaude Sonnet 5SWE-bench Verified 85.2%、百万トークン $2。トップ級に近い正解率を端数の価格で得られる。この板は今期新しい版がなく、Astra と Fable 5.1 の成績もまだない。長期エージェント作業は今期の上位三つ（Astra 74.1%、Gemini 3.8 Flash 73.8%、Opus 5 73.6%）が信頼区間の内で引き分けており、選定はタスク単価で決まる。下の散布図の段を見よ。

大量処理／バッチGLM-5.3-Flash / gpt-5.6-lunaGLM-5.3-Flash は 8/26 公開、百万トークン $0.15／$0.50 で（公開時の半額キャンペーンは 9/9 に終了したため、この定価が今期からの実払い額である）、長期エージェントで 63.4%、タスク $0.48 に達する。luna の 67.2% とは誤差区間の内で分離できず、コストは六分の一に過ぎない。しかも重みは同日 MIT ライセンスで公開されており、API が割に合わなくなる量になれば自分で動かせる。luna の $0.20／$1.20 には時間帯や期限の条件がなく、価格の安定性でこの枠の第二候補であることに変わりはない。DeepSeek は今期世代交代した。V4.1-Flash が 9/10 に公開され、価格はピーク時が百万トークンあたり $0.30／$1.20、オフピークが $0.15／$0.60、MIT ライセンス、総パラメータ 552B、活性 16B、総合知能は今期 39 である。ただしオフピークの出力 $0.60 は GLM-5.3-Flash の $0.50 をなお上回り、ピーク時の単価は二倍を超え、長期エージェントの成績もまだない。より重要なのは、9/14 から deepseek-v4-pro と deepseek-v4-flash の二つの旧名称がいずれも V4.1-Flash へ向けられたことだ。旧名称を呼び続けているバッチ処理は、いま実際に何が走っているのかを確かめる必要がある。GPT-6 Astra の最下位設定 low はタスク $1.60（67.0%、9/22 再計算）、Gemini 3.8 Flash が $2.36 で、いずれも一つ上の価格帯に属する。Meta Muse Spark 1.3 の Contributor プラン $0.10／$0.20 は同水準に見えるが、条件はプロンプトが訓練に使われることであり、データを手元に留めるべき大量処理には適さない。Step 5 Preview（StepFun、9/20）は百万トークン $1.00／$2.70、総合知能 44 で登場したが、トークン単価は luna より高く、GLM-5.3-Flash の数倍であり、長期エージェントの成績もないため、この枠には入らない。注目すべきはその点数と単価の位置関係であり、下の観察で扱う。9/22 公開の GPT-6 Luna は今期 ARC-AGI-2 に載った（Max 59.3%、タスク $0.06）が、長期エージェントの成績はまだないため、この枠ではいったん検討から外す。大量処理はタスク半ドル未満の帯で決まるため、この枠は据え置く。

予算無制限Claude Opus 5SWE-bench Verified 96% で依然として首位であり、三つの板すべてに成績があるトップ級モデルはこれだけだ。DeepSWE の 73.6% は Astra の 74.1%、Gemini 3.8 Flash の 73.8% と信頼区間の内で引き分け、ARC-AGI-2 は 90.4% である。GPT-6 Astra は ARC-AGI-2（95.0%）と AA 総合知能（v4.3.2 で 53 対 51）の両方で前にいるが、SWE-bench Verified にはまだ Astra がなく、純コーディングの板で対照できない。この枠はいったん据え置き、来期に Astra がその板に載れば再検討する。9/22 に公開された Opus 5.5 は単価がより低く（$4／$20）、AA で 58 の首位であり、今期は ARC-AGI-2 の 93.3%（Opus 5 の 90.4% より高い）も加わった。だが SWE-bench Verified と長期エージェントの二つのコーディングの板にはまだ成績がないため、載り次第あわせて再検討する。

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。

Cost · Capability 一枚の図で見る「差はコスト」

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。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）GLM（Zhipu）Kimi（Moonshot）効率フロンティア（全設定点）同一モデルの effort 曲線（低→高）

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。今回は効率フロンティアの全体が GPT 系（gpt-5.6-luna／gpt-5.6-terra／gpt-5.6-sol）の設定上にある。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 · DeepSWE v1.1（Datacurve）、113 タスク、2026-09-22 更新。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。純コーディングの板（SWE-bench Verified）は今期も新版がなく、Claude Opus 5 の 96% が依然として首位で、利用が制限されている Mythos 5（95.5%）と Fable 5（95%）がそれに続く。Fable 5.1 も 9/3 に予告された GPT-6 Astra も、その板にはまだ一行がない。この図の資料ファイルは今期も 9/22 版である。9/3 版と比べて点数と信頼区間は一行も動いておらず、変わったのは Astra の五段のタスク単価だけである（現行価格による再計算で、下げ幅はおよそ三割、max は四割近い）。9/21 から 10/7 に AA の板に入った新顔（Opus 5.5、Sonnet 5.5、GPT-6.1 Sol、Grok 4.7、MiMo-V2.6-Pro、Haiku 5.5）も、GPT-6 Luna と Step 5 Preview も、この板にはまだ成績がない。OpenAI は GPT-6.1 Sol が DeepSWE で Astra と同等だと自ら述べているが、9/22 版の資料ファイルにそれはなく、本ページは数に入れない。Astra の xhigh 設定は 74.1%（±2.9、9/22 版でタスク $4.43）で長期エージェント作業の首位に入るが、本ページの引き分けの基準では Gemini 3.8 Flash（73.8%、タスク $2.36、±1.4）とも Claude Opus 5（73.6%、タスク $11.84、±3.9）とも分離できず、実質的な違いはコストだけである。この図の点は資料ファイルに遅れている。資料ファイルにある十五のモデルがまだ描かれておらず、その中には GPT-6 Astra（長期タスクの首位）、Gemini 3.8 Flash（73.8%）、Claude Opus 5（73.6%）、GLM-5.3（69.0%）、Kimi K3（68.5%）、Grok 4.6（67.5%）、Gemini 3.7 Flash（65.5%）、GLM-5.3-Flash（63.4%、タスク $0.48）、DeepSeek V4-Pro（62.8%、タスク $0.24）、Qwen3.8-Max（57.5%）、Muse Spark 1.2（54.9%）、Grok 4.5（53.8%）、DeepSeek V4-Flash-0731（53.3%、タスク $0.10 は板の最低値）が含まれる。これらの点は手作業での入力を待っているため、ここに描かれる効率の曲線には上位三つも最安の一行も入っていない。価格も遅れており、しかも両方向にずれている。OpenAI の 7/30 の値下げは再計算されていないため Luna と Terra はここでは実際より高く見え、DeepSeek は 8/16 からピークとオフピークの二段価格に移ったため、その二行に示された数セントはピーク時には明らかに低すぎる。さらに 9/14 からは deepseek-v4-pro と deepseek-v4-flash がいずれも 9/10 公開の V4.1-Flash へ向けられているため、その二点はその二つのモデルの歴史的な位置である。本ページが引く Arena の人手ブラインド評価 WebDev の総合点は前期からの引き継ぎで、Claude Opus 5 が一位（1691）、Kimi K3 が二位（1674）、同じサイトの Frontend の下位板では Kimi K3 が一位（1679）である。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）。

データ表を見る（13 モデル）

モデル	ベンダー	Effort	DeepSWE スコア	タスク単価	フロンティア
gpt-5.6-sol	GPT	max	72.7% ±2.8	$8.39	◆
claude-fable-5	Claude	xhigh	69.9% ±3.2	$13.41
gpt-5.6-terra	GPT	max	69.6% ±2.6	$4.95
gpt-5.6-luna	GPT	max	67.2% ±4.0	$3.03	◆
gpt-5.5	GPT	xhigh	67.0% ±6.5	$7.23
claude-opus-4.8	Claude	max	59.0% ±1.8	$13.22
claude-sonnet-5	Claude	max	53.8% ±4.2	$26.40
gpt-5.4	GPT	xhigh	51.8% ±1.5	$5.65
glm-5.2	GLM	max	43.8% ±1.7	$3.92
gemini-3.5-flash	Gemini	high	36.1% ±4.0	$3.45
kimi-k2.7-code	Kimi	既定	30.5% ±0.5	$2.82
claude-sonnet-4.6	Claude	high	29.9% ±4.1	$5.52
gemini-3.1-pro	Gemini	high	11.7% ±1.5	$2.14

Generalization 一枚の図で見る「汎化能力」

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：Claude Haiku 5.5 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14モデルは、現時点で確認できる公式公開結果である。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）GLM（Zhipu）Grok（xAI）

出典 · ARC Prize（arcprize.org/leaderboard）、確認日 2026-09-28。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 Claude Haiku 5.5、Gemini 4 Argon、Claude Sonnet 5.5、MiMo-V2.6-Pro、Grok 4.7、GPT-6.1 Sol、Step 5 Preview、GLM-5.3、GLM-5.3-Flash、DeepSeek V4.1-Flash、Qwen3.8-Max、Muse Spark 1.3、Muse Spark 1.2、Muse Glimmer 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。

データ表を見る（14モデル）

モデル	ベンダー	Effort	ARC-AGI-1	ARC-AGI-2	タスク単価
GPT-5.6 Sol	GPT	Max	96.5%	92.5%	$1.44
Claude Opus 5	Claude	Max	97.5%	90.4%	$2.06
Claude Fable 5	Claude	Max	98.5%	89.2%	$5.45
GPT-5.5	GPT	xHigh	95.0%	85.0%	$1.87
Gemini 3 Deep Think	Gemini	2/26	96.0%	84.6%	$13.62
GPT-5.6 Terra	GPT	Max	96.5%	83.9%	$1.09
Gemini 3.1 Pro	Gemini	Preview	98.0%	77.1%	$0.96
Claude 4.7	Claude	Max	92.0%	75.8%	$7.43
Claude Opus 4.8	Claude	High	92.0%	72.1%	$2.74
Gemini 3.5 Flash	Gemini	High	92.5%	72.1%	$0.85
GPT-5.6 Luna	GPT	Max	88.0%	59.5%	$0.67
Claude Sonnet 4.6	Claude	Max	86.0%	58.3%	$2.72
Grok 4.5	Grok	High	85.7%	52.6%	$0.78
GLM-5.2	GLM	N/A	77.0%	22.8%	$0.25

Safety 「プロンプト注入耐性」を一枚で

間接プロンプト注入（indirect prompt injection）はエージェント最大の安全上の弱点だ。攻撃者はモデルが読むデータ（ウェブページ、ツール出力、コード）に悪意ある指示を隠し、エージェントを未承認の操作へ誘導する。この図は「攻撃が k 回以内に成功する確率」を示す。低いほど堅牢である。これは安全の軸で、上の能力やコストとは別の軸だ。

先に断っておく：この数値は Anthropic 自己評価であり、第三者ボードの結果ではない。攻撃題材は独立系セキュリティ企業 Gray Swan の公開間接注入コーパス（28 シナリオ、1,130 件の高転移攻撃）で、Opus 5 公開時に Anthropic が各モデルへ統一設定で実行した（Claude に追加防御なし、全モデルで拡張思考を有効）。他社は同一攻撃集での自己評価を公表しておらず、社をまたぐ比較は参考にとどめ、断定はしない。

Claude（Anthropic）GPT（OpenAI）Gemini（Google）Muse（Meta）Grok（xAI）色帯濃→淡：k=1／k=10／k=15

出典 · Gray Swan 間接プロンプト注入コーパス（grayswan.ai）、数値は Anthropic 自己評価、報告日 2026-07-24。色帯は濃から淡へ k=1／k=10／k=15（少ない試行で破られるほど脆弱）。安全の軸であり、上の能力・コストのボードと足し合わせない。

データ表を見る（14 モデル）

モデル	ベンダー	k=1	k=10	k=15
Opus 5	Claude	0.2%	1.6%	2.0%
Mythos 5	Claude	0.3%	2.1%	2.6%
Fable 5	Claude	0.4%	2.3%	2.8%
Opus 4.8	Claude	0.5%	4.1%	5.5%
Sonnet 5	Claude	0.6%	4.7%	5.9%
Muse Spark	Muse	2.9%	14.3%	16.5%
GPT 5.6 Sol	GPT	3.1%	16.3%	20.0%
GPT 5.5	GPT	3.0%	17.4%	20.8%
GPT 5.6 Terra	GPT	5.4%	26.0%	30.4%
Gemini 3.6 Flash	Gemini	7.3%	32.2%	37.3%
GPT 5.6 Luna	GPT	8.3%	38.6%	43.9%
Gemini 3.1 Pro	Gemini	14.2%	45.7%	49.2%
Gemini 3.5 Flash	Gemini	14.1%	54.2%	60.5%
Grok 4.5	Grok	13.4%	54.2%	60.8%

この推奨はどう順位づけたか

まず差が誤差の範囲かを見る：上位数モデルはほぼ同点であることが多く、1〜2 ポイントの差は「強い」ことを意味しない。
同点ならコストで選ぶ：同じ能力帯なら、タスク単価または百万トークン単価が安い方を取る。
次にタスクの型を合わせる：純コーディング、長期エージェント、日常会話では測られる能力が違う。その板が自分の用途を測っているか先に確認する。
データ主権もコストに数える：データを自分のマシンに残す必要があるなら、セルフホスト可能なオープンモデルの価値は安さだけではない。

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。

By Use-Case 用途別に選ぶ

総合知能（汎用）

1 Claude Opus 5.5AA 指数 58 · $4／$20

2 Claude Sonnet 5.5AA 指数 56 · $2／$10

3 Claude Fable 5.1AA 指数 53

4 GPT-6 Astra（OpenAI）AA 指数 53

5 GPT-6.1 Sol（OpenAI）お得AA 指数 52 · $2／$10

AA 総合知能には今期二つの新しい名前が加わった。Anthropic が 9/28 に公開した Claude Sonnet 5.5 は 56 で二位に入り、Sonnet 5 の 38 より 18 点高く、Opus 5.5（58）との差は二点にすぎない。ただし指数の一問あたり平均出力は約 19.3 万 token で GPT-6 Astra のおよそ七倍、一問あたり平均コストは $7.60 である。OpenAI が 9/29 に公開した GPT-6.1 Sol は GPT-6 Sol（48）に取って代わり、52 と読める。53 で並ぶ Fable 5.1 と Astra より一点低く、一問あたり平均コストは $0.72 だ。二つともいまのところ第三者の板はこの一つだけで、この欄に置くのは並べ方の規則に従ったものであり、確定した結論ではなく参考である。第五の席は点数と価格の組み合わせで見るもので、今期は GPT-6.1 Sol が Muse Spark 1.3（48、$1.25／$4.25）から引き継ぐ。同じ百万 token あたり $2／$10 の Sonnet 5.5 は点数が四点高いが、一問あたりのコストは Sol のおよそ十倍であり、割安さでは Sol である。ほかの読値は 9/24 の v4.3.2 を引き継ぐ。Opus 5.5 58、Fable 5.1 と Astra が 53 で並び、Muse Spark 1.3 48、Grok 4.7 と MiMo-V2.6-Pro 46、Qwen3.8-Max（0902）と GLM-5.3 45、Grok 4.6、Step 5 Preview、Kimi K3 44、GPT-5.6 Terra と GLM-5.3-Flash 42、Gemini 3.8 Flash 41、DeepSeek V4.1-Flash 39、Sonnet 5 38、Muse Glimmer 17。Opus 5（51）、Fable 5（50）、GPT-5.6 Sol（47）、GPT-5.6 Luna（37）はそれ以前の読値を引き継ぐ。上位の一、二点の差は依然として引き分けと読むべきで、Sonnet 5.5 対 Opus 5.5、Sol 対 Fable 5.1 と Astra のいずれもそうである。AA は一か月のうちに版番号をいくつも出しており、転載サイトは旧尺度の数字に新しい版番号を付けることが多いから、引用の前に版を確かめること。Google が 9/30 に公開した Gemini 4 Argon は 53 で Fable 5.1、Astra と並び、AA が測った幻覚率は 15% と、45 点以上のモデルで最も低い。ただし現時点では招待されたセキュリティ防御の協力先にしか開放されておらず、一般の開発者はまだ使えないから、今期はこの欄に入れない。

出典 · Artificial Analysis Intelligence Index v4.3.2（9/24 読み取り。Sonnet 5.5、GPT-6.1 Sol と Gemini 4 Argon は 10/1 読み取り）

純コーディング（SWE-bench Verified）

1 Claude Opus 596%

2 Claude Fable 595%

3 Claude Sonnet 5お得85.2% · $2/M

この板は今期新しい版がなく、数値は前期と同一である。GPT-6 Astra、Fable 5.1、Gemini 3.8 Flash の成績もまだない。OpenAI は今回 SWE-bench Verified を自己申告せず、Terminal-Bench 4.0 の 57.9% と OSWorld 2.0 の 72.6% のみを報告した。いずれもベンダー自前のハーネスによる数字だ。首位は依然として Opus 5（96%）。アクセス制限のある Mythos 5（95.5%）は一般提供されず、Fable 5（95%）が続くため、一般利用者の実質的な上限は Opus 5 である。上位数モデルは 1 パーセントポイント以内に密集し、この板はフロンティアモデルに対してほぼ飽和している。このカードではもう一つ、警戒に値する例を挙げておく。DeepSeek V4-Pro は本カードの出典では 80.6%、11 位である。ところが別の独立評価サイトが同じ SWE-bench Verified を自前のハーネスで走らせると 96.4%、2 位になる。同じベンチマーク名で、二本の物差しが 16 ポイント離れている。もう一点。V4-Pro という API 名称は 9/14 から DeepSeek V4.1-Flash へ向けられており、この行は以後、履歴としてしか読めない。サイトをまたいで点数を比べる前に、同じ物差しかどうかを確認せよ。本カードは明示した出典のみを用いる。

出典 · SWE-bench Verified（benchlm / llm-stats）

長期エージェント・コーディング（DeepSWE、汚染耐性）

1 GPT-6 Astra（OpenAI）74.1% · $4.43

2 Gemini 3.8 Flash（Google）お得73.8% · $2.36

3 Claude Opus 573.6% · $11.8

4 GLM-5.3（Z.ai）69.0% · $3.99

5 GLM-5.3-Flash（Z.ai）オープン63.4% · $0.48

一次資料ファイルは今期も 9/22 版（113 題）である。9/22 版を 9/3 版と一行ずつ照合すると各モデルの点数と信頼区間は 9/3 版と同じで、変わったのは GPT-6 Astra の五段のタスク単価だけである。xhigh $6.52→$4.43、high $5.72→$3.92、max $12.37→$7.50、medium $4.38→$3.08、low $2.19→$1.60 で、下げ幅はおよそ三割、max は四割近い。資料ファイルが明記する計算の基準は現行価格（百万トークンあたり未キャッシュ入力 $10、キャッシュ書き込み $12.50、キャッシュ読み取り $1、出力 $50）で、再計算の理由は書かれていない。Astra は xhigh の 74.1%（±2.9、平均およそ 29 ステップ）で首位のままだが、本ページの引き分けの基準では Gemini 3.8 Flash の 73.8%（±1.4）とも Claude Opus 5 の 73.6%（±3.9）とも分離できず、三者を分けるのは依然としてコストである。タスク $4.43 対 $2.36 対 $11.84 だ。Gemini 3.8 Flash は引き分けの帯でなおもっとも安いが、Astra とのコスト差は前期の三分の一からおよそ半分に縮んだ。Astra の max 段の ±0.8 は今も板でもっとも狭い信頼区間で、点数は xhigh より高くなく、再計算後のコストは xhigh よりおよそ七割高い。Fable 5.1 は依然として載っておらず、9/21 から 9/22 に AA の板に入った四つの新顔（Opus 5.5、GPT-6 Sol、Grok 4.7、MiMo-V2.6-Pro）も、同じ時期の GPT-6 Luna と Step 5 Preview も、この板にはまだ成績がない。引き分けの帯から下を見ると、GPT-5.6 Sol（72.7%、$8.4）、Fable 5（69.9%）、GLM-5.3（69.0%、$3.99）も上位三つと分離できない。中位の Kimi K3（68.5%）、Grok 4.6（67.5%、$3.45）、gpt-5.6-luna（67.2%）、Gemini 3.7 Flash（65.5%）、GLM-5.3-Flash（63.4%、$0.48）、DeepSeek V4-Pro（62.8%、$0.24）も互いに分離できない。Astra のこの五行を除けば、タスク単価は今も各設定を走らせた当時の価格である。OpenAI の 7/30 の値下げは再計算されていないため Terra と Luna は実際にはより安い。DeepSeek は 8/16 からピークとオフピークの二段価格に移ったため、V4-Pro の $0.24 と V4-Flash の $0.10 はピーク時にはこの数字より高くなる。さらに 9/14 からはこの二つの API 名称がいずれも 9/10 公開の V4.1-Flash へ向けられているため、板のこの二行は当時の二つのモデルの歴史的な成績として読むべきで、いま同じ名称を呼んで得られるものではない。GLM-5.3 の重みは公開済みであり、板の 69.0% はセルフホスト可能な成績である。ベンダーの README が自ら掲げる 66.9% は別の評価台によるもので、そのまま比べてはならない。

出典 · DeepSWE v1.1（Datacurve、9/22 版）

高効率／低遅延（安くて速い）

1 Gemini 3.8 Flash（Google）お得73.8% · $2.36/タスク

2 GLM-5.3-Flash（Z.ai）オープン63.4% · $0.48/タスク

3 Grok 4.6（xAI）お得AA 44 · $2／$6 百万

4 gpt-5.6-lunaお得67.2% · $3.0

大量処理、バッチ、並列エージェントの作業馬。十分な質で、しかも安い。この欄の顔ぶれは今期変わらない。10/7 に公開された Claude Haiku 5.5 は百万 token あたり $0.10／$0.50、AA 43（最高の推論設定）で、単価は gpt-5.6-luna より低いが、長期エージェントの成績がまだないため、Step 5 Preview と同じ扱いで当面は席を与えない。Gemini 3.8 Flash が依然として先頭だ。長期エージェント作業で 73.8%、タスク $2.36 であり、長期の首位 GPT-6 Astra の 74.1%（9/22 再計算後タスク $4.43）と信頼区間の内で引き分けながら、コストはおよそ半分である。百万トークン $0.75／$3.75 の価格は 2026-12-31 までと明記されており、その後は $1.50／$7.50 へ倍になる。v4.3.2 の物差しでの総合知能は 41 で、同じ系列の 3.7 Flash の 39 より二点上だ。コストの端は GLM-5.3-Flash が押さえる。長期エージェント 63.4%、タスク $0.48 で、ここでタスク $0.5 を切りながら引き分けの帯に残る唯一の一枚である。総パラメータ 320B、活性 18B、重みは MIT ライセンスで公開済み。公開時の半額キャンペーン（$0.075／$0.25）は 9/9 に終了したため、$0.15／$0.50 の定価が今期からの実払い額である。Grok 4.6 は $2／$6 で総合知能 44 を取る。同じ価格の Grok 4.7（9/21）は 46 を取るが、長期エージェントの成績がまだないため、今期は入れ替えない。前期この欄は「同じ単価の Qwen3.8-Max（40）より四点上」と書いていたが、それはもう成り立たない。AA の板の Qwen3.8-Max は 9/1 公開の 0902 スナップショットに変わり、同じ $2／$6 で 45 を取るため両者は引き分けの帯に入り、かつての 40 は別の、いまは deprecated のモデルのものである。gpt-5.6-luna の $0.20／$1.20 はこの欄で唯一、期限も時間帯の条件もない価格であり、長期エージェントの最良設定で 67.2% に達する。二つは一覧に入らない。Astra の low 段は 67.0%、9/22 再計算後のタスク $1.60 で Gemini 3.8 Flash の $2.36 をすでに下回るが、百万トークン $10／$50 より安い派生がないため、実際の処理量では出力価格がタスク単価を呑み込む。Meta の Muse Spark 1.3 は定価 $1.25／$4.25、総合知能 48 であり、Contributor プランの $0.10／$0.20 にはプロンプトが訓練に使われるという条件が付くため、この欄は安い選択肢として数えない。DeepSeek V4-Flash のタスク $0.10 は依然として板の最低値だが、その数字は 8/16 より前の価格に依っており、そのモデル自体は 9/14 に API から退き、名称は 9/10 公開の V4.1-Flash（ピーク $0.30／$1.20、オフピーク $0.15／$0.60、総合知能は今期 39）へ向けられた。新しいモデルには長期エージェントの成績がまだなく、オフピークの出力価格も GLM-5.3-Flash の $0.50 を上回るため、この枠はなお席を与えない。Step 5 Preview（StepFun、9/20）は百万トークン $1.00／$2.70、総合知能 44 で登場し、引き分けの点数で Grok 4.6 の半分を下回る単価であるからこの欄にはよく合うが、長期エージェントの成績がまったくなく preview 表記のままであるため、今期は席を与えず観察に一行を記すにとどめる。この欄はかつて期限付きの価格を三つ抱えていた。GLM-5.3-Flash のそれは 9/9 に切れ、残る二つは、いま選ぶなら 2027 年の価格まで織り込んで選べという意味である。

出典 · Artificial Analysis / DeepSWE / 各社の公開価格

Best Value 価格帯ごとの最有力

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。

最良コスパ（クローズド）

1 Gemini 3.8 Flash（Google）お得73.8% · $0.75／$3.75 百万

2 GPT-6.1 Sol（OpenAI）お得AA 52 · $2／$10 百万

3 Muse Spark 1.3（Meta）お得AA 48 · $1.25／$4.25 百万

4 Grok 4.6（xAI）お得AA 44 · $2／$6 百万

5 Claude Sonnet 5お得85.2% · $2/M

最上位に近い能力を端数の価格で。多くの用途で既定の第一候補である。最上段は依然として Google が 9/2 に公開した Gemini 3.8 Flash だ。長期エージェント 73.8% は長期の首位 GPT-6 Astra と引き分けで、タスク単価は 9/22 の再計算後の Astra のおよそ半分、百万 token あたり $0.75／$3.75 は同じ引き分け帯で最も安いクローズドモデルである。その価格には条件があり、2026-12-31 までと明記され、その後は $1.50／$7.50 に戻る。総合知能は 41 で SWE-bench Verified にもまだ成績がなく、割安なのは長期エージェントの枠であって全部ではない。二番目には今期、OpenAI が 9/29 に公開した GPT-6.1 Sol が新たに入る。総合知能 52 で Astra より一点低く、百万 token あたり $2／$10 は Astra の五分の一、AA 指数の一問あたり平均コストは $0.72 である。9/22 の GPT-6 Sol（48）に取って代わったもので、長期エージェントにもコーディングの板にもまだない。OpenAI は DeepSWE で Astra と同等だと自ら述べているが、公開の資料ファイルにその一行はなく、本ページは数に入れない。Meta の Muse Spark 1.3 は三番目に下がる。総合知能 48、百万 token あたり $1.25／$4.25 で Sol よりなお安く、文脈 100 万 token、重みは公開しない。プロンプトが学習に使われることを条件とする Contributor プラン $0.10／$0.20 もあるが、この欄は標準価格で数える。Grok 4.6 は四番目だ。$2／$6、総合知能 44、長期 67.5%、タスク $3.45（xAI の長文脈の段階料金に注意。プロンプトが 20 万 token を超えると全体が二倍の料金になる）。同じ価格で 45 を取る Qwen3.8-Max の 0902 スナップショットは本ページの基準では引き分けで、引き分けなら入れ替えない。Sonnet 5 は純コーディングの板で依然として端数の価格で最上位に近い点を取る。同じ $2／$10 の Claude Sonnet 5.5（9/28、AA 56）はこの欄に入れない。単価は同じだが指数の一問あたりコストは $7.60 で Sol のおよそ十倍であり、割安さは実際の支出で見るものだからだ。GPT-6 Astra は $10／$50 で、この欄の価格帯の外にある。xAI が 9/21 に公開した Grok 4.7（$2／$6、AA 46）は長期エージェントの成績がまだなく、今期は一覧に入れない。Qwen3.8-Max の重み公開は依然として果たされておらず、Hugging Face にあるのは Qwen3.8-2.4T-A95B（総合知能 40）と Qwen3.8-27B である。9/20 公開の Step 5 Preview（StepFun）は価格でこの欄のどれをも下回り（$1.00／$2.70、総合知能 44）、重みは 10/15 公開を予告しているが、いまのところ板は AA 一つだけであるから、予告が果たされるまで一覧には入れない。

最良オープン（セルフホスト可）

1 GLM-5.3（Z.ai）オープンAA 45 · DeepSWE 69.0% · 753B

2 MiMo-V2.6-Pro（Xiaomi）オープンAA 46 · 1.02T／42B 活性 · MIT

3 Kimi K3（Moonshot）オープンAA 44 · DeepSWE 68.5% · 2.8T

4 GLM-5.3-Flash（Z.ai）オープン320B／18B 活性 · MIT

5 DeepSeek V4.1-Flashオープン552B／16B 活性 · MIT

6 Muse Glimmer（Meta）オープンAA 17 · 30B · Apache 2.0

この欄はデータを自分の環境に留めるため、あるいは長い目でコストを抑えるためのものである。今期は並びを動かさない。前期に一枠が増え、Xiaomi が 9/21 に MIT で公開した MiMo-V2.6-Pro が二番手に入った。最上層は依然として Zhipu の GLM-5.3（Flash ではない）だ。重みは 8/31 に Hugging Face で公開され（zai-org/GLM-5.3）、総パラメータ 753B、基盤は GLM-5.2 と同じで違いは事後学習にある。ライセンスは MIT ではなく MIT 型のカスタムで、一条だけ追加がある。年間売上 100 億ドルを超える MaaS 事業者は Z.AI の安全審査を通す必要があり、それ以外の個人・企業のセルフホストには影響しない。Kimi K3 と並べると、総合知能は 45 対 44（新しい物差しで順序が入れ替わったが、どちらの期も差は一点で雑音の範囲である）、長期エージェントは 69.0% 対 68.5% でこれも誤差区間の内だが、753B 対 2.8T という差は、同じ 4bit 量子化なら必要メモリが Kimi K3 のおよそ四分の一になることを意味する。それがこの欄の最上層に置く理由である。重みが公開されて一週間で独立の再現はまだ追いついておらず、ARC-AGI-2 にも提出されていないから、確定した結論ではなく参考として扱うこと。Kimi K3 が三番手である。AA 44、ARC-AGI-2 の 60.4% は提出済みのオープンウェイトの中では今も最高だが、2.8T パラメータは 4bit 量子化でおよそ 1.4TB の広帯域メモリを要し、実際にはデータセンター級の機材が必要になる。GLM-5.3-Flash（320B、活性 18B、MIT、長期エージェント 63.4%、タスク $0.48、総合知能 42）と前期入れ替わった DeepSeek V4.1-Flash（552B、活性 16B、MIT、総合知能は今期 39）がそれぞれ一つの機材層を押さえる。敷居がもっとも低いのは今も Meta の Muse Glimmer で、30B、Apache 2.0、4bit 量子化なら 24GB の民生 GPU 一枚で動くが、その代償として総合知能は v4.3.2 でわずか 17（今期の読値、前期は 18 と記した）、この欄で 20 を下回る唯一の一枚である。前期この枠は 35 と読め、カードの見出しは 24 と読めていたが、いずれも古い版の読値であり、どちらも 9/10 の回で修正した。DeepSeek の枠は前期 V4.1-Flash に替わった。V4.1-Flash は 9/10 に公開され、9/14 から deepseek-v4-pro の API 要求を引き受けた。v4.3.2 の物差しでは 39 と読め（以前の v4.3 の物差しでは 40 で、物差しの変更とともにわずかに下がった）、置き換えられる V4-Pro をなお上回る。総パラメータは 1.6T から 552B、活性は 49B から 16B へ下がり、セルフホストの機材の敷居が一桁下がった。ライセンスは同じ MIT、上下文 100 万トークン、画像を直接解する。長期エージェント、純コーディング、ARC-AGI-2 の成績はまだないため、この欄はパラメータ数と総合知能で載せ、ベンチマークは追って待つ。新たに二番手に入った MiMo-V2.6-Pro は総パラメータ 1.02T、活性 42B の MoE で、重みは Hugging Face（XiaomiMiMo/MiMo-V2.6-Pro-RL）で MIT ライセンスにより公開されている。AA 46 は現時点でオープンウェイトの最高であり、API は百万トークン $0.435／$0.87 である。GLM-5.3 の 45 とは引き分けの帯の内にあり、二番手に置くのは、1.02T の必要メモリが GLM-5.3 の 753B より大きいこと、そして長期エージェント、SWE-bench Verified、ARC-AGI-2 の三つにまだ成績がないためである。確定した結論ではなく参考として扱うこと。GPT-6 Astra も Muse Spark 1.3 も重みを公開しないため、ここには現れない。セルフホストの利点は今期とりわけはっきり見えている。ベンダーは古い API 名称を退け、古いモデルを引き上げ、評価板でさえ一つの名前が指す先を入れ替えたが、自分で動かす重みのファイルはそのいずれにも触れられない。予告待ちで一覧の外にある候補が二つある。StepFun が 9/20 に公開した Step 5 Preview（総パラメータ 600B、活性 27B、総合知能 44）は重みを 10/15 に公開すると予告しており、Qwen3.8-Max の重みリポジトリは 9/1 から予告されたまま現れていない。この欄は公開済みの重みだけを受け入れるため、いずれも予告が果たされるまで待つ。

ベンチマークが語らないこと

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。

Claude Opus 5.5（Anthropic 9/22）Anthropic が 9/22 に公開した。価格は百万トークン $4／$20（batch $2／$10）、コンテキスト 100 万トークンで、Opus 5 の $5／$25 より二割安い。AA 総合知能は max 設定で 58、xhigh 設定で 56、指数を一通り走らせる費用は $5.98 で、Astra の $3.26 と Fable 5.1 の $7.63 の間にある。v4.3.2 以来、上位の引き分けの帯を抜け出したモデルはこれが初めてで、差は五点である。ベンダーは別に Terminal-Bench 4.0 の 66.4% を自ら掲げているが、それは自前の評価台による実行であり、本ページは順位付けに使わず、Astra の 57.9% とそのまま比べるべきでもない。9/28 には ARC-AGI-2 への提出が確認できた。High 設定で 93.3%、タスク $0.41 で、本ページが追うモデルの中では GPT-6 Astra の 95.0% に次ぐ。XHigh は 92.5%（$0.67）、Max はかえって 91.7%（$1.85）に下がり、最上位の設定で点数が上がったわけではない。ARC-AGI-1 は High で 98.5% である。長期エージェントと SWE-bench Verified の二つのコーディングの板にはなお載っておらず、本ページは引き続き総合知能の欄にだけ置く。来期この二つが埋まれば、日常業務と予算を問わない場合の二つの枠がもっとも再検討を要する。確定した結論ではなく参考として扱う。

Step 5 Preview（StepFun 9/20）総パラメータ 600B、活性 27B の疎な MoE であり、上下文 100 万トークン、画像を直接解し、API は公表と同日に開いた。価格は百万トークン $1.00／$2.70 である。AA 総合知能 44（43.7）は Grok 4.6 の 44、Kimi K3 の 44 と引き分けの帯に入るが、単価は Grok 4.6（$2／$6）の半分を下回り、Kimi K3（$3／$15）の三分の一から五分の一であるから、いまその点数帯でもっとも安い位置にある。StepFun は重みを 10/15 に公開するとも予告しており、それが実現すればオープンウェイトの欄の最上層は見直しが要る。いまそこを占める GLM-5.3 は総パラメータ 753B で総合知能 45、Step 5 Preview は 600B で 44 だからである。今期はどの一覧にも席を与えない。板は AA 一つだけで、長期エージェント、純コーディング、ARC-AGI-2 のいずれにも一行がなく、重みも未着であり、重み公開の予告には本ページ上にすでに果たされていない前例がある（Qwen3.8-Max、9/1 から予告）。確定した結論ではなく参考として扱うこと。

AA 総合知能指数が九月に三度目の改版（今回は採点の方法）Artificial Analysis は九月のうちに v4.3、v4.3.1、v4.3.2 を出した。本ページは前期 v4.3 を使い、今期 v4.3.2 へ移る。前期と違い、変わったのは問題ではなく採点の方法である。v4.3.1 は AA-Briefcase と GDPval-AA v2 の対戦採点の審査団を現行モデル（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash）に入れ替え、ルーブリック採点の審査団には手を付けていない。v4.3.2 はさらに GDPval-AA を v2.1 に上げ、Elo の基準点を人間の専門家から DeepSeek V4.1-Flash（max 段）＝1600 へ移し、採点を Crowd-BT の当てはめに変えた。AA-Briefcase も歩調を合わせて v1.1 となり、基準点は GPT-5.5（medium）＝1000 のまま、当てはめ方だけ同じように変わった。十種の評価の構成と重みは動いていないため点数はほとんど移動せず、上位五つの並び順も四捨五入後の整数も前期と同じである。この二つの変更はそれぞれ記しておく値打ちがある。審査団が現行モデルで構成されるということは、採点される側と採点する側が同じ世代の集団だということであり、上位の相対的な位置関係には循環の成分が入る。Elo の基準点を、退役も値上げもありうる、API 名称が別のモデルに取られることさえある商用モデルへ移すことは、物差しを動く基準点に結びつけることであり、版をまたいだ差はこれまで以上に使えなくなる。渡るのは順位だけである。AA の点数を引くときは必ず版番号を添えること。とくに今期はそうだ。一か月に四つの版番号があり、そのうち二つはほとんど同じに見える点数を出す。

Claude Sonnet 5.5：単価は同じでも一問あたりの支出は違うSonnet 5.5 は百万 token あたり $2／$10 で Sonnet 5 と同じ価格だが、AA 総合知能は 38 から 56 に跳ね上がった。しかし AA は同時に、指数の一問あたり平均出力が約 19.3 万 token で、GPT-6 Astra のおよそ七倍、Opus 5.5 より約六割多く、一問あたり平均コストは $7.60 で Sonnet 5 より五割ほど高いことも記録している。同じ週に公開され同じ $2／$10 の GPT-6.1 Sol は一問 $0.72 で済む。単価がわかるのは token 一つの値段だけで、実際に払う額はモデルがどれだけ長く考えるかで決まる。コストを比べるなら、価格表より一問あたりやタスクあたりの支出を見るほうが正確である。また、二つの Terminal-Bench の数字は混ぜて使えない。AA の標準化された実行では 64% で、ベンダーが自ら掲げる 70.6% は自前の評価台によるものだ。OSWorld 2.1 の 80.1% も自己申告で、独立した再測定はまだない。

タスク単価の比較には賞味期限がある長期板の上位三つは引き分けだが、コストは三段階である。Astra はタスク $4.43、Gemini 3.8 Flash $2.36、Opus 5 $11.84。Astra 自身の五つの設定は $1.60（low、67.0%）から $7.50（max、73.2%）まであり、max は xhigh よりおよそ七割高い費用で点数は高くならない。Astra のこの五行は 9/22 版の資料ファイルで現行価格により再計算されたもので、下げ幅はおよそ三割、max は四割近く、点数は動いていない。資料ファイルは計算の基準だけを記して再計算の理由を書いておらず、同じ板の他のモデルのコストも再計算されていない。同じ点数帯の Sol（$8.4）、Terra（$5.0）、Grok 4.6（$3.45）、Luna（$3.0）はいずれもはるかに安く、最安の DeepSeek V4-Flash はタスク $0.10 で 53.3% を取り、タスク $26.4 の Sonnet 5（53.8%）と誤差の内で引き分けだ。しかしこれらの数字はいずれも各設定を走らせた当時の価目で算出されている。OpenAI は 7/30 に Luna を八割、Terra を二割値下げし（実際にはより安い）、DeepSeek は 8/16 からピーク・オフピーク課金に移行してピーク時の出力が百万トークン $3.96 に上がった（実際にはより高い）。9/14 からはさらに進み、deepseek-v4-pro と deepseek-v4-flash の名称が 9/10 公開の V4.1-Flash へ向けられた。この二行は点数もコストもそのままで、同じ API 名称が返すものだけが別のモデルになっている。評価板のコスト欄は点数欄より早く古びる。そして古びたのが価格ではなくモデルそのものであることもある。引用する前に日付を一度見よ。

Claude Sonnet 5単価は Claude 系で最安（百万トークン $2）だが、長期板で最高点の設定にするとタスク $26.4 で逆に全体で最も高くなる。板のデータによれば平均 268 ステップを踏み、七千万トークン超の入力を消費して 53.8% を解いている（Fable 5 は同じ問題で約 68 ステップ）。トークン単価が安いことはタスク単価が安いことを意味しない。長期タスクでは特にそうだ。

推奨変更ログ

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。

2026-10-01今期はどの場面の第一候補も入れ替わらない。同日にこの一筆を補う理由は (c) 重要な事実の訂正だ。今日先に加えた一筆は今期の新顔を二つとしていたが、Google が 9/30 に公開した Gemini 4 Argon が漏れていた。AA では 53 で GPT-6 Astra と並び、導入期の価格は百万 token あたり $2／$10（その後 $4／$20）、AA 指数の一問あたり費用は $1.99 である。ただし現時点では Google の Fairwind プログラムのセキュリティ防御の協力先にしか開放されておらず、一般の開発者はまだ使えないため、どの欄にも入れず、導入文、総合知能の欄の説明、注意事項、ARC-AGI-2 未提出の一覧にだけ加えた。Google が自ら掲げる DeepSWE v1.1 の 77.9% は 9/22 版の公開資料ファイルになく、本ページでは採らない。

2026-10-01今期はどの場面の第一候補も入れ替わらない。この一筆を加える理由は (b) 欄の一覧に増減があることだ。Anthropic が 9/28 に公開した Claude Sonnet 5.5（AA 56、$2／$10、指数の一問あたり平均コスト $7.60）を総合知能の欄の二番目に置く。OpenAI が 9/29 に公開した GPT-6.1 Sol（AA 52、$2／$10、一問 $0.72）は GPT-6 Sol に取って代わり、総合知能の欄の五番目（Muse Spark 1.3 から引き継ぐ）とコスパ（クローズド）の欄の二番目に入る。後者では Muse Spark 1.3 が三番目に下がる。二つとも第三者の板は AA だけで、長期エージェント、SWE-bench Verified、ARC-AGI-2 にはまだ成績がなく、コーディングの枠は Sonnet 5 のままである。ARC-AGI-2 の未提出一覧に Sonnet 5.5 を加え、GPT-6 Sol を GPT-6.1 Sol に替えた。DeepSWE は依然として 9/22 版、SWE-bench Verified は新版なし、ARC-AGI-2 は 9/28 の読値を引き継ぐ。

2026-09-28今期はどの場面の第一候補も入れ替わらない。この一筆を加える理由は (a) 一次資料に新版があることだ。ARC-AGI-2 の一次 JSON エンドポイントは依然として 404 だが、ARC Prize のモデル別成績ページが今期は読め、新しい提出が三つ見つかった。Claude Opus 5.5（9/22 公開）は High 93.3%、タスク $0.41（XHigh 92.5%、Max 91.7%、Medium 87.5%、ARC-AGI-1 High 98.5%）で、本ページが追うモデルの中では GPT-6 Astra の 95.0% に次ぐ。Gemini 3.8 Flash は High 89.2%、タスク $0.40、GPT-6 Luna（9/22 公開）は Max 59.3%、タスク $0.06 である。Opus 5.5 と Gemini 3.8 Flash を未提出の一覧から外し、一覧の先頭は MiMo-V2.6-Pro になった。三つの新しい成績はまだ図に描いておらず、人手での追加を待つ。Opus 5.5 の記述は「第三者の板は AA 一つだけ」から二つに改めたが、二つのコーディングの板にはまだないため、日常業務、複雑な推論（93.3% は Astra の 95.0% より低い）、予算無制限の三枠はいずれも動かさない。DeepSWE は依然として 9/22 版、SWE-bench Verified は新版なし、AA 総合知能は 9/24 の v4.3.2 の読値を引き継ぐ。9/24 以降、主要なモデルの新たな公開は見つからなかった。

2026-09-24今期はどの場面の第一候補も入れ替わらず、この一筆を加える理由は (a)(b)(c) の三つがすべて成り立つことである。(a) DeepSWE の資料ファイルの 9/22 版が出た。各モデルの点数と信頼区間は一行ずつ照合してもまったく動いておらず、GPT-6 Astra の五段のタスク単価だけが現行価格（百万トークンあたり未キャッシュ入力 $10、キャッシュ書き込み $12.50、キャッシュ読み取り $1、出力 $50）で再計算された。xhigh $6.52→$4.43、high $5.72→$3.92、max $12.37→$7.50、medium $4.38→$3.08、low $2.19→$1.60 で、資料ファイルには再計算の理由が書かれていない。本ページの長期エージェント、大量処理、コストパフォーマンス（クローズド）の三つの欄と観察が引く Astra のコストはまとめて新しい値に替え、Gemini 3.8 Flash と Astra のコスト差は三分の一からおよそ半分に書き改めた。(b) 二つの欄で顔ぶれが増減した。総合知能の欄の第一の枠に 9/22 公開の Claude Opus 5.5（AA 58）が入り、Opus 5 は席を譲った。オープンウェイトの欄の二番手に Xiaomi が 9/21 に MIT で公開した MiMo-V2.6-Pro（1.02T、活性 42B、AA 46）が入り、残りは一つずつ下がった。いずれも第三者の板は AA 一つだけで、確定した結論ではなく参考として載せる。Opus 5.5 が自ら掲げる Terminal-Bench 4.0 の 66.4% は自前の評価台によるもので、標準化された実行とは同じ物差しではない。(c) 読値の訂正として、Muse Glimmer を 18 から 17 に改めた。このほか新しい読値を二つ記すが席は与えない。Grok 4.7（9/21、AA 46、$2／$6）と GPT-6 Sol（9/22、AA 48、$2／$10）であり、同日公開の GPT-6 Luna は AA にまだ読値がない。今期の v4.3.2 の表に載っていない Opus 5、Fable 5、GPT-5.6 Sol、GPT-5.6 Luna は前期の読値を引き継ぐ。SWE-bench Verified は新版がなく、ARC-AGI-2 の一次 JSON は依然として 404 で、9/4 の読値を引き継ぐ。

2026-09-21今期はどのカードも人が入れ替わっていない。この一筆を加える理由は (a) 一次資料の資料ファイルに新版が出たことと、(c) 鍵となる数字に検証可能な修正があったことである。(a) Artificial Analysis 総合知能指数は九月のうちに三つの版を出し、本ページが前期に使った v4.3 は v4.3.1 と v4.3.2 に取って代わられたため、AA の読値はすべて v4.3.2 へ移した。9/10 の変更と違い、動いたのは問題ではなく採点の方法である。v4.3.1 は AA-Briefcase と GDPval-AA v2 の対戦採点の審査団を現行モデル（Claude Opus 5、GPT-5.6 Sol、Gemini 3.8 Flash）に入れ替え、v4.3.2 は GDPval-AA を v2.1 に上げ、Elo の基準点を DeepSeek V4.1-Flash（max）＝1600 へ移し、Crowd-BT の当てはめに変え、AA-Briefcase は v1.1 となった（基準点は GPT-5.5 medium ＝1000 のまま）。十種の評価の構成と重みは動いておらず点数もほとんど移動せず、上位の並び順と四捨五入後の整数は前期と一致するため、どの枠も入れ替わらない。(c) 数字の修正が二つ。Qwen3.8-Max は 40 から 45 になったが、これは一つのモデルの改善ではなく、板の同じ名前が別のモデルを指すようになったものである（いまは 9/1 公開の 0902 スナップショットで 45.4、元の一行は deprecated で 40.2）。そのため「同価格で Grok 4.6 が Qwen3.8-Max より四点上」という一文は、高効率・低遅延のカードとクローズドモデルのお値打ちカードの両方で引き分けとして書き直した。Grok 4.6 は長期エージェントの成績があることで席を保つ。もう一つは DeepSeek V4.1-Flash の 40 から 39（39.456）への修正で、オープンウェイトの欄は変わらない。新しい観察対象が一つ。StepFun が 9/20 に公開した Step 5 Preview（総パラメータ 600B、活性 27B、総合知能 44、$1.00／$2.70、重みは 10/15 公開を予告）だが、板は AA だけであるから観察と注意書きに入れ、どの一覧にも席を与えない。三つの一次資料（DeepSWE、ARC-AGI-2、注入攻撃）は三期続けて新版が出ていないため、図とその周りの数字はそのまま引き継ぐ。

2026-09-16今期の実質的な変動は DeepSeek の世代交代から来ており、三項のうち二項に触れる。(b) カードの名簿に増減があり、(c) 主要な数字に検証可能な訂正がある。(b)「最良のオープンウェイト・セルフホスト可」の欄は DeepSeek V4-Pro を 9/10 公開の V4.1-Flash に差し替えた。総合知能は v4.3 尺度で 40、V4-Pro の 36 を上回る。総パラメータは 1.6T から 552B、活性パラメータは 49B から 16B に下がり、ライセンスは MIT、上下文は 100 万 token のままで、セルフホストのハードウェア要件が一桁下がる。(c) 価格と経路の改定。V4.1-Flash はピーク時が百万 token あたり $0.30／$1.20、オフピークが $0.15／$0.60 である。9/14 04:00 UTC から deepseek-v4-pro への要求は V4.1-Flash が Flash 価格で処理し、deepseek-v4-flash と deepseek-v4-flash-vision-exp の二名称もあわせてこれに向けられた。長期エージェント板のあの二行（タスク $0.24 と $0.10）の API 名称はしたがってすでに別のモデルを指している。カードの説明、観察欄、散布図の注記にそれぞれ一文を足した。四つの板は今期いずれも新版がない。AA は v4.3 のまま、DeepSWE の一次データファイルは 9/3 版のまま（generated_at は一字一句同一）、SWE-bench Verified は新版なし、ARC-AGI-2 の一次 JSON 端点はなお 404 を返すため 9/4 の読値を踏襲する。図のデータと五つの場面の第一候補はすべて動かさない。V4.1-Flash には長期エージェント、純粋コーディング、ARC-AGI-2 の成績がまだなく、ARC 未提出の名簿と新顔の注意書きに加えた。

このデータの読み方

この一覧は網羅ではない：継続追跡している主要モデル群のみを扱う。新発表やマイナーなモデルは未収録のことがある（Grok 4.5 も一時漏れていた）。載っていない＝選ぶに値しない、ではない。他のモデルに出会ったら自分で最新比較を引くこと。
板ごとに測るものが違う：SWE-bench は検証可能なバグ修正の正解率を測り、Arena の盲検板は人が見て好むかどうかを測る。同じ Arena でも WebDev 総合、フロントエンド、フルスタックという下位板に分かれ、順位は必ずしも一致しない。本ページが引く 1691／1674 は WebDev 総合板の数値であり、Kimi K3 はフロントエンド下位板では一位、総合板では二位である。その板が自分の用途を測っているか、そしてどの下位板を見ているかを先に確認し、単一の順位を結論と見なさないこと。
スコア差はしばしば誤差の内：上位数モデルの差は誤差区間より小さいことが多く、実質同点。SWE-bench Verified の上位は 1 パーセントポイント内に密集し、飽和に近い。「1〜2% 高い」を「強い」と読まないこと。差が出るのはたいていコストである。
新顔の資料はまだ揃っていない。10/7 の Claude Haiku 5.5（最高の推論設定で AA 43）は第三者の板が総合知能の一つだけで、ベンダー自報のエージェント成績は自社 harness によるものなので本頁では採らない。10/6 の Mistral Large 4 Preview（AA 38、百万 token あたり $1.36／$4.18、AA の表記はクローズド）も板はこの一つだけで、席は与えない。9/28 の Claude Sonnet 5.5（AA 56）、9/29 の GPT-6.1 Sol（AA 52）、9/30 の Gemini 4 Argon（AA 53）は、いまのところ第三者の板は総合知能指数しかない。Sonnet 5.5 が自ら掲げる Terminal-Bench 4.0 の 70.6% と OSWorld 2.1 の 80.1% は自前の評価台によるもので、AA の標準化された実行による Terminal-Bench 4.0 は 64% である。GPT-6.1 Sol が自ら掲げる DeepSWE の成績は公開の資料ファイルにない。Gemini 4 Argon が自ら掲げる DeepSWE v1.1 の 77.9% は長期タスクの首位 Astra の 74.1% を上回るが、9/22 版の公開資料ファイルにはなく、本ページでは採らない。しかも現時点では Google の Fairwind プログラムのセキュリティ防御の協力先にしか開放されていない。9/21 から 9/22 の一群では、Claude Opus 5.5（AA 58）は ARC-AGI-2（High 93.3%）を持つが、二つのコーディングの板にはまだない。Grok 4.7（9/21、46）と MiMo-V2.6-Pro（9/21、46）は依然として総合知能指数しかなく、GPT-6 Luna は ARC-AGI-2（Max 59.3%）の一つだけである。Opus 5.5 が自ら掲げる Terminal-Bench 4.0 の 66.4% も同じく自前の評価台による。本ページは Opus 5.5、Sonnet 5.5、GPT-6.1 Sol を総合知能の欄に、GPT-6.1 Sol をコスパの欄に、MiMo-V2.6-Pro をオープンウェイトの欄に置くが、いずれも確定した結論ではなく参考である。9/20 公開の Step 5 Preview（StepFun）も同じく総合知能（44）だけで重みも未公開であるから、席は与えない。GPT-6 Astra（9/3）は長期エージェント（74.1%、±2.9）、ARC-AGI-2（95.0%）、総合知能（53）を持つが、SWE-bench Verified にはまだ一行がなく、純コーディングの枠では対照するものがない。その ARC-AGI-3 の成績は標準の評価台とベンダーのアダプタとで 37 ポイント違うため、どちらから出た数字かを確かめてから使うこと。Meta の Muse Spark 1.3（9/2）はいまのところ総合知能指数（48）だけで、DeepSWE にも ARC-AGI-2 にも成績がない。Gemini 3.8 Flash（9/2）は今期 ARC-AGI-2（High 89.2%、タスク $0.40）が加わり、長期エージェント（73.8%、±1.4）と総合知能（41）とあわせて三つになったが、SWE-bench Verified にはまだない。Claude Fable 5.1（9/1）は総合知能（53）と ARC-AGI-2（90.0%）を持つが、二つのコーディングの板のいずれにも一行がない。DeepSeek V4.1-Flash（9/10）もいまのところ総合知能指数（今期 39）だけで、長期エージェントにも SWE-bench Verified にも ARC-AGI-2 にもないため、オープンウェイトの欄はパラメータ数と総合知能で載せている。世代交代した Qwen3.8-Max 0902（9/1）も同じく総合知能指数（45）だけであり、ベンダーが自ら掲げるコーディングの数字は自前の評価台によるもので、ここで引く標準化された実行とは比べられない。Zhipu の GLM-5.3 は重みが 8/31 に公開されたばかりで独立の再現が追いついておらず、ARC-AGI-2 にも提出されていない。GLM-5.3-Flash も長期エージェントの一件（63.4%、±4.4）だけである。Astra、Fable 5.1、Opus 5.5、Gemini 3.8 Flash、GPT-6 Luna の ARC-AGI-2 の成績も、長期の板の Gemini 3.7 Flash と DeepSeek V4-Pro の点も、下の図にはまだ描かれていない。いずれについても、大量に投入する前に、あるいはライセンスの条件に賭ける前に、自分で小さく試しておくこと。

どのモデルが合うか迷ったら

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。

コピーした。普段使う AI に貼るだけ ✓