言語モデルと推論モデル

確認すべきポイント

選択肢を分けるポイントを、重要な順に並べています。

1. 01

   見出しの順位ではなく、自分のタスクのベンチマーク

   トップにいるモデルが異なるので、まずチャットの品質、コーディング、エージェントの作業、安価な大量処理のどれが必要かを決めましょう。ブラインドのチャット投票で首位のモデルが、長いエージェントの実行では後れを取ることもあり、その逆もあります。下の各リーダーボードでは、自分のワークロードに合う列を読み、「最良のモデル」という単独の主張はマーケティングとして扱ってください。

2. 02

   Artificial Analysis Intelligence Index：払うつもりの労力設定で比べる

   バージョン4.3は、Artificial Analysisが1つのハーネスのもとで自ら実行する10の評価の加重平均です。エージェント30%、コーディング20%、一般知識30%、科学的推論20%で、うち4つは非公開のテストセットです。独立した単一の数字としては最良ですが、同じモデルが異なる労力設定（max、xhigh、high）で何度も登場し、最上位のエントリーは通常最も高価なものです。スコアの横にあるCost per Task、Median Tokens/s、First Chunkの列を読みましょう。2ポイントの差が2倍の請求額に見合うことはまれです。

3. 03

   Arena（旧LMArena）：誤差の幅付きの選好投票

   2026年1月からarena.aiにあるArenaは、ユーザーによるブラインドの横並び投票でモデルを順位づけています。長さとMarkdownを割り引くスタイル制御が、2025年5月から既定になっています。95%信頼区間と順位の幅を見てください。区間が重なるモデルは、位置にかかわらず統計的に同点です。カテゴリのタブ（coding、hard prompts、long queries、WebDev）を使い、これが測っているのはチャット画面で人々が好むものであり、エージェントが40ステップのタスクをやり遂げるかどうかではないことを覚えておきましょう。

4. 04

   コーディングのスコア：SWE-bench Verifiedはもはやきれいな指標ではない

   OpenAIは2026年2月、汚染を理由にSWE-bench Verifiedの報告をやめました。モデルが学習中に問題を見ており、失敗の監査では、その多くが欠陥のあるテストによるものでした。2026年7月には、公開タスクの約30%が壊れていることを見つけ、SWE-bench Proの推奨も取り下げました。ベンダーのSWE-benchの数字は弱い証拠として扱い、どのエージェントの足場が使われたかを確認し、Artificial Analysisのインデックス内のTerminal-Bench 4.0、DeepSWE、自分のリポジトリでの評価など、より新しいテストや独立して実行されたテストを重視しましょう。

5. 05

   エージェントとツール呼び出し：tau-benchのpass^kを読み、自分のツールでテストする

   Sierraのtau-benchは現在第3版（τ³-bench、taubench.com）で、シミュレートしたユーザーに対してツールを使うカスタマーサービスのエージェントをシミュレートします。役に立つ列はpass^kで、k回の実行のすべてで解けたタスクの割合です。たまたま1回成功したかではなく、一貫性を測ります。kが大きくなると順位が変わるので、pass^1で勝つモデルがpass^4では負けることがあります。元のtau-benchとτ³のスコアは比較できません。実用上の制限も確認しましょう。ツールに特定のAPIが必要なモデルもあり（GPT-6.1 SolにはOpenAIのResponses APIが必要）、厳密なJSONスキーマの出力はプロバイダーによって異なります。

6. 06

   ベンダーの発表時の表と独立した実行

   発表時の表はベンダーが実行したもので、設定もベンダーが選び、比較相手もベンダーが選んでいます。独立した実行は食い違うことがよくあります。2026年10月のHumanity's Last Examでは、最高スコアはScaleの資料持ち込み不可のボードで約54%、ツールを認めるボードで約65%と幅がありました。2つの数字を比べる前に、誰がテストを実行したか、ツールが認められていたか、どの労力設定が使われたか、テストセットが公開されているか（したがって学習データに含まれている可能性があるか）を確認してください。

7. 07

   実際の価格：出力トークン、キャッシュ、期限付きの割引

   100万入力・出力トークンあたりの定価は出発点であり、請求額ではありません。推論モデルは考えるのに出力トークンを使うので、長く考える安いモデルのほうがタスクあたりでは高くつくことがあります。プロンプトキャッシュは、エージェントや長いシステムプロンプトの計算を変えます。Claude Opus 5.5は、キャッシュされた入力が100万あたり$0.20、キャッシュされていない入力が$4です。長いプロンプトの追加料金（OpenAIは272Kトークン超）、50%のバッチ割引、終了する導入価格（Gemini 4 Argonは2026年12月1日に2倍になります）に注意しましょう。

8. 08

   コンテキストウィンドウ、速度、ライセンス

   1Mトークンのウィンドウは、モデルがそれをどれだけうまく使えるかについて何も語りません。AA-LCRのような長いコンテキストのテストと、長い生成の上限となる出力トークンの制限を見てください。対話型のアプリでは、ベンチマークの1ポイントよりも、Artificial Analysisの最初のトークンまでの時間と毎秒のトークン数のほうが重要で、オープンモデルではそれはホスト次第です。オープンウェイトでは、ライセンスを読んでください。Apache 2.0とMITは制限がありませんが、Kimi K3とGLM-5.3の改変版MITライセンスは、非常に大規模なAPIホストに条件を加えています。ハードウェアも確認しましょう。gpt-oss-120bは80GBのGPU 1基に収まりますが、DeepSeek-V4-Proにはクラスターが必要です。

15 個のツールを比較

当サイトの評価順です。各レビューで出典、料金、評価の詳細を確認できます。

言語モデルと推論モデルのツール比較

ツール	評価	当サイトの評価	向いている用途	料金
Claude Opus 5.5モデル	4.7/5	Anthropicの新しい標準モデルは、その肩書きにふさわしい実力です。Artificial Analysisの独立したインデックスで首位に立ち、置き換え対象のOpusよりトークンあたり5分の1安くなっています。	長いコーディングエージェント、コード監査、文書の多い調査を行い、呼び出しごとのコストよりタスクを完了させることが重要なチーム。	API：入力1Mトークンあたり$4、出力1Mあたり$20。キャッシュ読み取りは$0.20、5分間のキャッシュ書き込みは$5。Batch APIは50%引き。高速モードは$8/$40。米国内限定の推論は1.1倍。
Claude Sonnet 5.5モデル	4.6/5	Anthropicの知的作業のテストでOpus 5.5との差は2ポイント以内で、価格は半分です。これでOpusは標準ではなく、意図して選ぶアップグレードになりました。	コーディングエージェント、サポートの自動化、文書作業を大量にこなし、Opusに近い品質を半分のトークン単価で求めるチーム。	API：入力1Mトークンあたり$2、出力1Mトークンあたり$10。キャッシュ読み取りは$0.10。Batch APIは50%引き。
GPT-6.1 Solモデル	4.6/5	多くのOpenAIの顧客にとって重要なフラッグシップはこれです。Artificial Analysisの指数でAstraに1ポイント差で、トークン単価は5分の1です。	OpenAI上でエージェントや業務ワークフローを作り、中位のコストでAstraに近い結果を求め、出力の遅さを許容できるチームに向いています。	API：入力100万トークンあたり$2、出力100万トークンあたり$10。キャッシュ入力$0.10。Batch/Flexは半額。入力272Kトークンを超えるプロンプトは、リクエスト全体で入力2倍、出力1.5倍の料金になります。
Gemini 4 Argonモデル	4.5/5	GoogleはArgonで最先端に戻りました。ネイティブの動画・音声入力は、ClaudeとGPTのフラッグシップがいまだに及ばない点です。	動画、音声、非常に大きな文書群を扱い、トップクラスの推論モデルを求めるチームに向いています。	API：2026年11月30日まで100万トークンあたり入力$2 / 出力$10、その後は$4 / $20。BatchとFlexは半額。キャッシュ入力は$0.10（その後$0.20）。無料枠はありません。
Qwen3.8-27Bモデル	4.5/5	Apacheライセンスの27Bモデルで、Alibaba自身の数値ではコーディングでClaude Opus 4.6 Maxをわずかに上回り、4ビットなら24 GBのカード1枚に収まります。	ハイエンドのGPU 1枚に収まる、寛容なライセンスで最も強力なモデルを求める開発者、特にコーディングやコンピューター操作のエージェント向け。	重みはApache 2.0で無料です。Qwen Cloud：100万トークンあたり入力$0.50 / 出力$3.00（キャッシュは$0.10）。OpenRouterのサードパーティのホストは約$0.04 / $1.25からです。
GLM-5.3モデル	4.4/5	クローズドな最先端モデルに数ポイント差まで迫るオープンウェイトのコーディングモデルで、ライセンスを読み返す必要がある人はほとんどいません。	ライセンスの制限が最小限で、高性能なオープンのコーディング・エージェント向けモデルを求める開発者や企業に向いています。	オープンウェイトは修正版MITライセンス。Z.ai API：100万トークンあたり入力$1.40 / キャッシュ$0.26 / 出力$4.40。GLM-5.3-Flashは$0.15 / $0.50。
Gemma 4モデル	4.4/5	ライセンスがようやく品質に見合ったことで、Gemma 4は32Bパラメータ未満のオープンモデルの標準になりました。	寛容なライセンスとマルチモーダル入力を求め、デバイス上、ローカル、またはGPU 1基で動くアプリを作る開発者に向いています。	重みはApache 2.0で無料です。Google Cloudやサードパーティでホストされており、OpenRouterでは100万トークンあたり31Bが$0.20/$0.40、26B A4Bが約$0.08/$0.26です。
DeepSeek-V4-Proモデル	4.3/5	DeepSeek-V4-Proは、MITライセンスの最先端級の推論モデルで、トークン単価はOpus 5.5の約4分の1です。ただし、データを中国に送れるか、H200のラックを所有していることが条件です。	自社のGPU 8枚のサーバー上で、または機密性のない作業向けに非常に安価なAPIで、コーディングと推論に最先端級のオープンウェイトを使いたいチーム。	重みはMITライセンスで無料。DeepSeek API：オフピークは100万トークンあたり入力$0.66 / 出力$1.98、ピーク時は$1.32 / $3.96。キャッシュヒットは$0.022からです。
Kimi K3モデル	4.3/5	Kimi K3はMoonshot自身のエージェント評価表で首位ですが、Artificial Analysisのタスク1件あたり$2で、指数がわずか2ポイント高いだけなのにGLM-5.3-Flashの7倍の費用がかかります。	ブラウジングやリサーチのエージェントを作り、オープンウェイトを求め、セルフホストするかフロンティア並みのAPI料金を払えるチーム。	修正版MITライセンスのオープンウェイトです。Kimi API：1Mトークンあたり入力$3 / 出力$15、キャッシュ済み入力は$0.30です。
GPT-6 Astraモデル	4.2/5	数学と科学で記録を打ち立てたモデルですが、タスクあたりのコストは、1ポイント低いだけの兄弟モデルの4.5倍です。	OpenAIが提供する最も強い推論を必要とし、その価格を正当化できるリサーチ、数学、科学のチームに向いています。	API：入力100万トークンあたり$10、出力$50。キャッシュ入力$1。Batch/Flexは半額。入力272Kトークンを超えるプロンプトは入力2倍、出力1.5倍です。
DeepSeek-V4.1-Flashモデル	4.2/5	100万入力トークンあたり$0.15で最先端に近いコーディングエージェントのスコアが得られます。ただし、中国でのデータ処理を受け入れるか、763Bパラメータのチェックポイントを自分でホストできることが条件です。	中国でホストされるAPIかサードパーティのホストを使えるか、オープンウェイト用のマルチGPUサーバーを持ち、コストを重視してコーディングや自動化のエージェントを運用するチーム。	重みはMITライセンスで無料。DeepSeek API：オフピークは100万トークンあたり入力$0.15 / 出力$0.60、平日のピーク時は$0.30 / $1.20。キャッシュヒットは$0.003から$0.006です。
Gemini 3.8 Flashモデル	4.1/5	入力の幅広さと無料枠でGemini 3.8 Flashは今も役に立ちます。ただし今では、より高いスコアのライバルよりタスクあたりのコストがかさみ、価格は1月に2倍になります。	Googleのエコシステム内で音声、動画、長いPDFを処理し、最初の応答の遅さを許容できるチームに向いています。	API：2026年12月31日まで100万トークンあたり入力$0.75 / 出力$3.75、その後は$1.50 / $7.50。BatchとFlexは半額。制限つきの無料枠があります。
gpt-oss-120bモデル	4.0/5	公開から14か月が経ち、gpt-oss-120bはもはや最強のオープンモデルではありません。それでも、80GBのGPU 1枚で推論を動かすうえで、最も明快なライセンスと最も幅広いサポートを備えています。	成熟したツールが揃い、GPU 1枚で非公開に動かせる、寛容なライセンスの推論モデルを必要とするチーム。	重みはApache 2.0で無料。ホスト型の料金はプロバイダーによって異なります。
MiniMax-M3.1-Flashモデル	4.0/5	1タスクあたり1セントにも満たない費用で、オープンウェイトのランキングの上位に近い性能です。ただし、出力はすべて確認してから使う必要があります。	大量のエージェント処理や自動化、長いマルチモーダル入力を扱い、出力を検証でき、MiniMaxのライセンス条件を受け入れられるチームに向いています。	MiniMaxコミュニティライセンスのもとでのオープンウェイトです。MiniMax APIは100万トークンあたり、プロンプトの長さにかかわらず一律で入力$0.15、出力$0.60、キャッシュ済み入力$0.015です。
Beamモデル	3.8/5	Beamは、本当にオープンなライセンスを持つ米国製オープンモデルとしては最強で、トークンの節約ぶりも本物ですが、比較対象とされる中国のオープンモデルには今もスコアで大きく水をあけられています。	米国の研究所によるApache 2.0の大型推論モデルを求めるチーム、特に小さなモデルへの蒸留や、出力トークンが請求の大半を占めるコスト重視のエージェントの運用に。	重みはApache 2.0で無料です。Reflection APIはパブリックベータ中で、1日の上限付きで無料です。ホスト版：Together AIとBasetenは100万トークンあたり入力$0.40 / キャッシュ$0.04 / 出力$1.20、OpenRouterは$0.24 / $0.98からです。

仕様の比較

このステップで重要な仕様です。2026年10月23日に確認しました。導入前に提供元のサイトで確認してください。

一対一の比較とランキング

• DeepSeek-V4.1-Flash vs MiniMax-M3.1-Flash
• 大規模言語モデル（LLM）のおすすめ
• AI推論モデルのおすすめ
• 小型・オンデバイスAIモデルのおすすめ

このステージが使われる場面

• 文書とのチャット：まず Claude Sonnet 5.5 から始めます。
• カスタマーサポートエージェント：まず Claude Haiku 5.5 から始めます。
• コーディングエージェント：まず Claude Opus 5.5, GLM-5.3 から始めます。
• リサーチとナレッジグラフ：まず Gemini 4 Argon から始めます。
• 長期記憶を持つアシスタント：まず GPT-6.1 Sol から始めます。
• 画像生成パイプライン：まず Gemini 3.8 Flash から始めます。
• 動画制作：まず Gemini 3.8 Flash から始めます。
• 音声エージェント：まず Gemini 3.8 Flash から始めます。
• プライベートなオンデバイスAI：まず Gemma 4, Qwen3.8-27B から始めます。
• 文書処理：まず GPT-6 Luna から始めます。
• 自社専用のファインチューニング済みモデル：まず Qwen3.8-27B から始めます。
• ワークフロー自動化：まず Claude Haiku 5.5 から始めます。

このガイドの出典

• Artificial Analysis: Intelligence Index methodology
• Artificial Analysis: model leaderboard
• Arena leaderboard (formerly LMArena)
• Arena: LMArena is now Arena (28 January 2026)
• Arena leaderboard dataset notes on style control
• OpenAI: Why we no longer evaluate SWE-bench Verified
• OpenAI: Separating signal from noise in coding evaluations (SWE-bench Pro audit, July 2026)
• SWE-bench leaderboards
• Sierra tau-bench repository (τ³-bench)
• Artificial Analysis: Humanity's Last Exam results
• Z.ai: GLM-5.3 overview