AIベンチマーク
集計基準日 · 出典 Artificial Analysis
言語モデル コーディング・エージェント 画像・動画・音声
Highlights
Artificial Analysis 主要指標知能指数(Intelligence)・タスク所要時間(Time per Task)・タスク単価(Cost per Task)の3大指標を詳しく比較
Intelligence (総合知能指数)
Time per Task (タスク所要時間 (分))
Cost per Task (タスク単価・コスパ)
コーディング・エージェント
Artificial Analysis エージェント評価実コードベース・ターミナルハーネス性能(Coding Agent Index)と、モデル別エージェントベンチマーク4種を詳しく比較
Coding Agent Index (総合エージェント指数)
40ハーネス中 上位10
- 1Claude Code · Fable 5.2 (Xhigh, Default Fallback)Anthropic58.5%
- 2Devin Fusion CLI · Opus 5.5 + GPT-6 LunaCognition58.4%
- 3Claude Code · Opus 5.5Anthropic58.2%
- 4Claude Code · Sonnet 5.5Anthropic56.3%
- 5Antigravity CLI · Gemini 4 CarbonGoogle55.5%
- 6Muse Code · Wonder FullMeta54.5%
- 7Codex · GPT-6.2 AstraOpenAI53.5%
- 8Codex · GPT-6 AstraOpenAI53.1%
- 9Claude Code · Fable 5.1Anthropic52.5%
- 10Antigravity CLI · Gemini 4 HydrogenGoogle52.3%
Execution Time (タスク実行時間 · 低いほど良い)
40ハーネス中 上位10
- 1Codex · GPT-6.2 SolOpenAI7.2m
- 2Codex · GPT-6.2 AstraOpenAI7.8m
- 3Claude Code · Fable 5.2 (Low, Default Fallback)Anthropic13.4m
- 4Muse Code · EmberMeta19.9m
- 5Codex · GPT-6.1 SolOpenAI21.9m
- 6Codex · GPT-6 LunaOpenAI23.5m
- 7Muse Code · Spark 1.3Meta24.4m
- 8Codex · GPT-6 AstraOpenAI26.0m
- 9Muse Code · WonderMeta27.2m
- 10Codex · GPT-6.1 TerraOpenAI28.1m
Cost per Task (タスク単価 · 低いほど良い)
39ハーネス中 上位10
- 1Codex · GPT-6 LunaOpenAI$0.19
- 2Muse Code · EmberMeta$0.22
- 3Mirror · Beam 1.0Reflection$0.31
- 4DeepSeek Harness · V4.1 Flash 1017DeepSeek$0.32
- 5Codex · GPT-6.2 SolOpenAI$0.33
- 6Codex · GPT-6.2 AstraOpenAI$0.70
- 7Mistral Vibe · Large 4Mistral$1.02
- 8Codex · GPT-6.1 SolOpenAI$1.51
- 9Codex · GPT-6.1 TerraOpenAI$1.53
- 10Claude Code · Haiku 5.5Anthropic$2.25
FrontierCode (実践ソフトウェア開発)
41リリース中 上位10
- 1Claude Fable 5.2 (medium)Anthropic64.0%
- 2Claude Opus 5.5 (medium)Anthropic57.1%
- 3GPT-6.1 Sol (max)OpenAI49.1%
- 4Claude Fable 5.1 (max)Anthropic49.0%
- 5Kimi K3.1 ProKimi47.1%
- 6GPT-6 Astra (max)OpenAI47.0%
- 7Muse Wonder (max)Meta46.5%
- 8Claude Sonnet 5.5 (xhigh)Anthropic46.1%
- 9Claude Haiku 5.5 (xhigh)Anthropic45.5%
- 10MiMo-V2.6-ProXiaomi45.4%
Terminal-Bench v4 (ターミナル自律操作)
101リリース中 上位10
- 1Kimi K3.1 ProKimi67.2%
- 2Gemini 4 Carbon (high)Google65.2%
- 3GPT-6.2 Astra (xhigh)OpenAI64.1%
- 4Claude Sonnet 5.5 (max)Anthropic63.6%
- 5Gemini 4 Neon (xhigh)Google63.6%
- 6Claude Fable 5.2 (xhigh)Anthropic61.6%
- 7GPT-6.2 Sol (max)OpenAI60.1%
- 8GPT-6 Astra (xhigh)OpenAI59.6%
- 9Claude Opus 5.5 (max)Anthropic59.6%
- 10Gemini 4 Argon (high)Google57.1%
AutomationBench-AA (SaaS業務ワークフロー)
174リリース中 上位10
- 1Gemini 4 Neon (xhigh)Google79.3%
- 2Gemini 4 Carbon (high)Google77.8%
- 3Gemini 4 Argon (high)Google77.5%
- 4GPT-6.2 Astra (max)OpenAI77.2%
- 5Claude Fable 5.2 (max)Anthropic76.4%
- 6Gemini 4 Hydrogen (xhigh)Google76.1%
- 7Kimi K3.1 ProKimi73.3%
- 8Qwen4 MaxAlibaba72.6%
- 9MiniMax-M3.1-FlashMiniMax72.5%
- 10Claude Sonnet 5.5 (max)Anthropic71.8%
GDPval-AA (実務知識労働 Elo)
187リリース中 上位10
- 1Claude Opus 5.5 (max)Anthropic1866
- 2Kimi K3.1 ProKimi1861
- 3Muse Wonder Full (max)Meta1857
- 4Claude Sonnet 5.5 (max)Anthropic1838
- 5Claude Fable 5.2 (max)Anthropic1831
- 6Qwen4 MaxAlibaba1809
- 7Muse Wonder (max)Meta1770
- 8Claude Fable 5.1 (max)Anthropic1765
- 9DeepSeek V4.1 Flash 1017 (max)DeepSeek1746
- 10Gemini 4 Carbon (high)Google1733
画像・動画・音声
Artificial Analysis Arena人間のブラインド選好投票(Arena Elo)と音声認識の誤り率(WER)による分野別の上位モデル
画像 (Arena Elo)
115モデル中 上位10
- 1GPT Image 2.6 SunburstOpenAI1261
- 2GPT Image 2.5 SunburstOpenAI1229
- 3GPT Image 2.6 FlareOpenAI1227
- 4MAI-Image-2.7Microsoft AI1214
- 5GPT Image 2.5 FlareOpenAI1210
- 6GPT Image 2OpenAI1192
- 7Kling Image 4.0KlingAI1180
- 8Nano Banana 2.1Google1176
- 9MAI-Image-2.6Microsoft AI1168
- 10Grok Imagine Image 2.0SpaceXAI1167
動画 (Arena Elo)
34モデル中 上位10
- 1Wan 3.0Alibaba1174
- 2Utopai XUtopai Studios1168
- 3MiniMax H3MiniMax1159
- 4Dreamina Seedance 2.5ByteDance Seed1156
- 5Hyperflow H3Video Rebirth1154
- 6FLUX 3 MaxFal1152
- 7Gemini Omni Flash 1.2Google1151
- 8HeyGen Video 1HeyGen1149
- 9MiniMax H3 MaxFal1143
- 10FLUX 3Black Forest Labs1136
音声 (Arena Elo)
101モデル中 上位10
- 1Eleven v4 TurboElevenLabs1341
- 2Eleven v4ElevenLabs1341
- 3Qwen-Audio-3.1-TTS-PlusAlibaba1299
- 4Sonic 3.6Cartesia1295
- 5Simba 3.5SpeechifyAI1293
- 6Gemini 3.8 Flash TTSGoogle1283
- 7Fish Audio Drama 3Fish Audio1279
- 8Lightning V3.1 ProSmallest.ai1278
- 9Realtime TTS-2Inworld1270
- 10Gemini 3.8 Flash-Lite TTSGoogle1262
AIベンチマーク指標の読み方と実務モデル選定ガイド
単一のスコアだけでは、本番環境における応答遅延、推論トークンによるコスト増、ツール呼び出しの安定性は判断できません。本ページではArtificial Analysisの独立計測データに基づき、言語モデル(LLM)、コーディング・業務エージェント、画像・動画・音声モデルを同一基準で比較できます。
4つの主要評価軸の解説
総合知能指数(Intelligence Index)
数学・科学推論・論理思考・コード生成・指示追従を統合した総合スコアです。データ汚染対策済みの高難度課題を含み、モデルの実質的な問題解決上限を示します。
タスク所要時間とタスク単価(Time & Cost per Task)
秒間トークン数や100万トークン単価だけでは、推論モデルが内部思考で消費する大量のトークンが見えません。全課題を完了するまでの総時間(分)と総費用(USD)で実効効率を比較します。
コーディングハーネス&実務エージェント評価
実際のターミナルやリポジトリ操作環境と組み合わせた完遂率(FrontierCode・Terminal-Bench・AutomationBench・GDPval-AA)と95%信頼区間を併せて確認できます。
ブラインドArena Eloと音声認識誤り率(AA-WER)
画像・動画生成や音声合成(TTS)はモデル名を伏せた人間投票によるArena Elo(高いほど優秀)、音声認識(STT)は単語誤り率WER(低いほど優秀)で評価されます。
用途別のモデル選定基準
| 活用シナリオ | 重視すべき指標 | 選定のポイント |
|---|---|---|
| 複雑な設計・大規模リファクタリング・深層調査 | 総合知能指数・FrontierCode・Terminal-Bench | 多少時間がかかっても推論強度が高い上位モデルと実績あるハーネスを選ぶことで手戻りを最小化できます。 |
| リアルタイム対話・検索要約・UI組み込み | タスク所要時間(分)・低レイテンシ | 過剰な内部推論トークンを使わない高速モデルを選び、体感応答速度と同時処理性能を確保するのが有効です。 |
| 大量文書の分類・翻訳・データ抽出バッチ処理 | タスク単価(USD)・品質閾値 | 必要な精度を満たすモデル群の中から、タスク単価が最も低い軽量APIまたはオープンウェイトモデルを選定します。 |
| クリエイティブ制作・動画プロトタイプ・多言語音声 | 分野別Arena Elo(T2I / 編集 / I2V / TTS) | 新規生成(T2I)と既存素材の編集(Edit)では得意なモデルが異なるため、工程ごとに最適なモデルを使い分けます。 |
よくある質問(ベンチマーク基準)
出力速度(tok/s)が速いのにタスク所要時間が長いモデルがあるのはなぜですか?
推論特化モデルは最終回答の前に大量の内部思考トークンを生成するためです。秒間速度が速くても生成トークン総数が数倍になると、完了までの実時間とコストは増加します。
ストライプ表示のプレビュー(Preview)モデルとは何ですか?
一般提供(GA)前の初期エンドポイントまたは発表時点の計測値であり、正式な料金や提供速度が確定していない状態を示します。本番導入時はGA計測値が揃ったモデルを推奨します。
エージェント評価の95%信頼区間はどのように解釈すればよいですか?
実践的なシェル・開発タスクには実行ごとの揺らぎがあります。信頼区間が重なるモデル同士は実質同等の性能とみなし、コストや速度で比較するのが合理的です。