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)

Updated
1
Fable 5.2
Anthropic
65
2
Astra 6.2
OpenAI
62
3
Gemini 4 Neon
Google
61
4
Opus 5.5
Anthropic
59
5
Sol 6.2
OpenAI
57
6
Muse Wonder Full
Meta
50
7
Kimi K3.1 Pro
Kimi
46
8
Muse Wonder
Meta
44
9
Qwen4 Max
Alibaba
43
10
Grok 4.7
SpaceXAI
35
11
DeepSeek V4.1 Flash 1017
DeepSeek
33
12
GLM-5.3
Z AI
32

Time per Task (タスク所要時間 (分))

Updated
1
Sol 6.2
OpenAI
8.5m
2
DeepSeek V4.1 Flash 1017
DeepSeek
13.5m
3
Muse Wonder
Meta
13.7m
4
Astra 6.2
OpenAI
13.7m
5
Gemini 3.8 Flash
Google
14.2m
6
Gemini 4 Neon
Google
21.5m
7
GLM-5.3
Z AI
23.1m
8
Opus 5.5
Anthropic
24.6m
9
Grok 4.7
SpaceXAI
24.9m
10
Qwen4 Max
Alibaba
31.3m
11
Kimi K3.1 Pro
Kimi
39.3m
12
Fable 5.2
Anthropic
41.2m

Cost per Task (タスク単価・コスパ)

Updated
1
DeepSeek V4.1 Flash 1017
DeepSeek
$0.60
2
Sol 6.2
OpenAI
$1.01
3
Qwen4 Max
Alibaba
$3.27
4
Kimi K3.1 Pro
Kimi
$3.68
5
Astra 6.2
OpenAI
$4.00
6
GLM-5.3
Z AI
$5.01
7
Gemini 4 Neon
Google
$6.44
8
Muse Wonder
Meta
$6.95
9
Gemini 3.8 Flash
Google
$7.77
10
Grok 4.7
SpaceXAI
$7.77
11
Opus 5.5
Anthropic
$10.04
12
Fable 5.2
Anthropic
$26.54

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

コーディングエージェント FrontierCode v1.1・SWE-Atlas-QnA・Terminal-Bench v4 総合

Coding Agent Index (総合エージェント指数)

Updated

40ハーネス中 上位10

  1. 1
    Claude Code · Fable 5.2 (Xhigh, Default Fallback)
    Anthropic
    58.5%
  2. 2
    Devin Fusion CLI · Opus 5.5 + GPT-6 Luna
    Cognition
    58.4%
  3. 3
    Claude Code · Opus 5.5
    Anthropic
    58.2%
  4. 4
    Claude Code · Sonnet 5.5
    Anthropic
    56.3%
  5. 5
    Antigravity CLI · Gemini 4 Carbon
    Google
    55.5%
  6. 6
    Muse Code · Wonder Full
    Meta
    54.5%
  7. 7
    Codex · GPT-6.2 Astra
    OpenAI
    53.5%
  8. 8
    Codex · GPT-6 Astra
    OpenAI
    53.1%
  9. 9
    Claude Code · Fable 5.1
    Anthropic
    52.5%
  10. 10
    Antigravity CLI · Gemini 4 Hydrogen
    Google
    52.3%

Execution Time (タスク実行時間 · 低いほど良い)

Updated

40ハーネス中 上位10

  1. 1
    Codex · GPT-6.2 Sol
    OpenAI
    7.2m
  2. 2
    Codex · GPT-6.2 Astra
    OpenAI
    7.8m
  3. 3
    Claude Code · Fable 5.2 (Low, Default Fallback)
    Anthropic
    13.4m
  4. 4
    Muse Code · Ember
    Meta
    19.9m
  5. 5
    Codex · GPT-6.1 Sol
    OpenAI
    21.9m
  6. 6
    Codex · GPT-6 Luna
    OpenAI
    23.5m
  7. 7
    Muse Code · Spark 1.3
    Meta
    24.4m
  8. 8
    Codex · GPT-6 Astra
    OpenAI
    26.0m
  9. 9
    Muse Code · Wonder
    Meta
    27.2m
  10. 10
    Codex · GPT-6.1 Terra
    OpenAI
    28.1m

Cost per Task (タスク単価 · 低いほど良い)

39ハーネス中 上位10

  1. 1
    Codex · GPT-6 Luna
    OpenAI
    $0.19
  2. 2
    Muse Code · Ember
    Meta
    $0.22
  3. 3
    Mirror · Beam 1.0
    Reflection
    $0.31
  4. 4
    DeepSeek Harness · V4.1 Flash 1017
    DeepSeek
    $0.32
  5. 5
    Codex · GPT-6.2 Sol
    OpenAI
    $0.33
  6. 6
    Codex · GPT-6.2 Astra
    OpenAI
    $0.70
  7. 7
    Mistral Vibe · Large 4
    Mistral
    $1.02
  8. 8
    Codex · GPT-6.1 Sol
    OpenAI
    $1.51
  9. 9
    Codex · GPT-6.1 Terra
    OpenAI
    $1.53
  10. 10
    Claude Code · Haiku 5.5
    Anthropic
    $2.25
モデル別エージェント評価 リリースごとの最高スコア代表バリアント基準・上位10モデル

FrontierCode (実践ソフトウェア開発)

Updated

41リリース中 上位10

  1. 1
    Claude Fable 5.2 (medium)
    Anthropic
    64.0%
  2. 2
    Claude Opus 5.5 (medium)
    Anthropic
    57.1%
  3. 3
    GPT-6.1 Sol (max)
    OpenAI
    49.1%
  4. 4
    Claude Fable 5.1 (max)
    Anthropic
    49.0%
  5. 5
    Kimi K3.1 Pro
    Kimi
    47.1%
  6. 6
    GPT-6 Astra (max)
    OpenAI
    47.0%
  7. 7
    Muse Wonder (max)
    Meta
    46.5%
  8. 8
    Claude Sonnet 5.5 (xhigh)
    Anthropic
    46.1%
  9. 9
    Claude Haiku 5.5 (xhigh)
    Anthropic
    45.5%
  10. 10
    MiMo-V2.6-Pro
    Xiaomi
    45.4%

Terminal-Bench v4 (ターミナル自律操作)

Updated

101リリース中 上位10

  1. 1
    Kimi K3.1 Pro
    Kimi
    67.2%
  2. 2
    Gemini 4 Carbon (high)
    Google
    65.2%
  3. 3
    GPT-6.2 Astra (xhigh)
    OpenAI
    64.1%
  4. 4
    Claude Sonnet 5.5 (max)
    Anthropic
    63.6%
  5. 5
    Gemini 4 Neon (xhigh)
    Google
    63.6%
  6. 6
    Claude Fable 5.2 (xhigh)
    Anthropic
    61.6%
  7. 7
    GPT-6.2 Sol (max)
    OpenAI
    60.1%
  8. 8
    GPT-6 Astra (xhigh)
    OpenAI
    59.6%
  9. 9
    Claude Opus 5.5 (max)
    Anthropic
    59.6%
  10. 10
    Gemini 4 Argon (high)
    Google
    57.1%

AutomationBench-AA (SaaS業務ワークフロー)

Updated

174リリース中 上位10

  1. 1
    Gemini 4 Neon (xhigh)
    Google
    79.3%
  2. 2
    Gemini 4 Carbon (high)
    Google
    77.8%
  3. 3
    Gemini 4 Argon (high)
    Google
    77.5%
  4. 4
    GPT-6.2 Astra (max)
    OpenAI
    77.2%
  5. 5
    Claude Fable 5.2 (max)
    Anthropic
    76.4%
  6. 6
    Gemini 4 Hydrogen (xhigh)
    Google
    76.1%
  7. 7
    Kimi K3.1 Pro
    Kimi
    73.3%
  8. 8
    Qwen4 Max
    Alibaba
    72.6%
  9. 9
    MiniMax-M3.1-Flash
    MiniMax
    72.5%
  10. 10
    Claude Sonnet 5.5 (max)
    Anthropic
    71.8%

GDPval-AA (実務知識労働 Elo)

Updated

187リリース中 上位10

  1. 1
    Claude Opus 5.5 (max)
    Anthropic
    1866
  2. 2
    Kimi K3.1 Pro
    Kimi
    1861
  3. 3
    Muse Wonder Full (max)
    Meta
    1857
  4. 4
    Claude Sonnet 5.5 (max)
    Anthropic
    1838
  5. 5
    Claude Fable 5.2 (max)
    Anthropic
    1831
  6. 6
    Qwen4 Max
    Alibaba
    1809
  7. 7
    Muse Wonder (max)
    Meta
    1770
  8. 8
    Claude Fable 5.1 (max)
    Anthropic
    1765
  9. 9
    DeepSeek V4.1 Flash 1017 (max)
    DeepSeek
    1746
  10. 10
    Gemini 4 Carbon (high)
    Google
    1733

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

  1. 1
    GPT Image 2.6 Sunburst
    OpenAI
    1261
  2. 2
    GPT Image 2.5 Sunburst
    OpenAI
    1229
  3. 3
    GPT Image 2.6 Flare
    OpenAI
    1227
  4. 4
    MAI-Image-2.7
    Microsoft AI
    1214
  5. 5
    GPT Image 2.5 Flare
    OpenAI
    1210
  6. 6
    GPT Image 2
    OpenAI
    1192
  7. 7
    Kling Image 4.0
    KlingAI
    1180
  8. 8
    Nano Banana 2.1
    Google
    1176
  9. 9
    MAI-Image-2.6
    Microsoft AI
    1168
  10. 10
    Grok Imagine Image 2.0
    SpaceXAI
    1167

動画 (Arena Elo)

34モデル中 上位10

  1. 1
    Wan 3.0
    Alibaba
    1174
  2. 2
    Utopai X
    Utopai Studios
    1168
  3. 3
    MiniMax H3
    MiniMax
    1159
  4. 4
    Dreamina Seedance 2.5
    ByteDance Seed
    1156
  5. 5
    Hyperflow H3
    Video Rebirth
    1154
  6. 6
    FLUX 3 Max
    Fal
    1152
  7. 7
    Gemini Omni Flash 1.2
    Google
    1151
  8. 8
    HeyGen Video 1
    HeyGen
    1149
  9. 9
    MiniMax H3 Max
    Fal
    1143
  10. 10
    FLUX 3
    Black Forest Labs
    1136

音声 (Arena Elo)

101モデル中 上位10

  1. 1
    Eleven v4 Turbo
    ElevenLabs
    1341
  2. 2
    Eleven v4
    ElevenLabs
    1341
  3. 3
    Qwen-Audio-3.1-TTS-Plus
    Alibaba
    1299
  4. 4
    Sonic 3.6
    Cartesia
    1295
  5. 5
    Simba 3.5
    SpeechifyAI
    1293
  6. 6
    Gemini 3.8 Flash TTS
    Google
    1283
  7. 7
    Fish Audio Drama 3
    Fish Audio
    1279
  8. 8
    Lightning V3.1 Pro
    Smallest.ai
    1278
  9. 9
    Realtime TTS-2
    Inworld
    1270
  10. 10
    Gemini 3.8 Flash-Lite TTS
    Google
    1262
評価手法・指標ガイド

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

LLM・推論

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。

速度・コスト

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。

エージェント

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。

マルチモーダル

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。