ユースケースごとに最適なモデルはどのように選んでいますか？

各カードは、その用途に最も合う1つのベンチマークでモデルをランク付けします。コーディングエージェントにはDeepSWE、ターミナルやエージェントのタスクにはTerminal-Bench 4.0、高度な推論にはHumanity's Last Exam、総合的な品質、オープンウェイトモデル、FlowHuntのモデルにはArtificial Analysis Intelligence Indexを使います。DeepSWEのスコアを持つモデルが3つに満たない場合、コーディングのカードはSWE-bench Proに切り替わり、その旨を表示します。

検証済みと自己申告は何を意味しますか？

検証済みのスコアは、Artificial Analysis、ARC Prize Foundation、DeepSWEリーダーボードなどの独立した評価者が、すべてのモデルに1つの固定された設定で測定したものです。自己申告のスコアは、モデルの提供元がモデルカードやローンチブログで公表したものです。ランキングの対象になるのは検証済みのスコアのみです。自己申告のスコアは表示とマークはしますが、順位付けには使いません。両方がある場合は、モデルページに両方を表示します。

同じモデルでも、1つのベンチマークで2つの異なるスコアが出るのはなぜですか？

各ラボは、自社モデルを独自の設定でテストすることがよくあります。異なるエージェントハーネス、より長い思考時間、より大きなトークンバジェットなどです。独立した評価者はすべてのモデルに1つの固定された設定を使うため、その数値は比較しやすく、多くの場合は低めになります。当サイトでは独立した数値でランク付けし、ラボの数値はモデルページに残しています。

Artificial Analysis Intelligence Indexとは何ですか？

Artificial Analysisが提供する独立した総合スコアで、エージェント、コーディング、知識、科学のテストを1つの数値にまとめたものです。当サイトではインデックスのバージョン4を使用しています。そのスコアは以前のバージョンと比較できないため、他の場所で目にした古い数値はより高く見えるでしょう。

DeepSWEとは何ですか？

DeepSWEは、ゼロから書き下ろされた113件の長いソフトウェアタスクのセットで、学習データに含まれている可能性は低いです。モデルは実際のコードを構築または変更する必要があり、隠されたテストが成功したかどうかを判定します。フロンティアモデルのほとんどがほぼ上限に達しているSWE-bench Verifiedより、現在のコーディングエージェントをより明確に区別できます。

SWE-bench Verifiedが履歴としてのみ残されているのはなぜですか？

フロンティアモデルは、500件のGitHub課題のほぼすべてを解けるようになっており、モデル間の差はノイズの範囲内です。古いレポートと比較できるよう完全な表には引き続き表示していますが、ランキングを決めることはもうありません。

オープンウェイトとクローズドモデルの違いは何ですか？

オープンウェイトモデルは学習済みの重みを公開しているため、自社のハードウェアで実行し、データを社内に留め、ファインチューニングできます。クローズドモデルは、提供元のAPIまたはアプリからのみ利用できます。オープンウェイトのフィルターを使うと、オープンウェイトモデルだけを表示できます。

このリーダーボードはどのくらいの頻度で更新されますか？

主要なモデルがリリースされたとき、または独立した評価者が新しい結果を公開したときに更新します。ページ上部の日付が最終更新日を示し、各モデルページにはリリース日と公開されている場合は各スコアの情報源が記載されています。

AIモデルリーダーボード

用途に合った最適なAIモデルを見つける

すべてで首位に立つモデルはないため、各カードには、ひとつの用途で上位3つのモデルと、選定の根拠となるベンチマークを表示しています。

47モデル · 7ベンチマーク · 12プロバイダー · 更新日 2026年10月10日 · スコアの付け方

現在の総合 #1

Claude Opus 5.5

Anthropic · AA Intelligence Indexで57.6

このモデルでエージェントを構築

コーディングエージェント

隠しテストで採点される長いソフトウェアタスクをこなす · DeepSWEでランキング

GPT-6 Astra
OpenAI
74.1%
検証済み
Gemini 3.8 Flash
Google
73.8%
検証済み
Claude Opus 5
Claude Opus 5.5に置き換え済み
73.6%
検証済み

完全なランキングを見る →

ターミナル・エージェントタスク

コマンドラインでの複数ステップの作業を完遂 · Terminal-Bench 4.0でランキング

Claude Sonnet 5.5
Anthropic
63.6%
検証済み
Claude Opus 5.5
Anthropic
59.6%
検証済み
GPT-6 Astra
OpenAI
59.1%
検証済み

完全なランキングを見る →

リサーチと高度な推論

ツールなしで専門家レベルの質問に回答 · Humanity's Last Examでランキング

Claude Opus 5.5
Anthropic
61.4%
検証済み
Claude Fable 5.1
Anthropic
59.1%
検証済み
Claude Fable 5
Anthropic
55.5%
検証済み

完全なランキングを見る →

総合ベスト

エージェント、コーディング、知識、科学のテストを組み合わせた独立評価 · AA Intelligence Indexでランキング

Claude Opus 5.5
Anthropic
57.6
検証済み
Claude Sonnet 5.5
Anthropic
56.0
検証済み
Claude Fable 5.1
Anthropic
53.4
検証済み

完全なランキングを見る →

オープンウェイト

自社でホストしたりファインチューニングしたりできます · AA Intelligence Indexでランキング

GLM-5.3
Zhipu (Z.AI)
44.8
検証済み
Kimi K3
Moonshot AI
43.6
検証済み
GLM-5.3-Flash
Zhipu (Z.AI)
41.8
検証済み

完全なランキングを見る →

FlowHuntで利用可能

今すぐエージェントやフローで使えます · AA Intelligence Indexでランキング

Claude Opus 5.5
Anthropic
57.6
検証済み
Claude Sonnet 5.5
Anthropic
56.0
検証済み
Claude Fable 5.1
Anthropic
53.4
検証済み

完全なランキングを見る →

ランキング

全モデルとベンチマーク

モデル	リリース日	AA Index	DeepSWE	SWE-Pro	SWE-V	Terminal	HLE	GPQA	ARC-2
Claude Haiku 5.5 Anthropic	2026/10/07	43.4	なし	64.8% SR	なし	32.8%	44.4%	なし	なし
Mistral Large 4 Mistral	2026/10/06	38.4	61.7% SR	なし	なし	26.8%	35.0%	なし	なし
Gemini 4 Argon Google	2026/09/30	52.6	77.9% SR	なし	なし	57.1%	57.1%	なし	なし
GPT-6.1 Sol OpenAI	2026/09/29	51.8	なし	なし	なし	56.1%	52.9%	なし	94.2%
Claude Sonnet 5.5 Anthropic	2026/09/28	56.0	71.0% SR	81.3% SR	なし	63.6%	55.0%	なし	なし
Claude Opus 5.5 Anthropic	2026/09/22	57.6	74.2% SR	89.9% SR	なし	59.6%	61.4%	なし	93.3%
GPT-6 Luna OpenAI	2026/09/22	38.1	なし	なし	なし	12.6%	38.5%	なし	59.3%
Grok 4.7 xAI	2026/09/21	46.4	71.0% SR	なし	なし	25.8%	43.1%	なし	61.4%
DeepSeek V4.1 Flash DeepSeek	2026/09/10	39.5	74.2% SR	なし	なし	26.8%	39.2%	90.9% SR	72.9%
GPT-6 Astra OpenAI	2026/09/03	52.7	74.1%	なし	なし	59.1%	54.7%	96.1%	95.0%
Gemini 3.8 Flash Google	2026/09/02	40.9	73.8%	なし	80.0%	19.7%	47.8%	95.3%	89.2%
Muse Spark 1.3 Meta	2026/09/02	48.1	75.4% SR	なし	なし	33.3%	48.7%	93.5%	なし
Claude Fable 5.1 Anthropic	2026/09/01	53.4	67.4% SR	81.2% SR	なし	52.0%	59.1%	93.7%	90.0%
GLM-5.3-Flash Zhipu (Z.AI)	2026/08/26	41.8	63.4%	なし	92.0%	32.8%	39.9%	91.2%	65.8%
GLM-5.3 Zhipu (Z.AI)	2026/08/18	44.8	69.0%	なし	95.4%	41.9%	42.3%	91.7%	なし
DeepSeek V4-Pro DeepSeek	2026/08/13	36.0	62.8%	なし	96.4%	14.1%	41.0%	92.8%	61.3%
Qwen3.8-27B Alibaba	2026/08/05	33.7	なし	61.7% SR	86.0%	5.6%	33.9%	90.5%	42.4%
Qwen3.8 Max Alibaba	2026/08/03	45.4	57.5%	67.7% SR	85.6%	38.9%	43.1%	92.8%	なし
Claude Opus 5 Anthropic	2026/07/24	50.8	73.6%	79.2% SR	97.0%	49.0%	54.9%	93.2%	90.4%
Gemini 3.5 Flash-Lite Google	2026/07/21	22.2	なし	なし	なし	1.0%	18.8%	83.8%	なし
Kimi K3 Moonshot AI	2026/07/16	43.6	68.5%	なし	93.4%	12.6%	46.9%	93.5%	60.4%
GPT-5.6 Sol OpenAI	2026/07/09	47.0	72.7%	64.6% SR	96.2%	39.9%	49.5%	94.1%	92.5%
Claude Sonnet 5 Anthropic	2026/06/30	38.2	53.8%	63.2% SR	79.6%	14.1%	41.3%	91.1%	なし
Claude Fable 5 Anthropic	2026/06/09	49.6	69.9%	80.3% SR	95.0% SR	42.4%	55.5%	92.6%	89.2%
Nemotron 3 Ultra NVIDIA	2026/06/04	22.9	なし	なし	69.0%	0.5%	28.4%	86.7% SR	なし
MiniMax M3 MiniMax	2026/06/01	29.2	なし	59.0% SR	75.0%	2.0%	39.0%	92.9%	なし
Qwen 3.7-Plus Alibaba	2026/06/01	25.2	なし	なし	なし	1.0%	35.6%	90.0%	なし
Claude Opus 4.8 Anthropic	2026/05/28	41.8	59.0%	69.2% SR	88.6% SR	21.7%	48.7%	92.0%	72.1%
Qwen 3.7-Max Alibaba	2026/05/20	29.5	なし	60.6% SR	68.8%	1.5%	40.5%	92.3%	なし
DeepSeek V4-Flash DeepSeek	2026/04/24	24.2	53.0%	なし	79.0% SR	2.5%	なし	89.4%	なし
GPT-5.5 OpenAI	2026/04/23	38.4	67.0%	58.6% SR	82.6%	14.6%	45.8%	93.5%	85.0%
Claude Opus 4.7 Anthropic	2026/04/01	40.7	なし	64.3% SR	82.0%	なし	42.3%	91.4%	75.8%
Nemotron 3 Super NVIDIA	2026/03/11	12.8	なし	なし	60.5% SR	0.0%	20.8%	80.0%	なし
GPT-5.4 OpenAI	2026/03/05	39.0	51.8%	59.1%	78.2%	なし	43.7%	92.0%	74.0%
Gemini 3.1 Pro Google	2026/02/19	29.7	11.7%	54.2% SR	78.8%	4.0%	47.0%	94.1%	77.1%
Claude Sonnet 4.6 Anthropic	2026/02/17	30.1	29.9%	なし	77.4%	3.0%	33.6%	87.5%	60.4%
Claude Opus 4.6 Anthropic	2026/02/05	31.9	なし	57.3% SR	78.2%	なし	39.9%	89.6%	69.2%
Mistral Large 3 Mistral	2025/12/02	9.3	なし	なし	41.4%	0.0%	4.2%	68.0%	なし
Claude Haiku 4.5 Anthropic	2025/10/01	なし	なし	なし	66.6%	なし	なし	72.2%	4.0%
GPT-5 OpenAI	2025/08/07	23.0	なし	なし	69.0%	なし	28.5%	85.4%	9.9%
Mistral Medium 3 Mistral	2025/05/01	9.0	なし	なし	なし	なし	4.0%	57.8%	なし
GPT-4.1 OpenAI	2025/04/14	12.7	なし	なし	54.6% SR	なし	4.2%	66.6%	0.4%
Llama 4 Maverick Meta	2025/04/05	10.0	なし	なし	なし	0.0%	4.9%	67.1%	0.0%
Llama 4 Scout Meta	2025/04/05	8.1	なし	なし	なし	0.0%	3.8%	58.7%	0.0%
Llama 3.3 70B Meta	2024/12/06	7.7	なし	なし	なし	なし	3.6%	49.8%	なし
GPT-4o OpenAI	2024/05/13	8.4	なし	なし	33.2% SR	なし	2.4%	54.3%	なし
Mixtral 8x7B Mistral	2023/12/01	5.1	なし	なし	なし	なし	4.7%	29.2%	なし

スコアの付け方

ランキングの対象になるのは、独立した評価機関が測定した検証済みスコアのみです。自己報告スコアはモデルの開発元によるもので、表示とマークはしますが、順位付けには使いません。一部のテスターにのみ公開されているモデルは表に掲載しますが、順位付けはしません。他者の比較から引用したスコアには、その出典へのリンクを付けています。

FlowHuntでこれらのモデルを使う

FlowHuntで利用可と表示されているモデルは、FlowHunt AIエージェント、フロー、およびFlowHuntデスクトップアプリで直接選択できます。各モデルを開くと、ベンチマークの詳細な内訳、コンテキストウィンドウ、最も適した用途をご確認いただけます。

よくある質問

: 各カードは、その用途に最も合う1つのベンチマークでモデルをランク付けします。コーディングエージェントにはDeepSWE、ターミナルやエージェントのタスクにはTerminal-Bench 4.0、高度な推論にはHumanity's Last Exam、総合的な品質、オープンウェイトモデル、FlowHuntのモデルにはArtificial Analysis Intelligence Indexを使います。DeepSWEのスコアを持つモデルが3つに満たない場合、コーディングのカードはSWE-bench Proに切り替わり、その旨を表示します。
: 検証済みのスコアは、Artificial Analysis、ARC Prize Foundation、DeepSWEリーダーボードなどの独立した評価者が、すべてのモデルに1つの固定された設定で測定したものです。自己申告のスコアは、モデルの提供元がモデルカードやローンチブログで公表したものです。ランキングの対象になるのは検証済みのスコアのみです。自己申告のスコアは表示とマークはしますが、順位付けには使いません。両方がある場合は、モデルページに両方を表示します。
: 各ラボは、自社モデルを独自の設定でテストすることがよくあります。異なるエージェントハーネス、より長い思考時間、より大きなトークンバジェットなどです。独立した評価者はすべてのモデルに1つの固定された設定を使うため、その数値は比較しやすく、多くの場合は低めになります。当サイトでは独立した数値でランク付けし、ラボの数値はモデルページに残しています。
: Artificial Analysisが提供する独立した総合スコアで、エージェント、コーディング、知識、科学のテストを1つの数値にまとめたものです。当サイトではインデックスのバージョン4を使用しています。そのスコアは以前のバージョンと比較できないため、他の場所で目にした古い数値はより高く見えるでしょう。
: DeepSWEは、ゼロから書き下ろされた113件の長いソフトウェアタスクのセットで、学習データに含まれている可能性は低いです。モデルは実際のコードを構築または変更する必要があり、隠されたテストが成功したかどうかを判定します。フロンティアモデルのほとんどがほぼ上限に達しているSWE-bench Verifiedより、現在のコーディングエージェントをより明確に区別できます。
: フロンティアモデルは、500件のGitHub課題のほぼすべてを解けるようになっており、モデル間の差はノイズの範囲内です。古いレポートと比較できるよう完全な表には引き続き表示していますが、ランキングを決めることはもうありません。
: オープンウェイトモデルは学習済みの重みを公開しているため、自社のハードウェアで実行し、データを社内に留め、ファインチューニングできます。クローズドモデルは、提供元のAPIまたはアプリからのみ利用できます。オープンウェイトのフィルターを使うと、オープンウェイトモデルだけを表示できます。
: 主要なモデルがリリースされたとき、または独立した評価者が新しい結果を公開したときに更新します。ページ上部の日付が最終更新日を示し、各モデルページにはリリース日と公開されている場合は各スコアの情報源が記載されています。