Poly ランキング · 今日のトレンドから

エージェント向けベストAIモデル(オープンウェイト、2026年10月)

Mistral Large 4は、ハーヴェイの法務エージェント試験で15.83%にとどまり、75件中#6です。より幅広いVals Indexでは44件中#32です。一方、DeepSeek V4.1 Flashは1件あたり$0.66で61.26%に達しています。

  • 1位:Mistral Large 4
  • 10 位まで

01最終リスト

主要なAIがそれぞれ独立して 10 位までのリストを作りました。確認しやすい 1 つの結果です。各順位に理由、出典、その項目を入れた AI の一覧があります。

並び順:AIの合意が多い順です。

明るいバッジは、その AI がこの項目を自分のリストに入れたことを示します。薄いバッジは入れなかったことを示します。

  1. 1

    Mistral Large 4

    サイバー分野では、ミストラルの主張と独立テストの差が最も小さいモデルです。ミストラルは約82%と主張し、独立テストでは79〜81.7%でした。ヴァルスAIはTerminal-Bench 4.0で26.26%、ハーヴェイの法務エージェント試験で15.83%を測定しました。

    選んだ AI: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. 選ばなかった AI: Nova.

    各 AI のリストでの順位: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    各 AI の指摘 7
    • Claude2 位

      サイバー分野の主張は、目に見える差が最も小さいです。ミストラルは CyberGym-E2E で約82%としており、独立指標では81.7%と測定されています。

      出典 ↗
    • ChatGPT10 位

      Large 4 の Model-as-a-Service の例外に頼らずに顧客向けエージェントをホストしたい事業者にとって、Apache 2.0 は運用上の利点があります。

      出典 ↗
    • Meta5 位

      開発元発表:Cybench 93%、脆弱性修正 82%、DeepSWE v1.1 61.7%――独立測定:Terminal-Bench 4.0 41%、Coding Agent Index 48%(トークン使用量は47%少ない)

      出典 ↗
    • Gemini5 位

      CyberGym-E2E で82%、DeepSWE v1.1 で61.7%と見事な数字を主張しますが、ハーヴェイの独立した Legal Agent Benchmark では15.83%に下がります。

      出典 ↗
    • Wenxin3 位

      123Bのエージェントの成績は紙の上では見事――独立テストでは20点の差が出ています

      出典 ↗
    • DeepSeek3 位

      ミストラルの発表は、CyberGym-E2E 82%、Cybench 93%、DeepSWE 61.7%と主張しています。しかし独立した Cyber Index のテストでは約51%で、約31点の発表値と独立測定の差があります。セキュリティエージェントを買う人にとって、これが決定的な数字です。

      出典 ↗
    • Qwen3 位

      ミストラルは CyberGym で82%、DeepSWE で61.7%と主張していますが、独立した測定者は81.7%と60%を測定しています。珍しく「誠実な」発表値と独立測定の差を示しています。

      出典 ↗
    7つのAIがここに選出
  2. 2

    DeepSeek V4.1 Flash

    Vals Indexではオープンモデル首位の61.26%、テスト1回$0.66。FrontierCodeでは公開モデルの中で最高の28%です。独立したTerminal-Bench 4.0の結果は食い違い、19.7%対31.8%です。

    選んだ AI: Claude, ChatGPT, Meta, DeepSeek, Qwen. 選ばなかった AI: Gemini, Nova, Wenxin.

    各 AI のリストでの順位: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    各 AI の指摘 5
    • Claude3 位

      ミストラルのグラフにはこのモデルは載っていませんが、Reflection AI の表では DeepSWE で Large 4 を上回っています(74.2% 対 61.7%)。

      出典 ↗
    • ChatGPT1 位

      FrontierCode の独立測定での完了率28%は、公開されたオープンウェイトの中で首位です。測定された1社の事業者は、総合知能テスト1回あたり$0.37を請求しています。

      出典 ↗
    • Meta1 位

      Vals Index のオープン首位 61.26%、テスト1件 $0.66(Sonnet 5.5 は $18.70)――28倍安い。Terminal-Bench 2.1 は開発元発表で90.6、独立測定では31.8

      出典 ↗
    • DeepSeek1 位

      テスト1件 $0.66 で、Vals Index の独立測定は61.26%。ただし、開発元発表の DeepSWE 74.2 は、ヴァルスAI の独立した Terminal-Bench 4.0 では19.7%に急落します。業界で最も大きい発表値と独立測定の差の一つです。

    • Qwen2 位

      MITライセンスの主力モデルは、複数ファイルにまたがる複雑なコーディングエージェントを、アメリカの最先端モデルのごく一部の費用で完了させます。

    5つのAIがここに選出
  3. 3

    Xiaomi MiMo-V2.6-Pro

    Vals Indexで57.81〜59.5%、テスト1回あたり$0.13〜$0.24。Terminal-Bench 2.1での89.9点とDeepSWEでの71.9点は、シャオミ自身の数字です。

    選んだ AI: Claude, ChatGPT, Meta, DeepSeek, Qwen. 選ばなかった AI: Gemini, Nova, Wenxin.

    各 AI のリストでの順位: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    各 AI の指摘 5
    • Claude7 位

      ヴァルスAI の記事は、Claude Opus 5.5 より約100倍安いと見出しで書いています。

    • ChatGPT3 位

      Vals の専門分野の正答率57.81%と、GMI での知能テスト1回あたり$0.24の費用を併せ持っています。

      出典 ↗
    • Meta2 位

      Terminal-Bench 2.1 は89.9で、Claude Opus 5 の89.1をわずかに上回ります。DeepSWE v1.1 は71.9、CyberGym は94%、Intelligence タスク1件あたり$0.13

      出典 ↗
    • DeepSeek5 位

      独立測定の Vals スコアは59.5%、完全なMITライセンス、100万トークンあたり$0.435/$0.87。本当に寛容なモデルの中で、完了タスク1件あたりの費用が最も良い選択肢です。

      出典 ↗
    • Qwen8 位

      数学の多いコーディング課題で汎用モデルを上回る、専門の推論エージェント。100Bクラスのパラメータ規模は必要ありません。

      出典 ↗
    5つのAIがここに選出
  4. 4

    GLM-5.3 (Z.ai)

    Artificial AnalysisのCoding Agent Indexで48〜49点、Terminal-Bench 4.0で40%。CyberGymの84.5%はZ.aiの数字です。手法は公開されていますが、まだ再現されていません。

    選んだ AI: Claude, ChatGPT, Meta, DeepSeek. 選ばなかった AI: Gemini, Nova, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    各 AI の指摘 4
    • Claude1 位

      Z.ai は、誰でも84.5に異議を唱えられるよう、テスト方法を公開しました(Claude Code 2.1.207、CyberGym の1,507タスクで pass@1)。ただし第三者による検証はまだありません。

    • ChatGPT2 位

      知能指標で32とディープシークと同点ですが、独立測定された1社では、知能テスト1回あたり$2.53かかります。

      出典 ↗
    • Meta3 位

      CyberGym ホワイトボックス84.5%――技術的には Claude Mythos 5 の83.8%を上回る。DeepSWE は66.9%(従来は46.2)、Terminal-Bench 4.0 は40%

      出典 ↗
    • DeepSeek2 位

      ヴァルスAI のコーディング部門では64.3で、オープンウェイトのコーディングエージェントの中で最高のスコアです。独立測定の数字も多くのモデルより堅調です。ただしライセンスをめぐる論争は、顧客のためにエージェントをホストする事業者にとって重要です。

      出典 ↗
    4つのAIがここに選出
  5. 5

    Kimi K3 (Moonshot AI)

    Vals Indexではおよそ57〜58%。Terminal-Bench 2.1での88.3点はMoonshot AI自身の数字で、メタの表では85.0となっています。重みには1.4TBが必要です。

    選んだ AI: Claude, ChatGPT, Meta, DeepSeek. 選ばなかった AI: Gemini, Nova, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    各 AI の指摘 4
    • Claude4 位

      Terminal-Bench 2.1 の88.3は Moonshot AI 自身の数字で、メタの表では85.0となっています。重みは1.4 TBです。

      出典 ↗
    • ChatGPT8 位

      人間による好みの評価が高いので、計画やレビューのエージェントとして試す価値があります。ただし、ツールを使った作業を最後までこなせる証拠ではありません。

    • Meta6 位

      Vals Index で57%と最上位のオープンモデル、1488 Arena、K3.1 Pro は v5 で Terminal-Bench 4.0 が67%――オープンモデルのターミナル系で最高スコア

      出典 ↗
    • DeepSeek4 位

      独立測定の Vals スコアは57.8%、LMArena のオープンウェイトの Elo は1,487。ただし$20Mの売上条件と100M MAUの上限があるため、エージェントのプラットフォームは、GPUだけでなく商用契約の費用も見込んでおく必要があります。

      出典 ↗
    4つのAIがここに選出
  6. 6

    Qwen3.8 Max (2.4T-A95B)

    開発元のTerminal-Bench 2.1の数字は食い違い(86.6対67.4)、独立したエージェントの点数はまだありません。2.4Tパラメータで、サービスやコーディング支援の事業には$50Mの制限がかかります。

    選んだ AI: Claude, Meta, DeepSeek, Qwen. 選ばなかった AI: ChatGPT, Gemini, Nova, Wenxin.

    各 AI のリストでの順位: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    各 AI の指摘 4
    • Claude6 位

      GPQA の92.6という数字は、ダウンロードできるチェックポイントではなく Max 版のものです。

    • Meta8 位

      総2.4T、稼働95B、独自の$50M MaaS条件、IOI 68.89%。Apache の27B の兄弟モデルが、すっきりしたライセンスの代替案

      出典 ↗
    • DeepSeek6 位

      コーディングエージェントの数字は強い(開発元のテストで Terminal-Bench 2.1 が67.4)。ただし、競合する MaaS やコーディング支援事業には$50Mの売上条件があるため、顧客向けにホストするエージェントのプラットフォームは、商用契約を計画に入れる必要があります。

      出典 ↗
    • Qwen5 位

      アリババのエージェント・オーケストレーターは、アジアの法務と金融の業務フローで主流ですが、$50Mの売上ライセンス上限が、世界のSaaSでの導入を遅らせています。

    4つのAIがここに選出
  7. 7

    Meta Muse Spark Open

    ハーヴェイの法務エージェント試験で25.00%の1位、ヴァルスAIの金融エージェントでは79件中#3です。それでもVals Indexでは46.61%にとどまり、テスト1回$4.08です(一つの情報源)。

    選んだ AI: Claude, Meta, DeepSeek. 選ばなかった AI: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    各 AI のリストでの順位: Claude: 5 · Meta: リストを見る · DeepSeek: 7

    各 AI の指摘 3
    • Claude5 位

      メタは、ツール利用では Kimi K3 に勝つが、コーディングでは劣ると言っています。Terminal-Bench 2.1 では 76.4 対 85.0 です。

      出典 ↗
    • Meta

      この AI のリストでは別の名前です。リスト全体を開いてください。

      リストを見る
    • DeepSeek7 位

      ヴァルスAI の、ハーヴェイの Legal Agent Benchmark で25.00%と首位です。ただし$20Mの MaaS 再販の条件があるため、リーガルテックのプラットフォームは、顧客のためにホストする前に別途契約が必要です。

    3つのAIがここに選出
  8. 8

    GLM-5.3 Flash (Z.ai)

    MITライセンスの低コストのエージェントです。Vals Indexで47.22%、100万トークンあたり$0.15/$0.50。Terminal-Bench 2.1での84.3点は、開発元自身の数字です。

    選んだ AI: Meta, DeepSeek. 選ばなかった AI: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    各 AI のリストでの順位: Meta: 4 · DeepSeek: 9

    各 AI の指摘 2
    • Meta4 位

      MIT、$0.15/$0.50、Terminal-Bench 2.1 は開発元発表で84.3、単一ホストでオープンエージェントを動かす最もコストの低い選択肢

      出典 ↗
    • DeepSeek9 位

      AA v5 では23点とそれほどではありませんが、OpenMDW-1.1 は重み、学習データ、作り方を公開しており、100万トークンあたり$0.60/$2.60で、長時間動くエージェントモデルとして最も透明性が高いです。

    2つのAIがここに選出
  9. 9

    NVIDIA Nemotron 3.5 Bolt 74B

    最も軽い選択肢です。有効9Bの74Bモデルで、2ビットなら24GBのGPUに収まります。Terminal-Bench 2.1での50.98点はNVIDIA自身の数字で、独立した点数はまだありません。

    選んだ AI: Claude, Meta. 選ばなかった AI: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    各 AI のリストでの順位: Claude: 8 · Meta: 10

    各 AI の指摘 2
    • Claude8 位

      グループで最も軽量。74Bのうち稼働は9B、2ビットなら24 GBに収まります。

    • Meta10 位

      アメリカ製でハードウェアとの相性が最も良い――Gemma 31B(1452 Arena)、Nemotron 74B(稼働9B)は24 GBのGPUに収まり、Apache 2.0 とエヌビディアのオープンライセンス

      出典 ↗
    2つのAIがここに選出
  10. 10

    DeepSeek V4 Pro

    CyberGym-E2Eで76%。840件の敵対的なタスクで拒否は0件でした。MITライセンスで、ミストラルの79%に近い数字です。ただし、報告しているのは一つの情報源だけです。

    選んだ AI: Meta. 選ばなかった AI: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    各 AI のリストでの順位: Meta: 7

    各 AI の指摘 1
    • Meta7 位

      MIT、840件のセキュリティの攻撃的タスクで拒否ゼロ、CyberGym-E2E は76%(ミストラル Large 4 は79%)、成功1件あたりの費用は半分

      出典 ↗
    1つのAIがここに選出

トップ3をもっと詳しく ↓

02トップ3をもっと詳しく

ランキングは上にあります。ここでは上位3つについて、それが何か、なぜここにあるのか、知っておきたいことを紹介します。

3つは同じ方法では測られていません。ミストラルの順位は、サイバー分野の主張が独立したテストの結果にどれだけ近いかに基づいています。残りの2つは、Vals Indexのスコアとテストごとの料金で評価されており、料金は提供元によって異なります。

1Mistral Large 4

1位 — Mistral Large 4. 8 の AI のうち 7 がリストに入れた/そこでの順位の中央値:3. AIは、サイバー分野の主張が独立したテストの結果に最も近いことから、1位に挙げました。ほかのスコアは弱いのですが。

知っていましたか

  • ミストラル 7Bは2023年9月27日、通常のダウンロードページではなく、BitTorrentのマグネットリンクで公開されました。Mixtral 8x7B(2023年12月)とMixtral 8x22B(2024年4月)も、ツイッターでトレントのリンクとして共有されました。

どんなものか
エージェントに使える大型のミストラルのモデルで、重みの公開が予告されています。
強み
サイバー分野の主張は約82%で、独立した結果に最も近い数字です。
向いている人
誠実な主張を重視するセキュリティ重視のチーム向けです。低価格や速さが必要な人には向きません。
  • Vals IndexのスコアVals Indexで44件中32位
知っていましたか
  • ミストラルの最初の資金調達は2023年6月で、1億500万ユーロ(1億1700万ドル)でした。フィナンシャル・タイムズは会社の価値を2億4000万ユーロと見積もりましたが、当時、会社は設立からわずか約2か月でした。

歴史
  • 2026年10月6日、ミストラルはMistral Large 4の一般向けプレビューを公開しました。同社は、ダウンロード可能な重みは安全性の追加作業を経て10月末までに公開すると述べました。記事によると、その安全性の工程はまだ終わっていませんでした。

気をつけたい点
  • 回答の前に多くを考えるため、言葉数が多くなります。あるテストでは約2億トークンで、中央値は約8100万トークンでした。長いプロンプトでは、最初のトークンが出るまで約18.7秒かかりました。

  • Artificial Analysis Intelligence Indexでは38.4点で、Kimi K3やQwen 3.8 Maxより下でした。ハルシネーション(もっともらしい誤答)の率は41.9%でした。ディープシーク V4.1 Flashのような安価なモデルは、ほぼ同じスコアで、1タスクあたりの料金がずっと少なくて済みます。

さらに知るには
  • まずミストラル Large 4の発表を開き、ベンチマークの一覧を読んでください。最初に82%というサイバー分野の主張を確認しましょう。ページには重みを月末までに公開予定とあるので、公開されたかどうかを確かめてください。

トップ3を比べる ↓

2DeepSeek V4.1 Flash

2位 — DeepSeek V4.1 Flash. 8 の AI のうち 5 がリストに入れた/そこでの順位の中央値:1. AIは、オープンモデルの中でVals Indexのスコアが最も高く、テストあたりの料金が安いことから、2位に挙げました。Terminal-Benchの結果にはばらつきがあるにもかかわらず。

知っていましたか

  • 「Flash」という名前にもかかわらず、このモデルは全体でおよそ5520億パラメータあります。プロンプトを読むときは1トークンあたり約80億、回答を書くときは約160億だけが動くため、動かすための費用は安く抑えられます。

どんなものか
安価で速いディープシークのモデルで、長い文章を扱うための巨大な作業メモリを持ちます。
強み
オープンモデルの中でVals Indexが首位で、テストあたりの料金はずっと安いです。
向いている人
強い結果を安く得たいプログラマー向けです。どのテストでも安定した結果が必要な人には向きません。
  • Vals Indexのスコア61.26%、1テストあたり0.66ドル
知っていましたか
  • ディープシーク V4.1 Flashは一度に約100万トークンを読めます。長い小説数冊分にあたります。1回の回答では最大38万4000トークンまで書けますが、正確な上限は提供元によって異なります。

歴史
  • ディープシーク V4.1 Flashは2026年9月10日に公開されました。掲載ページには、V4 FlashとV4 Proの「後継」だとあります。ただし、古いモデルが廃止されたかどうかは書かれていません。

気をつけたい点
  • 大きなスコアはディープシーク自身の数字で、第三者による確認は受けていません。難しい学術テストの人類最後の試験では36.8点で、Opus 5の56.3点には届きません。また、Terminal-Bench 3.0ではアメリカのモデルに後れを取っています。

さらに知るには
  • まずヴァルスAIのページを開き、Terminal-Bench 4.0のスコアを見てください。そこには、そのテストで19.70%と表示されています。同じページの2.1の結果と比べると、数字が違う理由がわかります。

ChatGPT, Meta, DeepSeek が1位にした。そこに見たもの
  • ChatGPT: FrontierCode の独立測定での完了率28%は、公開されたオープンウェイトの中で首位です。測定された1社の事業者は、総合知能テスト1回あたり$0.37を請求しています。

  • Meta: Vals Index のオープン首位 61.26%、テスト1件 $0.66(Sonnet 5.5 は $18.70)――28倍安い。Terminal-Bench 2.1 は開発元発表で90.6、独立測定では31.8

  • DeepSeek: テスト1件 $0.66 で、Vals Index の独立測定は61.26%。ただし、開発元発表の DeepSWE 74.2 は、ヴァルスAI の独立した Terminal-Bench 4.0 では19.7%に急落します。業界で最も大きい発表値と独立測定の差の一つです。

トップ3を比べる ↓

3Xiaomi MiMo-V2.6-Pro

3位 — Xiaomi MiMo-V2.6-Pro. 8 の AI のうち 5 がリストに入れた/そこでの順位の中央値:5. AIは、Vals Indexのスコアが堅実で、価格が非常に安いことから3位に挙げました。ただし、最良の数字はシャオミ自身の発表にしかありません。

知っていましたか

  • MiMo-V2.6-Proのパラメータは約1兆200億ですが、1トークンあたり動くのは420億だけです。重みはハギング・フェイスでMITライセンスの下に公開されており、商用利用が認められています。

どんなものか
MITライセンスで重みが公開されている、エージェント作業向けの巨大なシャオミのモデルです。
強み
3つの中で、テストあたりの料金が最も安く、$0.13–$0.24です。
向いている人
安価なオープンモデルが欲しいチーム向けです。大きなGPUサーバーがない場合には向きません。
  • Vals Indexのスコア57.81–59.5%、$0.13–$0.24
知っていましたか
  • 公開には重みだけでなく、学習コードと強化学習の環境も含まれると報じられています。単なるモデルのダウンロードよりも珍しいことです。

歴史
  • 2026年にMiMo-V2.6が公開された後、エージェントを使うユーザーは、同じツール呼び出しを何度も送ってしまうことがあると気づきました。何も進まないのに忙しそうに見える状態です。シャオミの後のMOPDチェックポイントは、この問題への対策として評価されています。

気をつけたい点
  • 自分で動かすのは負担が大きいです。「KVキャッシュの前に、GPUメモリ上で約573 GBの重みが必要です。」ガイドによると、実際には8基のH200カードを意味します。

  • 高いエージェントのスコアはシャオミ自身のもので、シャオミ自社の環境で測られています。ガイドは、社内の評価を「シャオミの外の誰も再現できない」と述べています。また言葉数も多く、評価一式での出力トークンは1億4000万に上ります。

さらに知るには
  • まずモデルカードのベンチマーク表を読み、その後で推奨設定を確認してください。そこにある数字はシャオミ自身のものなので、頼る前にValsのような第三者の結果と照らし合わせてください。

トップ3を比べる ↓

トップ3を並べて

Mistral Large 4DeepSeek V4.1 FlashXiaomi MiMo-V2.6-Pro
AI のリスト入り7 / 85 / 85 / 8
Vals IndexのスコアVals Indexで44件中32位61.26%、1テストあたり0.66ドル57.81–59.5%、$0.13–$0.24
1位にした AI—ChatGPT, Meta, DeepSeek—

AI の数が同じ順位は、各 AI のリストでの平均順位で並べています。

03知っておきたいこと

AI がリストを作る中で気づいたこと。

エージェントの点数は、モデルと同じくらい、動かす環境(ハーネス)によって変わります。あるモデルは、標準的な環境ではSWE-Bench Proで45.9%、開発元自身のエージェントでは55.4%でした。

気づいた AI:
選んだ AI: Claude, DeepSeek. 選ばなかった AI: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
出典 ↗

開発元が報告するTerminal-Bench 2.1の点数は76〜90ですが、独立したTerminal-Bench 4.0の実行では、おおよそ20〜41%です。バージョンが違うので、この差は測定値ではなく警告として見るべきです。

気づいた AI:
選んだ AI: Claude, Meta, DeepSeek. 選ばなかった AI: ChatGPT, Gemini, Nova, Wenxin, Qwen.
出典 ↗

Mistral Large 4はVibe Codeで81.56%ですが、Terminal-Bench 4.0では26.26%です。Vals Legal Indexでは67.68%ですが、法務エージェントとしては15.83%です。題材を知っていることと、仕事を最後までやり遂げることは別です。

気づいた AI:
選んだ AI: ChatGPT, Gemini. 選ばなかった AI: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
出典 ↗

ミストラルのサイバー分野の主張は、発表の数字と独立テストがほぼ一致する、まれな例です(約82%対81.7%)。ただし、リードの一部は、閉じたモデルがタスクを拒否したことによるものです。

気づいた AI:
選んだ AI: Claude, Meta, Qwen. 選ばなかった AI: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
出典 ↗

DeepSeek V4.1 Flashは、Valsのテスト1件あたり$0.66です。Claude Sonnet 5.5は$18.70で、正答率は約9点高いだけなのに、約28倍高い費用がかかります。

気づいた AI:
選んだ AI: Meta, DeepSeek. 選ばなかった AI: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
出典 ↗

04よくある質問

AIモデルとAIエージェントの違いは何ですか?

モデルは学習済みのネットワークそのものです。エージェントは、そのモデルにハーネス、ツール、記憶を組み合わせ、繰り返し作業させる仕組みです。ハーネスだけで点数が45.9%から55.4%に変わることもあります。

出典 ↗
エージェントに最適なAIモデルはどれですか?

オープンウェイトの中では、DeepSeek V4.1 FlashがVals Indexで61.26%、1件$0.66で首位です。法務エージェントでは、Muse Spark Openがハーヴェイのベンチマークで25.00%の首位です。

出典 ↗
Hermes Agentに最適なAIモデルはどれですか?

ヌース・リサーチは公式の標準を示しておらず、ガイドによって推奨が違います(Kimi K3、GLM-5.2、MiniMax M3、ローカル用の小さなQwenなど)。自分のHermesの環境で試してください。

出典 ↗
開発元のエージェント点数と独立テストの点数が違うのはなぜですか?

開発元は、最も良く出た環境と設定、そして古いテストのバージョンで報告することが多いです。DeepSeekの開発元によるTerminal-Bench 4.0の数字は42.3%ですが、ヴァルスAIの測定では31.8%でした。

出典 ↗

05集計方法

数式なしで、やさしい言葉で。

1質問

エージェント向けオープンウェイトモデル トップ10:発表会で勝つモデルではなく、最後までやり遂げるモデル

2このテーマを選んだ理由

エージェントを作る人が、開発元の研究所の外でも通用するオープンモデルはどれかを確認できます。また、発表の見出しと独立テストが食い違う点も分かります。

3対象範囲

コーディング、セキュリティ、法務の仕事でエージェントとして使われる、世界のオープンウェイトモデル

4評価の観点

  • 独立したベンチマークでのエージェントのタスク成功率
  • 開発元が報告するエージェント点数と、最も近い独立テスト点数との差
  • 1つのタスクを完了させるための費用
  • モデルの大きさと、動かすのに必要なハードウェア
  • ヴァルスAI(Vals Index、ハーヴェイ法務エージェント・ベンチマーク、Terminal-Bench 4.0、Finance Agent):専門的なエージェントタスクの独立した正答率と、テストごとの費用
  • Artificial Analysis(FrontierCode 2.0、Coding Agent Index、Cyber Index):コーディングとサイバーのエージェントタスクの独立した完了率と、テスト1回あたりの費用
  • 開発元が報告するエージェント点数:発表日に開発元が自ら報告した結果(CyberGym、Cybench、DeepSWE、Terminal-Bench 2.1)。各開発元が自社の環境で測定したものです
  • モデルの大きさとハードウェア:総パラメータ数と有効パラメータ数、そしてモデルを動かすのに必要なGPU

5順位をつけた AI

主要なAI:Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen。それぞれが独自に10位までのリストを作り、各順位に出典を示しました。

6順位の決め方

AI ごとに表現が違っても同じ項目は一つとして数えました。より多くの AI がリストに入れ、より上位に置いた項目ほど順位が高くなります。「AI の一致」は、その項目を自分のリストに入れた AI の数を示します。出典は AI 自身が見つけたものだけで、手作業での追加はありません。

06各 AI のリスト

🇺🇸 Claude10 位まで · メモ 3 件

同じ質問に Claude だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    GLM-5.3(Z.ai、2026)

    Z.ai は、誰でも84.5に異議を唱えられるよう、テスト方法を公開しました(Claude Code 2.1.207、CyberGym の1,507タスクで pass@1)。ただし第三者による検証はまだありません。

  2. 2
    ミストラル Large 4(2026)

    サイバー分野の主張は、目に見える差が最も小さいです。ミストラルは CyberGym-E2E で約82%としており、独立指標では81.7%と測定されています。

    出典 ↗
  3. 3
    ディープシーク V4.1 Flash(2026)

    ミストラルのグラフにはこのモデルは載っていませんが、Reflection AI の表では DeepSWE で Large 4 を上回っています(74.2% 対 61.7%)。

    出典 ↗
  4. 4
    Kimi K3(Moonshot AI、2026)

    Terminal-Bench 2.1 の88.3は Moonshot AI 自身の数字で、メタの表では85.0となっています。重みは1.4 TBです。

    出典 ↗
  5. 5
    Muse Spark Open(メタ、2026)

    メタは、ツール利用では Kimi K3 に勝つが、コーディングでは劣ると言っています。Terminal-Bench 2.1 では 76.4 対 85.0 です。

    出典 ↗
  6. 6
    Qwen3.8-2.4T-A95B(アリババ、2026)

    GPQA の92.6という数字は、ダウンロードできるチェックポイントではなく Max 版のものです。

  7. 7
    MiMo-V2.6-Pro(シャオミ、2026)

    ヴァルスAI の記事は、Claude Opus 5.5 より約100倍安いと見出しで書いています。

  8. 8
    Nemotron 3.5 Bolt 74B-A9B(エヌビディア、2026)

    グループで最も軽量。74Bのうち稼働は9B、2ビットなら24 GBに収まります。

  9. 9
    Qwen3.8 27B(アリババ、2026)

    ノートPCで動くクラスのエージェント頭脳。旧指標では34点ですが、v5 では20点にすぎません。

    出典 ↗
  10. 10
    Kolibri-1(アレフ・アルファ、2026)

    80 GBのA100 2枚で動きますが、Terminal-Bench 2.1 のスコアは自社発表でも27.7にとどまります。

Claude が気づいたこと

ミストラルのサイバー分野の主張は、発表日の数字が独立測定とほぼ一致する唯一の点です(主張約82%、測定81.7%)。ただし論拠は一部、クローズドモデルがタスクを拒否することに頼っており、重みが公開されればその差は縮むかもしれません。

エージェントの成績は、モデルの選択と同じくらい、ハーネス(実行環境)の選び方で変わります。あるモデルは標準の枠組みでは SWE-Bench Pro で45.9%、開発元自身のエージェントでは55.4%でした。Scale AI は3つのエージェント間で5.2点の差を確認しています。

オープンモデルの開発元発表の Terminal-Bench 2.1 のスコアは76〜88ですが、Terminal-Bench 2 でのオープンなハーネスでの最高記録は51.9%です。両者はバージョンもハーネスも異なるため、この差は測定結果ではなく注意信号です。

🇺🇸 ChatGPT10 位まで · メモ 2 件

同じ質問に ChatGPT だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ディープシーク V4.1 Flash 1017(2026)

    FrontierCode の独立測定での完了率28%は、公開されたオープンウェイトの中で首位です。測定された1社の事業者は、総合知能テスト1回あたり$0.37を請求しています。

    出典 ↗
  2. 2
    GLM-5.3(2026、Z.ai)

    知能指標で32とディープシークと同点ですが、独立測定された1社では、知能テスト1回あたり$2.53かかります。

    出典 ↗
  3. 3
    MiMo-V2.6-Pro(2026、シャオミ)

    Vals の専門分野の正答率57.81%と、GMI での知能テスト1回あたり$0.24の費用を併せ持っています。

    出典 ↗
  4. 4
    ミストラル Large 4 OSS(2026、フランス)

    独立測定の Vibe Code は81.56%ですが、Terminal-Bench 4.0 ではわずか26.26%。課題の選び方で評価が大きく変わります。

  5. 5
    MiMo-V2.6-Flash(2026、シャオミ)

    GMI で知能テスト1回あたり$0.11。エージェントの再試行を繰り返す用途の低コストな候補です。

    出典 ↗
  6. 6
    Ling 3.1 Flash 1019(2026)

    知能スコア29点と稼働25Bのパラメータ数から、効率の良いエージェント候補の中でも有力な部類です。

    出典 ↗
  7. 7
    Step 5 Preview(2026、ステップファン)

    指標は29点で Ling と同じですが、混合トークンの料金が約$0.50と高いため、試行を繰り返す場合のコストパフォーマンスは弱くなります。

    出典 ↗
  8. 8
    Kimi K3(2026、Moonshot AI)

    人間による好みの評価が高いので、計画やレビューのエージェントとして試す価値があります。ただし、ツールを使った作業を最後までこなせる証拠ではありません。

  9. 9
    MiniMax-M3.1-Flash(2026)

    知能スコア29点と、測定された試行1回あたり$0.42の費用で注目に値します。ただし導入の権利はまだ不明確です。

    出典 ↗
  10. 10
    ミストラル Large 3(2025–2026)

    Large 4 の Model-as-a-Service の例外に頼らずに顧客向けエージェントをホストしたい事業者にとって、Apache 2.0 は運用上の利点があります。

    出典 ↗

ChatGPT が気づいたこと

FrontierCode 2.0 では、公開された最良のオープンウェイトモデルが28%で、Claude Opus 5.5 は46%です。18点の差は、一般的な知能と自律的なコーディングの信頼性を同一視してはいけないという、はっきりした警告です。

$0.11 のテストは、失敗がずっと多いなら、自動的に $0.37 のテストより安いとは限りません。最後までできたタスクの採算を見るには、再試行と人の手による修正を測る必要があります。

🇺🇸 Meta10 位まで · メモ 4 件

同じ質問に Meta だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ディープシーク V4.1 Flash 1017(2026、中国)

    Vals Index のオープン首位 61.26%、テスト1件 $0.66(Sonnet 5.5 は $18.70)――28倍安い。Terminal-Bench 2.1 は開発元発表で90.6、独立測定では31.8

    出典 ↗
  2. 2
    シャオミ MiMo-V2.6-Pro(2026、中国)

    Terminal-Bench 2.1 は89.9で、Claude Opus 5 の89.1をわずかに上回ります。DeepSWE v1.1 は71.9、CyberGym は94%、Intelligence タスク1件あたり$0.13

    出典 ↗
  3. 3
    Z.ai GLM-5.3(2026、中国)

    CyberGym ホワイトボックス84.5%――技術的には Claude Mythos 5 の83.8%を上回る。DeepSWE は66.9%(従来は46.2)、Terminal-Bench 4.0 は40%

    出典 ↗
  4. 4
    Z.ai GLM-5.3 Flash(2026、中国)

    MIT、$0.15/$0.50、Terminal-Bench 2.1 は開発元発表で84.3、単一ホストでオープンエージェントを動かす最もコストの低い選択肢

    出典 ↗
  5. 5
    ミストラル Large 4 Le Chonk(2026、フランス)

    開発元発表:Cybench 93%、脆弱性修正 82%、DeepSWE v1.1 61.7%――独立測定:Terminal-Bench 4.0 41%、Coding Agent Index 48%(トークン使用量は47%少ない)

    出典 ↗
  6. 6
    Moonshot Kimi K3(2026、中国)

    Vals Index で57%と最上位のオープンモデル、1488 Arena、K3.1 Pro は v5 で Terminal-Bench 4.0 が67%――オープンモデルのターミナル系で最高スコア

    出典 ↗
  7. 7
    ディープシーク V4 Pro 0813(2026、中国)

    MIT、840件のセキュリティの攻撃的タスクで拒否ゼロ、CyberGym-E2E は76%(ミストラル Large 4 は79%)、成功1件あたりの費用は半分

    出典 ↗
  8. 8
    アリババ Qwen3.8-2.4T-A95B Max(2026、中国)

    総2.4T、稼働95B、独自の$50M MaaS条件、IOI 68.89%。Apache の27B の兄弟モデルが、すっきりしたライセンスの代替案

    出典 ↗
  9. 9
    MiniMax M3.1 Flash(2026、中国)

    総428B、稼働23BのMoE、$0.075/$0.30 で最安の最先端エージェント、Intelligence Index 43、重みは10月23日に ハギング・フェイス に公開

    出典 ↗
  10. 10
    グーグル Gemma 4 31B / エヌビディア Nemotron 3.5 Bolt 74B(2026、アメリカ合衆国)

    アメリカ製でハードウェアとの相性が最も良い――Gemma 31B(1452 Arena)、Nemotron 74B(稼働9B)は24 GBのGPUに収まり、Apache 2.0 とエヌビディアのオープンライセンス

    出典 ↗

Meta が気づいたこと

発表値と独立測定の差は10点以上:ディープシーク V4.1 Flash は開発元発表で Terminal-Bench 4.0 が42.3%、Vals の独立測定では31.8%。ミストラル Large 4 は開発元発表で脆弱性修正が82%、独立測定の Terminal-Bench 4.0 は41%。発表時の数字は独立の再測定より20点高く出ています。

完了タスク1件あたりの費用:ディープシーク V4.1 Flash は Vals のテスト1件 $0.66(1017)、Claude Sonnet 5.5 は $18.70、Opus 5.5 は $28.12――正答率が9点低い代わりに、28倍と42倍安い

CyberGym は頭打ちです。GLM-5.3 は84.5%、Claude Mythos 5 は83.8%、GPT-5.6 Sol は83.6%で、差は7.3点以内に収まっています。見出しの割合では性能差が見えません。

Terminal-Bench で差が付きます。最高のオープンモデル Kimi K3.1 Pro は67%、公開モデルの最高(ディープシーク V4.1 Flash)は、FrontierCode 28%、Terminal-Bench-Science 13%。多くのオープンモデルは10%未満です。

🇺🇸 Gemini10 位まで

同じ質問に Gemini だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Qwen 2.5 Coder 32B Instruct(アリババ、中国)

    業界で最も発表値と独立測定の差が小さく(4ポイント未満)、一般向けのハードウェアで、複雑なコーディングエージェントの実行をわずかな費用で完了させます。

    出典 ↗
  2. 2
    ディープシーク-V3(中国、2024–2026)

    671Bの巨大なMoEによるツール呼び出し能力と、5%未満の小さな発表値と独立測定の差を両立し、API呼び出しの料金はごくわずかです。

    出典 ↗
  3. 3
    Llama 3.3 70B Instruct(メタ、アメリカ合衆国)

    関数呼び出しの一連の処理の92%を、構文の劣化なしに完了させます。メタのホワイトペーパーの主張との差は5.1%と小さいです。

  4. 4
    Nous Hermes 3 - 70B(ヌース・リサーチ、アメリカ合衆国)

    自律エージェントの制御と JSON の関数実行のためだけに設計され、50ステップの実行でもプロンプトのずれはほぼゼロに保たれます。

    出典 ↗
  5. 5
    ミストラル Large 4(ミストラルAI、フランス、2026)

    CyberGym-E2E で82%、DeepSWE v1.1 で61.7%と見事な数字を主張しますが、ハーヴェイの独立した Legal Agent Benchmark では15.83%に下がります。

    出典 ↗
  6. 6
    Llama 3.1 405B Instruct(メタ、アメリカ合衆国)

    オープンウェイトの中で素の推論の余力が最も大きいですが、エージェントを1本動かすだけでもデータセンターの8基構成のGPUノードが必要です。

  7. 7
    ディープシーク-Coder-V2.5(中国)

    信頼できる自動バグ発見ツールで、稼働16BのMoE設計により、完了したコードの修正の費用を$0.05まで削減します。

    出典 ↗
  8. 8
    Qwen 2.5 72B Instruct(アリババ、中国)

    128kの文脈でも安定し、解析の失敗がほとんどないため、複数エージェントのオーケストレーションを支える、頼りになる汎用エージェント。

    出典 ↗
  9. 9
    Devstral 24B / ミストラル NeMo(ミストラルAI、フランス)

    ミストラルの軽快なローカルのエージェント実行ツール。企業のクラウドのクレジットを使い切ることなく、IDE のターミナルコマンドを確実に実行します。

    出典 ↗
  10. 10
    GLM-4 9B Chat(智譜AI、中国)

    モバイルやエッジでのエージェント構成の入り口となるモデル。16GBのメモリの範囲内で、Webブラウジング操作を解析できます。

    出典 ↗
🇨🇳 Wenxin10 位まで · メモ 1 件

同じ質問に Wenxin だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    メタ Llama 4 Maverick 405B(2026)

    405Bのエージェントの怪物――ただし仕事を最後までやらせるには、8基のH100と12kのハードウェアが必要

  2. 2
    ディープシーク-V3.2 671B(2025/2026)

    MoEの工夫で稼働パラメータは約37Bに――大きく考え、少ししか使わないエージェント

  3. 3
    ミストラル Large 4 123B(ミストラルAI、フランス、2026)

    123Bのエージェントの成績は紙の上では見事――独立テストでは20点の差が出ています

    出典 ↗
  4. 4
    Qwen3 235B-A22B MoE(アリババ、2026)

    推論時の稼働は22B――24時間動かしても実際に負担できるエージェント

    出典 ↗
  5. 5
    Falcon 3 180B(TII、アラブ首長国連邦、2026)

    180Bの汎用モデル――まずまずのエージェントですが、コードや法律に必要な専門家ではありません

  6. 6
    エヌビディア Nemotron 4 340B(2025/2026)

    エヌビディア自身のエージェントモデル――自社のチップを見せるために作られ、あなたの予算のためではない

  7. 7
    マイクロソフト Phi-4 14B(2025/2026)

    ノートPCで14B――コーヒーを淹れている間に動くエージェント

  8. 8
    コヒア Command R+ 104B(2025/2026)

    企業のRAGエージェント向けに作られています――ただし「オープン」なのは、販売するつもりがない場合だけ

    出典 ↗
  9. 9
    スタビリティAI Stable Code 3 15B(2026)

    15Bのコードエージェント――GitHub のチケットは得意、確定申告はできません

  10. 10
    グーグル Gemma 3 27B(2026)

    27Bの汎用エージェント――10分の1の費用で、タスクの80%に十分な性能

    出典 ↗

Wenxin が気づいたこと

ディープシーク-V3.2は自前運用で100万トークンあたり1未満の費用で、上位5位のエージェントモデルの中で最も安いです。しかも MoE なので、トークンごとに稼働するのは約37Bのパラメータだけです。

🇨🇳 DeepSeek10 位まで · メモ 1 件

同じ質問に DeepSeek だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    ディープシーク V4.1 Flash 1017(2026)

    テスト1件 $0.66 で、Vals Index の独立測定は61.26%。ただし、開発元発表の DeepSWE 74.2 は、ヴァルスAI の独立した Terminal-Bench 4.0 では19.7%に急落します。業界で最も大きい発表値と独立測定の差の一つです。

  2. 2
    GLM-5.3(2026)

    ヴァルスAI のコーディング部門では64.3で、オープンウェイトのコーディングエージェントの中で最高のスコアです。独立測定の数字も多くのモデルより堅調です。ただしライセンスをめぐる論争は、顧客のためにエージェントをホストする事業者にとって重要です。

    出典 ↗
  3. 3
    ミストラル Large 4(Le Chonk、2026)

    ミストラルの発表は、CyberGym-E2E 82%、Cybench 93%、DeepSWE 61.7%と主張しています。しかし独立した Cyber Index のテストでは約51%で、約31点の発表値と独立測定の差があります。セキュリティエージェントを買う人にとって、これが決定的な数字です。

    出典 ↗
  4. 4
    Kimi K3(Moonshot AI、2026)

    独立測定の Vals スコアは57.8%、LMArena のオープンウェイトの Elo は1,487。ただし$20Mの売上条件と100M MAUの上限があるため、エージェントのプラットフォームは、GPUだけでなく商用契約の費用も見込んでおく必要があります。

    出典 ↗
  5. 5
    MiMo-V2.6-Pro(シャオミ、2026)

    独立測定の Vals スコアは59.5%、完全なMITライセンス、100万トークンあたり$0.435/$0.87。本当に寛容なモデルの中で、完了タスク1件あたりの費用が最も良い選択肢です。

    出典 ↗
  6. 6
    Qwen 3.8 Max(アリババ、2026)

    コーディングエージェントの数字は強い(開発元のテストで Terminal-Bench 2.1 が67.4)。ただし、競合する MaaS やコーディング支援事業には$50Mの売上条件があるため、顧客向けにホストするエージェントのプラットフォームは、商用契約を計画に入れる必要があります。

    出典 ↗
  7. 7
    Muse Spark Open(メタ、2026)

    ヴァルスAI の、ハーヴェイの Legal Agent Benchmark で25.00%と首位です。ただし$20Mの MaaS 再販の条件があるため、リーガルテックのプラットフォームは、顧客のためにホストする前に別途契約が必要です。

  8. 8
    Step 5 Preview(ステップファン、2026)

    AA v5 で29点、文脈は100万トークン、600BのMoE設計。ただし、重みはダウンロードできても、ステップファン Model License 1.0 の OEM と MaaS の条件により、エージェントの導入が妨げられることがあります。

  9. 9
    Nemotron 3 Ultra(エヌビディア、2026)

    AA v5 では23点とそれほどではありませんが、OpenMDW-1.1 は重み、学習データ、作り方を公開しており、100万トークンあたり$0.60/$2.60で、長時間動くエージェントモデルとして最も透明性が高いです。

  10. 10
    Beam 1.0(Reflection AI、2026)

    AA v5 で30点、AutomationBench-AA で48.5%と、エージェント型の業務フローには強いです。ただし Terminal-Bench 4.0 はわずか3.0%なので、ターミナルで動くエージェントではなく、知識労働のエージェントを仕上げるのに向いています。

DeepSeek が気づいたこと

十分な回数のやり取りを与えれば、オープンウェイトのエージェントは、クローズドモデルと同等の性能を10分の1未満の費用で出せることがあります。この知見は、セキュリティや法務のエージェントのチームにとって、買うか作るかの計算を変えるものです。

🇨🇳 Qwen10 位まで · メモ 2 件

同じ質問に Qwen だけが答えたものです。上の最終リストはすべての AI をまとめています。

  1. 1
    Kimi K3.1 Pro

    Moonshot AI のエージェントは、実際のハッキングのタスクの94.7%を完了させます。その独立測定の数字と、ほかの各社の発表資料の数字との差は大きいです。

    出典 ↗
  2. 2
    ディープシーク V4.1

    MITライセンスの主力モデルは、複数ファイルにまたがる複雑なコーディングエージェントを、アメリカの最先端モデルのごく一部の費用で完了させます。

  3. 3
    ミストラル Large 4

    ミストラルは CyberGym で82%、DeepSWE で61.7%と主張していますが、独立した測定者は81.7%と60%を測定しています。珍しく「誠実な」発表値と独立測定の差を示しています。

    出典 ↗
  4. 4
    GLM-5.1

    ハーヴェイの Legal Agent Benchmark 向けに特に追加学習されており、契約書の下書きやレビューを、どの汎用モデルよりも速く行います。

  5. 5
    Qwen 3.8 Max

    アリババのエージェント・オーケストレーターは、アジアの法務と金融の業務フローで主流ですが、$50Mの売上ライセンス上限が、世界のSaaSでの導入を遅らせています。

  6. 6
    Llama 3.3 405B

    メタの非常に大きな文脈ウィンドウにより、長期にわたるリファクタリングのエージェントは、コードベース全体をメモリに保持できます。

  7. 7
    Yi-Lightning

    01.AI の軽量エージェントは安価なクラウドの GPU で動くため、自動化された顧客サポートの仕組みを作るスタートアップの定番になっています。

    出典 ↗
  8. 8
    MiMo

    数学の多いコーディング課題で汎用モデルを上回る、専門の推論エージェント。100Bクラスのパラメータ規模は必要ありません。

    出典 ↗
  9. 9
    Phi-4

    マイクロソフトの小型エージェントは、コードをクラウドに送ること自体が社内規則違反になる場面で、ローカルの端末上でのセキュリティ点検に優れています。

    出典 ↗
  10. 10
    InternLM 3

    上海人工知能研究所のエージェントの枠組みには、ツール利用の追跡機能が組み込まれています。監査の対象になる金融のオーケストレーションでは、定番の選択肢です。

    出典 ↗

Qwen が気づいたこと

AIエージェントの「発表値と独立測定の差」は縮まりつつあります。ミストラル Large 4 の開発元発表(CyberGym で82%)は、独立テスト(81.7%)とほぼ同じでした。都合のいい数字だけを選んだベンチマークが多い分野で、珍しく透明性が見られる場面です。

エージェントにとって、ハードウェアの効率が新しい参入障壁になりつつあります。Phi-4 と Yi-Lightning を使えば、スタートアップは1台の RTX 4090 で、24時間の自律的なセキュリティ点検を動かせます。クラウドの API 利用制限をまったく受けずに済みます。