今日のトレンドに戻る: 複数のAIが、24時間態勢でソフトウェアを一緒に書けるように
Poly ランキング · 今日のトレンドから

2026年の最高のコーディングモデル:コーディングエージェントのチーム向けトップ10

Claude Opus 5.5は10月26週にキュービックがレビューしたAIコードの64.4%を書き、Terminal-Bench 4.0では64.8%で首位。しかし出力価格が半分のGPT-6.1 Solは、数えられたバグ数が1行あたり0.76で、Opus 5.5の1.14より少ない。

  • 1位:GPT-5.6 Sol
  • 10 位まで

01最終リスト

主要なAIがそれぞれ独自に10位までのリストを作りました。上は確かめやすい1つの総合結果です。各順位には理由と、それを選んだ AI、AI が示した場合は出典があります。

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

    GPT-5.6 Sol

    Codex内では0.62で最もバグの少ないモデルだったが、1日がかり課題では32.2%、ターミナル課題では37.3%しかない。キュービックの11月4日のランキングから外れた。

    選んだ AI: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    各 AI のリストでの順位: ChatGPT: 7 · Meta: 1 · Grok: 9 · Gemini: 3 · Nova · DeepSeek: 9 · Wenxin: 1 · MiMo: 3

    各 AI の指摘 8
    • ChatGPT7 位

      過去のCodexでのバグ率0.62は優秀だが、長時間タスクのスコア32.2%を見ると、最も難しい役割は任せにくい。

      出典 ↗
    • Meta1 位

      Codex内では0.62、全体では0.65。平均より低い唯一のモデルで、バグは35%少ない。ただし10月5日週のレビュー済みコードでは0.7%だけ。

      出典 ↗
    • Grok9 位

      Codex内で0.62と最もきれいなモデル。ただし1日がかりのタスクではスコア32.2%で、Astraの約半分。

      出典 ↗
    • Gemini3 位

      本番用コードを書くモデルとして記録上最もきれい。相対バグ率0.62は異例に低く、普段使いの頼れる主力。ただし20時間タスクのスコア32.2%は控えめ。

    • Nova

      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。

    • DeepSeek9 位

      Codex内でバグ率0.62。平均より38%少ないバグ数。ただしTerminal-Bench 37.3%、FrontierSWE 32.2%。小さな作業で最もきれいな枠で、長時間作業向けではない。

      出典 ↗
    • Wenxin1 位

      観測された最低のバグ率0.62を、Codexの価格で。100万トークン当たりラテ1杯分の値段で、きれいなコードが手に入る。

      出典 ↗
    • MiMo3 位

      ボード上で最もきれいなコード。Codex内で行当たりバグ数0.62。ただし上位モデルの中で長時間タスクのスコアは最低の32.2%。

      出典 ↗
    8つのAIがここに選出
  2. 2

    GPT-6 Astra

    20時間のFrontierSWE v2で65.5%と首位だが、1回あたり約$1,030かかる(Opus 5.5は$99)。出力は100万トークンあたり$50。エスカレーション役に割り当てる。

    選んだ AI: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    各 AI のリストでの順位: ChatGPT: 3 · Meta: 3 · Grok: 4 · Gemini: 1 · Nova · DeepSeek: 3 · Wenxin: 2 · MiMo: 2

    各 AI の指摘 8
    • ChatGPT3 位

      20時間の長時間エンジニアリング作業で65.5%と首位。ただし出力トークン価格は50ドルなので、普段使いではなく難しい案件へのエスカレーション用モデルだ。

      出典 ↗
    • Meta3 位

      FrontierSWE v2で65.5%の首位、Terminal-Benchは58.2%。それでもバグ率1.13は平均より悪い。20時間タスクに強いモデル。

    • Grok4 位

      20時間タスクの首位で65.5%。1回あたり約1,030ドル。ターミナル作業では、出力10ドルのSolに勝てない。

      出典 ↗
    • Gemini1 位

      FrontierSWE v2の20時間の長時間タスクで65.5%と首位。Codex内ではCLI解決率58.2%を維持している。

    • Nova

      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。

    • DeepSeek3 位

      FrontierSWE 65.5%、Terminal-Bench 58.2%。ボード上で1日がかりのタスクに最も強いモデルだが、出力は50ドルで、バグ率は1.09。

      出典 ↗
    • Wenxin2 位

      FrontierSWEの王者、65.5%。ターミナルでは58.2%。ただし行当たりバグ数1.13のため、きれいな1行当たりの費用は高くつく。

    • MiMo2 位

      20時間タスクで唯一1位になったモデル。1回1,029.65ドル、Codex内で行当たりバグ数1.13。

      出典 ↗
    8つのAIがここに選出
  3. 3

    Claude Opus 5.5

    ターミナルのペアで首位級の64.8%、20時間課題では62.3%。ただしバグ率は現在1.14(10月は1.49)。きれいな役割ではなく、難しい課題の役割に配置すべきモデル。

    選んだ AI: ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo.

    各 AI のリストでの順位: ChatGPT: 2 · Meta: 4 · Grok: 3 · Gemini: 2 · Nova · DeepSeek: 5 · Wenxin: 3 · MiMo: 1

    各 AI の指摘 8
    • ChatGPT2 位

      ターミナル課題で64.8%と首位だが、キュービックがレビューしたコードでは、合算バグ率1.14で平均より悪い。

      出典 ↗
    • Meta4 位

      Terminal-Bench 64.8%で首位、FrontierSWE 62.3%で2位。ただし、バグ率1.49はClaude Code内で最悪。ターミナルには強いが、普段使いのコードは汚い。

      出典 ↗
    • Grok3 位

      10月26日週に、キュービックがレビューしたAI製コードの64.4%を書いた。ただしClaude Codeではきれいなモデルではない。現在は1.13、10月の記事では1.49。

      出典 ↗
    • Gemini2 位

      コマンドライン・ベンチマークの現王者。Terminal-Bench 4.0で64.8%、FrontierSWE v2で62.3%。ただし相対欠陥率は1.49。

    • Nova

      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。

    • DeepSeek5 位

      Terminal-Bench 64.8%、FrontierSWE 62.3%。難しい作業ではClaude Codeで最強の組み合わせだが、バグ率1.39はBug Benchで最悪。

      出典 ↗
    • Wenxin3 位

      ターミナルで64.8%、20時間タスクで62.3%。ただし行当たりバグ数1.49で、きれいさでは劣る。

      出典 ↗
    • MiMo1 位

      自分の実行環境でターミナル課題の首位(64.8%)、20時間タスクでも62.3%で残る。1回約99ドルで、同じボードの勝者は約1,030ドル。

      出典 ↗
    8つのAIがここに選出
  4. 4

    GPT-6.1 Sol

    現時点で最も低いバグ率(0.76)、ターミナル課題58.2%、出力$10。注意:キュービックの10月16日の記事では、2週間分のデータで1.22だった。FrontierSWEの行はない。

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

    各 AI のリストでの順位: ChatGPT: 1 · Meta: 6 · Grok: 1 · Gemini: 6 · DeepSeek: 1 · Wenxin: 6 · MiMo: 5

    各 AI の指摘 7
    • ChatGPT1 位

      相対バグ率は0.76で、ターミナル課題の結果はAstraと同じ58.2%。標準の出力トークン価格はAstraの5分の1だ。

      出典 ↗
    • Meta6 位

      Terminal-Bench 58.2%でAstraと並ぶ。費用は1.92ドル対14.30ドル。Codex内のバグ率は1.22。OpenAIが複雑なコーディング向けに推奨。

      出典 ↗
    • Grok1 位

      相対バグ率0.76で、ランク付けされたモデルの中で最も少ない。Terminal-Benchの解決率は、Astraと同じ58.2%。Codexの実行費用は約634ドルで、Astraの約3.3kと比べて安い。

      出典 ↗
    • Gemini6 位

      Codex内でAstraのCLI解決率58.2%と並び、より深い反復推論を伴う。相対バグ率は1.22。

    • DeepSeek1 位

      相対バグ率0.98、Terminal-Bench 58.2%、出力10ドル。総合的に最良の枠。長時間作業ではAstraにわずかに及ばないが、価格は5倍安い。

      出典 ↗
    • Wenxin6 位

      ターミナル課題58.2%、行当たりバグ数1.22。Astraより速く、少しきれいで、価格帯は同じ。

    • MiMo5 位

      旗艦モデルと同じターミナル・スコア(58.2%)で、出力は100万トークン当たり10ドル。Astraより5倍安いが、行当たりバグ数は1.22。

      出典 ↗
    7つのAIがここに選出
  5. 5

    Claude Sonnet 5.5

    両方のボードで首位から3ポイント以内(ターミナル61.8%、1日がかり61.9%)。出力$10でOpus 5.5の半額、バグ率は1.03。

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

    各 AI のリストでの順位: ChatGPT: 4 · Meta: 5 · Grok: 2 · Gemini: 4 · DeepSeek: 2 · Wenxin: 4 · MiMo: 4

    各 AI の指摘 7
    • ChatGPT4 位

      ターミナル課題の解決率61.8%はOpus 5.5と3ポイント以内の差で、本格的な実装を任せられる候補になる。

      出典 ↗
    • Meta5 位

      Terminal-Bench 61.8%、FrontierSWE 61.9%。バグ率1.24はClaude Code内でFableと並び、価格は5分の1。

      出典 ↗
    • Grok2 位

      100万出力トークン当たり10ドルで、ターミナル首位に近い。Claude Codeでは61.8%、共通環境での丸一日タスク首位(61.9%)に近い。

      出典 ↗
    • Gemini4 位

      Terminal-Bench 4.0で61.8%。Opusの出力価格のごく一部で、エージェント型CLIのループにおける業界標準の日常的な主力。

    • DeepSeek2 位

      バグ率1.06、Terminal-Bench 61.8%、出力10ドル。Claude Codeの最上位ターミナル・スコアを最も安く得られる方法。

      出典 ↗
    • Wenxin4 位

      ターミナル課題61.8%で、価格はOpusのおそらく半額。主力として選ばれる枠。

      出典 ↗
    • MiMo4 位

      コーディング作業ではOpus 5.5と約2ポイント以内。ただし下の階層で、アンソロピックの2モデルのうちコストパフォーマンスの良い枠。

      出典 ↗
    7つのAIがここに選出
  6. 6

    Claude Fable 5.1

    Claude Code内で最もクリーンなモデル、0.93(10月は1.09)。ただし出力$50はAstraと同額で、1日がかり課題では56.3%。Astraは65.5%。

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

    各 AI のリストでの順位: ChatGPT: 5 · Meta: 2 · Grok: 5 · Gemini: 5 · DeepSeek: 7 · Wenxin: 5 · MiMo: 6

    各 AI の指摘 7
    • ChatGPT5 位

      合算バグ率0.93は、Opus 5.5の1.14より良い。Opus 5.5のほうがはるかに広く使われているにもかかわらず。

      出典 ↗
    • Meta2 位

      Claude Code内では1.09で最もきれい。FrontierSWEは56.3%で、Sonnet 5.5と並ぶが、費用は5倍。

      出典 ↗
    • Grok5 位

      Claude Code内で最もきれいなモデルで、0.93。ただし人々が実際に使う既定はOpus 5.5。

      出典 ↗
    • Gemini5 位

      Terminal-Bench 4.0の完了率57.9%は堅実で、相対バグ率1.09はOpus 5.5よりレビューでかなりきれい。

    • DeepSeek7 位

      バグ率1.07、Terminal-Bench 57.9%、FrontierSWE 56.3%。バランスは良いが、出力50ドルはAstraと同じ費用で、Astraの長時間タスクの優位はない。

      出典 ↗
    • Wenxin5 位

      ターミナル57.9%、行当たりバグ数1.09。きれいさは中位、価格も中位で、日常のコーディングに最適な枠。

      出典 ↗
    • MiMo6 位

      普段使いの専門家:ターミナル課題57.9%、Claude Code内で測定された最もきれいなコード(1.09)。

      出典 ↗
    7つのAIがここに選出
  7. 7

    Claude Opus 5

    Cursor内で最もバグの少ないランク付けモデル、1.22。ただし平均を上回る。1日がかり課題は52.0%で、Opus 5.5より低く、出力$25でより高い。

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

    各 AI のリストでの順位: ChatGPT: 8 · Meta: 8 · Grok: 8 · DeepSeek: 10 · MiMo: 9

    各 AI の指摘 5
    • ChatGPT8 位

      合算バグ率1.21は、新しいOpus 5.5に及ばない。モデル系列全体で、統計的に明確な改善が確認されたわけではない。

      出典 ↗
    • Meta8 位

      FrontierSWE 52.0%、バグ率1.33、旧Terminal-Bench 51.8%。価格が20%安いOpus 5.5に取って代わられた。

      出典 ↗
    • Grok8 位

      Cursor内では、ランク付けされたモデルの中で最もバグが少ない1.22。それでも平均より22%多くのバグが数えられる。

      出典 ↗
    • DeepSeek10 位

      バグ率1.30、Terminal-Bench 53.9%、FrontierSWE 52.0%、出力25ドル。今はきれいでも最強でもない中間の枠。

      出典 ↗
    • MiMo9 位

      前世代は、20時間タスクの半分(52.0%)を完了する。一方、新しく安いモデルは32%で止まる。

      出典 ↗
    5つのAIがここに選出
  8. 8

    Grok 4.7

    ランク付けされたモデルで最も安い出力(100万トークンあたり$6)だが、最も高いバグ率1.79が付いており、Grok Buildでのターミナル課題は37.6%。

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

    各 AI のリストでの順位: ChatGPT: 10 · Grok: 10 · Gemini: 7 · Wenxin: 7 · MiMo: 10

    各 AI の指摘 5
    • ChatGPT10 位

      相対バグ率1.79は、キュービックが現在ランク付けした8モデルの中で、標準的な実装担当として最も説得力に欠ける。

      出典 ↗
    • Grok10 位

      ランク付けされたモデルの中で最も安い出力トークン、100万当たり6ドル。だが、バグ率1.79は最も高い。

      出典 ↗
    • Gemini7 位

      Grok Build内のTerminal-Bench 4.0で37.6%。トークン処理量が多く、システム診断やインフラ自動化向け。

    • Wenxin7 位

      ターミナル課題37.6%。最先端のターミナル・モデルが、最先端の長時間タスク・モデルとは限らない。

      出典 ↗
    • MiMo10 位

      混合チームに入れる価値のある3番手。自社環境のターミナル課題で37.6%。実力はあるが、首位とは丸一階層の差がある。

      出典 ↗
    5つのAIがここに選出
  9. 9

    Gemini 4 Carbon

    FrontierSWE v2で61.2%。同じハーネスでOpus 5.5に1.1ポイント遅れ。キュービックのバグ率はなく、Terminal-Benchの公式行もない。

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

    各 AI のリストでの順位: ChatGPT: 6 · Meta: 7 · Grok: 6

    各 AI の指摘 3
    • ChatGPT6 位

      FrontierSWE v2で61.2%。同じ実行環境ではOpus 5.5に1.1ポイント差まで迫る。

    • Meta7 位

      FrontierSWE v2で61.2%の4位。バグ率の記録はない。OpenAIとアンソロピック以外では、長時間タスクのスコアが最高。

    • Grok6 位

      共通の20時間ボードで61.2%の4位。キュービックには、このモデルのバグ率の記録がない。

    3つのAIがここに選出
    出典なし
  10. 10

    Gemini 4 Argon

    1日がかり課題で55.0%、1回あたり約$129。Astraのコストのおよそ8分の1。導入時の出力価格$10は11月30日以降$20に上がる。キュービックのバグ率はなし。

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

    各 AI のリストでの順位: Meta: 9 · DeepSeek: 8 · MiMo: 8

    各 AI の指摘 3
    • Meta9 位

      FrontierSWE 55.0%。バグ率の記録はない。Googleの2026年10月の比較表では、対応範囲の広さで首位。

    • DeepSeek8 位

      FrontierSWE 55.0%、Terminal-Bench 57.6%、導入価格の出力10ドル。信頼できる3番手の枠だが、バグ密度は第三者から批判を受けた。

      出典 ↗
    • MiMo8 位

      FrontierSWEを1回フルに実行すると129.36ドル。Astraの約8分の1で、1日がかりのタスクの予算枠。

      出典 ↗
    3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。

バグ率は厳密に同じ基準ではありません。測定ツールによっても、時期によっても違います(Codex内では0.62、全体では0.76。Opus 5.5は現在1.14で、10月には1.49でした)。

1GPT-5.6 Sol

1位 — GPT-5.6 Sol. 8 の AI のうち 8 がリストに入れた/そこでの順位の中央値:3. 最も整ったコードを書き、数えられたバグが最も少なく、出力価格も安めです。ただし、丸一日かかる作業には弱いです。

知っていましたか

  • GPT-5.6には、Sol、Terra、Lunaの3つのサイズがあります。OpenAIの発表によると、より安価なTerraとLunaは、一部のテストでFable 5を上回り、そのコストは約16分の1だということです。

どんなものか
OpenAIのコーディング向けモデル「Sol」。3つのサイズで提供されています。
強み
3モデルの中で数えられたバグが最少で、出力価格ははるかに安いです。
向いている人
日常的なクリーンなコーディングに向いています。20時間に及ぶ長丁場の作業には向きません。
  • 相対的なバグ率相対的なバグ率 0.76

Wikidata

歴史
  • 2026年6月26日、OpenAIは審査を通過した少数のパートナーに限り、GPT-5.6 Solを先行公開しました。アメリカ政府の要請を受け、同社はまずパートナーの名前を政府に共有しました。OpenAIはこれを恒久的な措置ではなく、当面の措置だと説明しています。

さらに知るには
  • GPT-5.6 Solのモデルページを開きます。モデルID「gpt-5.6-sol」、コンテキストウィンドウ1,050,000トークン、価格が載っています。まずは負荷の高い実際の作業を1つ、標準の推論の強度mediumで試し、その後で設定を上げるか下げてください。

トップ3を比べる ↓

2GPT-6 Astra

2位 — GPT-6 Astra. 8 の AI のうち 8 がリストに入れた/そこでの順位の中央値:3. 20時間に及ぶ作業では最も優れていますが、1回あたりの費用がはるかに高く、バグも多いです。そのため、難しい案件を引き継ぐための上位枠です。

知っていましたか

  • Astraは、OpenAIの「Preparedness Framework(準備態勢の枠組み)」において、サイバー能力が「Critical(重大)」と評価された初のOpenAIモデルです。運用上の制限をかけない状態では、ExploitBenchで100%を記録しました。GPT-5.6 Solは78.5%でした。

どんなものか
OpenAIの最上位モデル「GPT-6」。まずは一部の顧客に提供が始まりました。
強み
20時間の作業で最高の65.5%を記録し、他の2つを上回ります。
向いている人
予算に余裕があり、丸一日かかる難しい作業に向いています。日常使いの標準にはなりません。
  • 相対的なバグ率バグ率 1.13

ウィキペディア · Wikidata

歴史
  • 2026年9月3日、OpenAIはGPT-6 Astraを、一般提供に先立ち、「Daybreak」プログラムの選ばれた顧客に先行して公開しました。

気をつけたい点
  • 公開から1週間後、多くのユーザーがAstraの性能が落ちたと述べました。オープンコードのダックス・ラード氏のチームは、支出が倍になったのに欠点を見合うほどの価値がないとして、GPT-5.6 Solに戻しました。デクリプトによると、OpenAIはまだ声明を出していません。

  • 料金は、入力100万トークンあたり10ドル、出力100万トークンあたり50ドルで、Solの公開時価格の2.5倍です。最も強力なサイバー関連機能は、Daybreakプログラムの審査を通過した防御側の利用者に限られます。

人々の声
  • Astra feels significantly dumber for me today — synthwavedd (developer, on X)

さらに知るには
  • OpenAIのGPT-6 Astraのページを開き、得意分野を確認してください。コンピューター操作、Web閲覧、コーディング、科学分野です。提供は限定的に始まっているため、始める前に、ご利用のプランで何が使えるかをページで確認してください。

Gemini が1位にした。そこに見たもの
  • Gemini: FrontierSWE v2の20時間の長時間タスクで65.5%と首位。Codex内ではCLI解決率58.2%を維持している。

トップ3を比べる ↓

3Claude Opus 5.5

3位 — Claude Opus 5.5. 8 の AI のうち 8 がリストに入れた/そこでの順位の中央値:3. ターミナル上の作業で首位に立ち、20時間に及ぶ作業でも、1回あたりの費用が安く好成績です。ただしバグは多めです。

知っていましたか

  • 推論の強度をmediumにすると、maxより良い結果が出ることがあります。一部のコーディングベンチマークでは、mediumは1ドル未満で作業を終え、1件あたり数ドルかかるmaxの実行よりも高い得点を記録しています。

どんなものか
アンソロピックのClaudeモデル。コーディング用エージェント向けに作られています。
強み
ターミナル作業で最高の64.8%を記録し、1回あたりの費用はAstraよりはるかに安いです。
向いている人
難しいターミナル作業に向いています。クリーンなコードを最優先するなら、選ぶべきモデルではありません。
  • 相対的なバグ率総合バグ率 1.14
歴史
  • 2026年9月22日、アンソロピックは5.5シリーズの初のモデルとなるClaude Opus 5.5を公開しました。標準の入力・出力価格は、Opus 5から20%引き下げられ、100万トークンあたり4ドルと20ドルになりました。

    出典 ↗ ✓ 複数の AI が確認
さらに知るには
  • Claude Opus 5.5の公式発表をお読みください。発表によると、このモデルはほとんどの作業でClaude Fable 5.1に匹敵し、運用コストはOpus 5より40%低いとされています。まずはClaude Platformで、モデルID「claude-opus-5-5」を使ってみてください。

MiMo が1位にした。そこに見たもの
  • MiMo: 自分の実行環境でターミナル課題の首位(64.8%)、20時間タスクでも62.3%で残る。1回約99ドルで、同じボードの勝者は約1,030ドル。

トップ3を比べる ↓

トップ3を並べて

GPT-5.6 SolGPT-6 AstraClaude Opus 5.5
AI のリスト入り8 / 88 / 88 / 8
相対的なバグ率相対的なバグ率 0.76バグ率 1.13総合バグ率 1.14
1位にした AIMeta, WenxinGeminiMiMo

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。

最も使われているモデルが最もクリーンとは限らない。Opus 5.5は10月26週にキュービックのAI行の64.4%を書いたが、そのバグ率は1.14で、GPT-6.1 Solの0.76より高い。

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

GPT-6 AstraとGPT-6.1 Solは、Codexでどちらも Terminal-Bench 4.0の58.2%を解く。1課題あたりの費用は約$9.90対$1.92。

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

FrontierSWE v2では、AstraがOpus 5.5を3.2ポイント上回るが、1回あたりのコストは約10倍:$1,029.65対$98.87。

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

キュービックのバグ率は公表ごとに変動した(Opus 5.5は1.49から1.14、GPT-6.1 Solは1.22から0.76)。集計期間が変わったため、モデルが良くなった証明ではない。3つ目の数値(GPT-6 Luna 0.47)は1つの回答にしか現れず、確認されていない。

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

04よくある質問

2026年にコーディングに一番いいモデルは何

役割によります。GPT-6.1 Solは数えられたバグ率が最も低い0.76、Claude Opus 5.5はTerminal-Bench 4.0で64.8%と首位、GPT-6 AstraはFrontierSWE v2で65.5%と首位です。

出典 ↗
コーディング gpt vs claude

20時間課題ではGPT-6 Astraが65.5%対62.3%でOpus 5.5に勝つ。ターミナル課題では、各自のハーネスでOpus 5.5が64.8%対58.2%でAstraに勝つ。

出典 ↗
コーディング gpt 5 vs claude

GPT-5.6 Solは10月にCodex内でバグ率0.62だったが、同じハーネス内のFrontierSWE v2では32.2%。Opus 5.5は62.3%。

出典 ↗
コーディングモデルのバグ率が情報源によって違うのはなぜ

キュービックの10月16日の記事は各エージェント内の短い期間を測定したが、11月4日のボードは7月13日から11月1日までをまとめている。そのため、Opus 5.5は一方では1.49、もう一方では1.14と表示される。

出典 ↗

05集計方法

数式なしで、やさしい言葉で。

1質問

1つのコーディングエージェントのチームに置くべきトップ10モデル

2このテーマを選んだ理由

読者は、単一のランキングでは得られない「モデル×役割」の選び方を得られ、一年を通して人々が検索する疑問に答えられる。

3対象範囲

全世界。Claude Code、Codex、Cursorなど同様のエージェント内でモデルを選ぶ人々

4評価の観点

  • そのエージェントを通じて実チームが出荷したコードで数えたバグ数(1行あたり)
  • ベンダー自身のハーネスで解けたターミナル課題の割合
  • 全モデルで同じハーネスを使った場合の、1日がかり課題のスコア
  • 出力トークンの定価と、バグ率の比較
  • キュービック Bug Bench — AIが書いた1行あたりの数えられたバグ数を平均(1.00、低いほどクリーン)と比較。11月4日のランキングは7月13日から11月1日までが対象。10月16日の記事はエージェントごとの短い期間を使った。
  • Terminal-Bench 4.0(tbench.ai)— ベンダー自身のハーネスを明記した66のターミナル課題での解決率。
  • プロキシマル FrontierSWE v2 — 最大20時間の34課題で、すべてのモデルが同じ共有Proximusハーネスを使った場合のMean@5スコア。
  • キュービック 定価とバグ率 — 100万出力トークンあたりのプロバイダー定価を、相対バグ率と並べて表示。

5順位をつけた AI

主要なAI:ChatGPT, Meta, Grok, Gemini, Nova, DeepSeek, Wenxin, MiMo。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

🇺🇸 ChatGPT10 位まで · メモ 3 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
    GPT-6.1 Sol(2026)

    相対バグ率は0.76で、ターミナル課題の結果はAstraと同じ58.2%。標準の出力トークン価格はAstraの5分の1だ。

    出典 ↗
  2. 2
    Claude Opus 5.5(2026)

    ターミナル課題で64.8%と首位だが、キュービックがレビューしたコードでは、合算バグ率1.14で平均より悪い。

    出典 ↗
  3. 3
    GPT-6 Astra(2026)

    20時間の長時間エンジニアリング作業で65.5%と首位。ただし出力トークン価格は50ドルなので、普段使いではなく難しい案件へのエスカレーション用モデルだ。

    出典 ↗
  4. 4
    Claude Sonnet 5.5(2026)

    ターミナル課題の解決率61.8%はOpus 5.5と3ポイント以内の差で、本格的な実装を任せられる候補になる。

    出典 ↗
  5. 5
    Claude Fable 5.1(2026)

    合算バグ率0.93は、Opus 5.5の1.14より良い。Opus 5.5のほうがはるかに広く使われているにもかかわらず。

    出典 ↗
  6. 6
    Gemini 4 Carbon(2026)

    FrontierSWE v2で61.2%。同じ実行環境ではOpus 5.5に1.1ポイント差まで迫る。

  7. 7
    GPT-5.6 Sol(2026)

    過去のCodexでのバグ率0.62は優秀だが、長時間タスクのスコア32.2%を見ると、最も難しい役割は任せにくい。

    出典 ↗
  8. 8
    Claude Opus 5(2026)

    合算バグ率1.21は、新しいOpus 5.5に及ばない。モデル系列全体で、統計的に明確な改善が確認されたわけではない。

    出典 ↗
  9. 9
    Claude Opus 4.8(2026)

    シェアは7月の29.4%から、10月下旬には0.5%に低下した。コーディング用モデルの定番がいかに速く入れ替わるかを示している。

    出典 ↗
  10. 10
    Grok 4.7(2026)

    相対バグ率1.79は、キュービックが現在ランク付けした8モデルの中で、標準的な実装担当として最も説得力に欠ける。

    出典 ↗

ChatGPT が気づいたこと

最も使われているモデルが、レビューされたコードで最もきれいとは限らない。Opus 5.5は最新の完全な週に、キュービックがAI由来と判定した行の64.4%を書いたが、相対バグ率が最も低かったのはGPT-6.1 Solの0.76で、Opus 5.5は1.14だった。

AstraとSolは、Codexを使ったTerminal-Bench 4.0でどちらも58.2%に達したが、推定のAPI課題費用はそれぞれ9.90ドルと1.92ドルだった。四捨五入後の解決率が同じでも、すべての課題で同じ性能だとは言えない。

出力トークンの定価は、課題の費用そのものではない。使うトークンが少ないモデルや速く終わるモデルは、100万出力トークン当たりの価格が高くても、解けた課題1件当たりの費用が安くなることがある。

🇺🇸 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
    GPT-5.6 Sol 2026

    Codex内では0.62、全体では0.65。平均より低い唯一のモデルで、バグは35%少ない。ただし10月5日週のレビュー済みコードでは0.7%だけ。

    出典 ↗
  2. 2
    Claude Fable 5.1 2026

    Claude Code内では1.09で最もきれい。FrontierSWEは56.3%で、Sonnet 5.5と並ぶが、費用は5倍。

    出典 ↗
  3. 3
    GPT-6 Astra 2026

    FrontierSWE v2で65.5%の首位、Terminal-Benchは58.2%。それでもバグ率1.13は平均より悪い。20時間タスクに強いモデル。

  4. 4
    Claude Opus 5.5 2026

    Terminal-Bench 64.8%で首位、FrontierSWE 62.3%で2位。ただし、バグ率1.49はClaude Code内で最悪。ターミナルには強いが、普段使いのコードは汚い。

    出典 ↗
  5. 5
    Claude Sonnet 5.5 2026

    Terminal-Bench 61.8%、FrontierSWE 61.9%。バグ率1.24はClaude Code内でFableと並び、価格は5分の1。

    出典 ↗
  6. 6
    GPT-6.1 Sol 2026

    Terminal-Bench 58.2%でAstraと並ぶ。費用は1.92ドル対14.30ドル。Codex内のバグ率は1.22。OpenAIが複雑なコーディング向けに推奨。

    出典 ↗
  7. 7
    Gemini 4 Carbon 2026

    FrontierSWE v2で61.2%の4位。バグ率の記録はない。OpenAIとアンソロピック以外では、長時間タスクのスコアが最高。

  8. 8
    Claude Opus 5 2026

    FrontierSWE 52.0%、バグ率1.33、旧Terminal-Bench 51.8%。価格が20%安いOpus 5.5に取って代わられた。

    出典 ↗
  9. 9
    Gemini 4 Argon 2026

    FrontierSWE 55.0%。バグ率の記録はない。Googleの2026年10月の比較表では、対応範囲の広さで首位。

  10. 10
    Claude Haiku 5.5 2026

    FrontierSWE 43.8%。10月5日の集計期間のBug Benchでは順位なし。出力は0.50ドル。定型作業用として最も安いClaude。

    出典 ↗

Meta が気づいたこと

ベンダーの既定設定が最もきれいとは限らない。Claude Codeの既定はOpus 5.5で、そのエージェント内ではバグ率1.49と最悪。一方、Fable 5.1は1.09でClaude Code内で最もきれい。Codexは6.1 Sol(1.22)を推奨するが、最もきれいなのは5.6 Sol(0.62)。

普段使いのきれいさ、ターミナル、20時間タスクは、別々の3つの役割だ。バグ率で勝つのはGPT-5.6 Sol(0.62)、ターミナルで勝つのはOpus 5.5(64.8%)、20時間ではAstra(65.5%)。すべてに勝つモデルはない。

1行当たりの費用で順位が逆転する。Solは出力10ドルでバグ率0.65、Astraは出力50ドルで1.13。Astraは5倍の費用をかけて、平均より13%多くバグが出る。

GPT-5.6 Solは、8月17日週のAI製コードの35%を書いたが、10月5日週では0.7%。最もきれいなモデルが、今やレビューデータで最も少ない。

🇺🇸 Grok10 位まで · メモ 4 件

同じ質問に Grok 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
    GPT-6.1 Sol

    相対バグ率0.76で、ランク付けされたモデルの中で最も少ない。Terminal-Benchの解決率は、Astraと同じ58.2%。Codexの実行費用は約634ドルで、Astraの約3.3kと比べて安い。

    出典 ↗
  2. 2
    Claude Sonnet 5.5

    100万出力トークン当たり10ドルで、ターミナル首位に近い。Claude Codeでは61.8%、共通環境での丸一日タスク首位(61.9%)に近い。

    出典 ↗
  3. 3
    Claude Opus 5.5

    10月26日週に、キュービックがレビューしたAI製コードの64.4%を書いた。ただしClaude Codeではきれいなモデルではない。現在は1.13、10月の記事では1.49。

    出典 ↗
  4. 4
    GPT-6 Astra

    20時間タスクの首位で65.5%。1回あたり約1,030ドル。ターミナル作業では、出力10ドルのSolに勝てない。

    出典 ↗
  5. 5
    Claude Fable 5.1

    Claude Code内で最もきれいなモデルで、0.93。ただし人々が実際に使う既定はOpus 5.5。

    出典 ↗
  6. 6
    Gemini 4 Carbon

    共通の20時間ボードで61.2%の4位。キュービックには、このモデルのバグ率の記録がない。

  7. 7
    GLM-5.3

    オープンウェイト枠。Claude Code内のターミナル課題で41.8%、20時間ボードで30.2%。

    出典 ↗
  8. 8
    Claude Opus 5

    Cursor内では、ランク付けされたモデルの中で最もバグが少ない1.22。それでも平均より22%多くのバグが数えられる。

    出典 ↗
  9. 9
    GPT-5.6 Sol

    Codex内で0.62と最もきれいなモデル。ただし1日がかりのタスクではスコア32.2%で、Astraの約半分。

    出典 ↗
  10. 10
    Grok 4.7

    ランク付けされたモデルの中で最も安い出力トークン、100万当たり6ドル。だが、バグ率1.79は最も高い。

    出典 ↗

Grok が気づいたこと

Claude Codeの有料プランの既定はOpus 5.5。そのエージェント内で11月4日の集計期間に最も低いバグ率は、Fable 5.1の0.93で、Sonnet 5.5の1.00と並ぶ。Opus 5.5は1.13。

GPT-6 AstraとGPT-6.1 Solは、Codex内のTerminal-Bench 4.0で同じ58.2%を解く。Astraの記載実行費用は約3.3kドル、Solは約634ドル。

FrontierSWE v2では、Astraの65.5%は1回の費用がOpus 5.5(62.3%)の約10倍。約1,029.65ドル対98.87ドル。

GPT-5.6 Solは、キュービックの10月の記事でCodex内のバグ数0.62と首位だったが、AI由来の行の0.5%未満に落ち、11月4日のランキングから外れた。1日がかりのスコアは32.2%。

🇺🇸 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
    GPT-6 Astra

    FrontierSWE v2の20時間の長時間タスクで65.5%と首位。Codex内ではCLI解決率58.2%を維持している。

  2. 2
    Claude Opus 5.5

    コマンドライン・ベンチマークの現王者。Terminal-Bench 4.0で64.8%、FrontierSWE v2で62.3%。ただし相対欠陥率は1.49。

  3. 3
    GPT-5.6 Sol

    本番用コードを書くモデルとして記録上最もきれい。相対バグ率0.62は異例に低く、普段使いの頼れる主力。ただし20時間タスクのスコア32.2%は控えめ。

  4. 4
    Claude Sonnet 5.5

    Terminal-Bench 4.0で61.8%。Opusの出力価格のごく一部で、エージェント型CLIのループにおける業界標準の日常的な主力。

  5. 5
    Claude Fable 5.1

    Terminal-Bench 4.0の完了率57.9%は堅実で、相対バグ率1.09はOpus 5.5よりレビューでかなりきれい。

  6. 6
    GPT-6.1 Sol

    Codex内でAstraのCLI解決率58.2%と並び、より深い反復推論を伴う。相対バグ率は1.22。

  7. 7
    Grok 4.7

    Grok Build内のTerminal-Bench 4.0で37.6%。トークン処理量が多く、システム診断やインフラ自動化向け。

  8. 8
    Gemini 2.5 Pro

    200万トークンのネイティブ・コンテキストウィンドウで、複数リポジトリのコードベース全体を1回のプロンプトで読み込める。複雑な依存関係の移行向け。

    出典 ↗
  9. 9
    DeepSeek V3.5 コーダー

    オープンウェイトで最もコストの低いモデル。高頻度の単体テスト生成や、自動のプルリクエスト検査の群れ向けに、商用のトークン価格を大きく下回る。

  10. 10
    Qwen 2.5 コーダー 32B

    オンプレミス環境の企業コードベース向けに最も優れたセルフホスト型モデル。クラウドへのデータ流出がゼロで、エアギャップ(完全隔離)のコンプライアンスが譲れない条件の場合に向く。

    出典 ↗
🇨🇳 DeepSeek10 位まで · メモ 3 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
    GPT-6.1 Sol

    相対バグ率0.98、Terminal-Bench 58.2%、出力10ドル。総合的に最良の枠。長時間作業ではAstraにわずかに及ばないが、価格は5倍安い。

    出典 ↗
  2. 2
    Claude Sonnet 5.5

    バグ率1.06、Terminal-Bench 61.8%、出力10ドル。Claude Codeの最上位ターミナル・スコアを最も安く得られる方法。

    出典 ↗
  3. 3
    GPT-6 Astra

    FrontierSWE 65.5%、Terminal-Bench 58.2%。ボード上で1日がかりのタスクに最も強いモデルだが、出力は50ドルで、バグ率は1.09。

    出典 ↗
  4. 4
    GPT-6 Luna

    バグ率0.47(平均より53%少ないバグ数)で、出力は0.50ドル。ただしTerminal-Benchは16.4%のみ。きれいな普段使いの枠で、締めの役は担えない。

    出典 ↗
  5. 5
    Claude Opus 5.5

    Terminal-Bench 64.8%、FrontierSWE 62.3%。難しい作業ではClaude Codeで最強の組み合わせだが、バグ率1.39はBug Benchで最悪。

    出典 ↗
  6. 6
    Kimi K3.1 Pro

    Terminal-Bench(Artificial Analysis)67.2%、出力10ドル。生のターミナル王者だが、FrontierSWEは25.9%で、Bug Benchの順位もないため専門特化型だ。

  7. 7
    Claude Fable 5.1

    バグ率1.07、Terminal-Bench 57.9%、FrontierSWE 56.3%。バランスは良いが、出力50ドルはAstraと同じ費用で、Astraの長時間タスクの優位はない。

    出典 ↗
  8. 8
    Gemini 4 Argon

    FrontierSWE 55.0%、Terminal-Bench 57.6%、導入価格の出力10ドル。信頼できる3番手の枠だが、バグ密度は第三者から批判を受けた。

    出典 ↗
  9. 9
    GPT-5.6 Sol

    Codex内でバグ率0.62。平均より38%少ないバグ数。ただしTerminal-Bench 37.3%、FrontierSWE 32.2%。小さな作業で最もきれいな枠で、長時間作業向けではない。

    出典 ↗
  10. 10
    Claude Opus 5

    バグ率1.30、Terminal-Bench 53.9%、FrontierSWE 52.0%、出力25ドル。今はきれいでも最強でもない中間の枠。

    出典 ↗

DeepSeek が気づいたこと

最も安いモデルがバグ・ベンチで勝つ。出力0.50ドルのGPT-6 Lunaは、最低の相対バグ率0.47(平均より53%低い)。一方、出力50ドルのFable 5.1とAstraは1.07と1.09。

Opus 5.5は最も矛盾した枠。Claude Codeのターミナル・スコアは最高(64.8%)、FrontierSWEは2位(62.3%)だが、Bug Benchのバグ率は最悪(1.39)。

1回当たりの費用でFrontierSWEの順位が変わる。GPT-6 Astraは65.5%で首位だが、1回1,029.65ドル。Opus 5.5は98.87ドルで、90%安く、差は3.2ポイントだけ。

🇨🇳 Wenxin10 位まで · メモ 2 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
    GPT-5.6 Sol(OpenAI、Codex内)2026

    観測された最低のバグ率0.62を、Codexの価格で。100万トークン当たりラテ1杯分の値段で、きれいなコードが手に入る。

    出典 ↗
  2. 2
    GPT-6 Astra(OpenAI、Codex内)2026

    FrontierSWEの王者、65.5%。ターミナルでは58.2%。ただし行当たりバグ数1.13のため、きれいな1行当たりの費用は高くつく。

  3. 3
    Claude Opus 5.5(アンソロピック、Claude Code内)2026

    ターミナルで64.8%、20時間タスクで62.3%。ただし行当たりバグ数1.49で、きれいさでは劣る。

    出典 ↗
  4. 4
    Claude Sonnet 5.5(アンソロピック、Claude Code内)2026

    ターミナル課題61.8%で、価格はOpusのおそらく半額。主力として選ばれる枠。

    出典 ↗
  5. 5
    Claude Fable 5.1(アンソロピック、Claude Code内)2026

    ターミナル57.9%、行当たりバグ数1.09。きれいさは中位、価格も中位で、日常のコーディングに最適な枠。

    出典 ↗
  6. 6
    GPT-6.1 Sol(OpenAI、Codex内)2026

    ターミナル課題58.2%、行当たりバグ数1.22。Astraより速く、少しきれいで、価格帯は同じ。

  7. 7
    Grok 4.7(xAI、Grok Build内)2026

    ターミナル課題37.6%。最先端のターミナル・モデルが、最先端の長時間タスク・モデルとは限らない。

    出典 ↗
  8. 8
    DeepSeek-V3(DeepSeek、API経由)2026

    オープンウェイト、100万トークン当たり2未満。バグ率はキュービックの上位リストにはないが、コミュニティの報告では約1.3。

  9. 9
    Qwen 3(アリババ、API経由)2026

    オープンウェイト。中国語のベンチマークではターミナル作業に強い。英語のキュービックのデータは少ない。

  10. 10
    Gemini 2.5 Pro(グーグル、Vertex/AI Studio経由)2026

    Googleの2026年の旗艦モデル。キュービックとターミナルのデータは上位表にはまだないが、長いコンテキストに強い。

    出典 ↗

Wenxin が気づいたこと

Claude Fable 5.1は、トークン当たりの価格がClaude Opus 5.5のおよそ15分の1だが、ターミナルで57.9%、行当たりバグ数は1.09のみ。普段のエージェント型コーディングで、価格性能比の王者。

GPT-6 AstraはFrontierSWEで首位(65.5%)だが、バグ率1.13のため、月100K行を出荷するチームは、Fableが約0.07Mトークンで出すのと同じきれいな出力に、約1.4Mトークンを払うことになる。

🇨🇳 MiMo10 位まで · メモ 4 件

同じ質問に MiMo 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
    Claude Opus 5.5(アンソロピック、2026)

    自分の実行環境でターミナル課題の首位(64.8%)、20時間タスクでも62.3%で残る。1回約99ドルで、同じボードの勝者は約1,030ドル。

    出典 ↗
  2. 2
    GPT-6 Astra(OpenAI、2026)

    20時間タスクで唯一1位になったモデル。1回1,029.65ドル、Codex内で行当たりバグ数1.13。

    出典 ↗
  3. 3
    GPT-5.6 Sol(OpenAI、2026)

    ボード上で最もきれいなコード。Codex内で行当たりバグ数0.62。ただし上位モデルの中で長時間タスクのスコアは最低の32.2%。

    出典 ↗
  4. 4
    Claude Sonnet 5.5(アンソロピック、2026)

    コーディング作業ではOpus 5.5と約2ポイント以内。ただし下の階層で、アンソロピックの2モデルのうちコストパフォーマンスの良い枠。

    出典 ↗
  5. 5
    GPT-6.1 Sol(OpenAI、2026)

    旗艦モデルと同じターミナル・スコア(58.2%)で、出力は100万トークン当たり10ドル。Astraより5倍安いが、行当たりバグ数は1.22。

    出典 ↗
  6. 6
    Claude Fable 5.1(アンソロピック、2026)

    普段使いの専門家:ターミナル課題57.9%、Claude Code内で測定された最もきれいなコード(1.09)。

    出典 ↗
  7. 7
    GPT-6.1 Terra(OpenAI、2026)

    OpenAIによると、Astraと同等の性能で、トークン価格は10分の1。トークンの使用効率はOpus 5.5の3倍だという。

    出典 ↗
  8. 8
    Gemini 4 Argon(グーグル、2026)

    FrontierSWEを1回フルに実行すると129.36ドル。Astraの約8分の1で、1日がかりのタスクの予算枠。

    出典 ↗
  9. 9
    Claude Opus 5(アンソロピック、2025)

    前世代は、20時間タスクの半分(52.0%)を完了する。一方、新しく安いモデルは32%で止まる。

    出典 ↗
  10. 10
    Grok 4.7(xAI、2026)

    混合チームに入れる価値のある3番手。自社環境のターミナル課題で37.6%。実力はあるが、首位とは丸一階層の差がある。

    出典 ↗

MiMo が気づいたこと

最もきれいなモデルと最も強いモデルは、同じ役割ではない。Codex内では、GPT-5.6 Solの行当たりバグ数は0.62、GPT-6 Astraは1.13。それでも20時間タスクで勝つのはAstraだけ。

FrontierSWE v2で勝つには、GPT-6 Astraは1回1,029.65ドルかかる。Claude Opus 5.5は98.87ドルで62.3%に達する。3.2ポイントの差のために、費用は10倍。

Claude Codeでは、ベンダー自身の旗艦が、より汚れたコードを書く。Opus 5.5の行当たりバグ数は1.49、Fable 5.1は1.09。

今年最大のランキング上昇は、ベンダーではなく世代によるもの。Opus 4.8はターミナル課題の23.6%を解いた。Opus 5.5は64.8%を解く。