今日のトレンドに戻る: 代わりに作業するメタのAIが、腕時計でも使えるように
Poly ランキング · 今日のトレンドから

ベストAIエージェント・ベンチマーク 2026：1ドルあたりのトップ10

プリンストン大学が独自に再実行したGAIAの試験では、Claude Opus 4.1 High は562ドルを使って68.48%を記録しました。一方、Claude Sonnet 4.5 は178ドルで74.55%でした。

  • 1位：Claude Sonnet 4.5（HAL Generalist Agent）
  • 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

    Claude Sonnet 4.5（HAL Generalist Agent）

    GAIAの検証済みスコアは最高の74.55%、レベル3のスコアも最高の65.39%で、1回の実行は178.20ドルです。HAL は、性能と費用のバランスで最適（パレート最適）と評価しています。Opus 4.1 High は3倍のコストがかかるのに、スコアは低くなっています。

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

    各 AI のリストでの順位: Claude: 1 · ChatGPT: 1 · Kimi: 1

    各 AI の指摘 3
    • Claude1 位

      全体で74%、最難度のレベル3で65%を超えた唯一の実行。解けた問題1問あたり約$1.45。HALはこれをパレート最適と判定しています。

    • ChatGPT1 位

      検証セットのほぼ4分の3を、全体で$178.20の実行で解きました。レベル3では65.39%で、この表の首位です。

      出典 ↗
    • Kimi1 位

      検証済みの正答率で全体首位（74.55%）かつ最難度スコアも最高（65.4%）。しかもタスクあたり約1ドルです。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  2. 2

    Claude 3.7 Sonnet High（HAL Generalist Agent）

    2025年2月のモデルで、総合64.24%、レベル3で57.69%を、122.49ドルで記録しました。レベル3では、新しい Opus 4.1 High を、そのコストの約5分の1で上回っています。

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

    各 AI のリストでの順位: Claude: 4 · ChatGPT: 2 · Kimi: 2

    各 AI の指摘 3
    • Claude4 位

      2025年2月のモデルは、レベル3で57.69%を記録し、GPT-5 Mediumの46%を上回ります。解けた問題1問あたり約$1.16です。

      出典 ↗
    • ChatGPT2 位

      全体首位との差は10.31ポイントですが、推定正解1件あたりのコストは約31%安く、レベル3は57.69%です。

      出典 ↗
    • Kimi2 位

      2025年2月のモデルで、新しいOpus 4.1 Highを最難度で上回ります（57.7%対53.8%）。コストは5分の1です。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  3. 3

    OpenAI o4-mini Low（HAL Generalist Agent）

    1回73.26ドルで、パレート最適です。レベル3（53.85%）では、562ドルの Opus 4.1 High の実行と同点ですが、総合では首位より16ポイント低くなっています。

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

    各 AI のリストでの順位: Claude: 2 · ChatGPT: 4 · Kimi: 3

    各 AI の指摘 3
    • Claude2 位

      全体で58%、最難度のレベルで53.85%。解けた問題1問あたり約$0.76で、HALの表の中で価格とレベル3の強さの組み合わせが最も良い結果です。

      出典 ↗
    • ChatGPT4 位

      この10件の中で最も安い推定成功回答は約$0.76ですが、全体スコアは首位より16.37ポイント低くなっています。

      出典 ↗
    • Kimi3 位

      最難度で$562のClaude Opus 4.1 Highと同点（ちょうど53.85%）。ただし実行全体のコストは$73.26です。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  4. 4

    Claude Sonnet 4.5 High・extended thinking（HAL Generalist Agent）

    拡張思考は、標準の Sonnet 4.5 とほぼ同じ費用です（179.86ドル対178.20ドル）。総合では3.64ポイント低く、レベル3は65.39%から46.15%に下がります。

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

    各 AI のリストでの順位: Claude: 7 · ChatGPT: 6 · Kimi: 9

    各 AI の指摘 3
    • Claude7 位

      拡張思考のコストはほぼ同じ（$179.86対$178.20）でしたが、正答率は3.6ポイント下がり、レベル3は65%から46%に落ちました。

      出典 ↗
    • ChatGPT6 位

      High設定のコストは標準のSonnet実行よりわずかに高いだけですが、全体で3.64ポイント、レベル3で18.08ポイント低くなっています。

      出典 ↗
    • Kimi9 位

      推論にお金をかけるほど、成果は落ちています。同じモデルの標準設定より全体で4ポイント、最難度で19ポイント低く、価格は同じです。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  5. 5

    Claude Haiku 4.5（HAL Generalist Agent）

    この小型モデルはレベル3で61.54%を記録し、表の中では2番目に高い成績です。レベル2の51.16%も上回っています。正解1問あたりに換算すると約1.41ドルです（推定）。

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

    各 AI のリストでの順位: Claude: 5 · ChatGPT: 3 · Kimi: 5

    各 AI の指摘 3
    • Claude5 位

      安いClaudeモデルはレベル3で61.54%を取り、自身のレベル2の51.16%を上回ります。

      出典 ↗
    • ChatGPT3 位

      レベル3で61.54%は、ここに載っている中で2番目に高いスコアです。推定正解1件あたり約$1.41です。

      出典 ↗
    • Kimi5 位

      このファミリーの「小型」モデルが、ボード全体で2番目に高い最難度スコアを出しています。レベル3で61.5%です。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  6. 6

    GPT-5 Medium（HF Open Deep Research）

    同じモデルを HAL Generalist エージェントで使ったものより、3.41ポイント高い点数です。ただし、費用は約3.4倍（359.83ドル）です。価格を大きく左右するのは、モデルよりも実行の枠組みです。

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

    各 AI のリストでの順位: Claude: 10 · ChatGPT: 9 · Kimi: 7

    各 AI の指摘 3
    • Claude10 位

      スコアは62.8%でHALの表の7位ですが、$359.83かかり、同じモデルのHAL Generalistエージェント版の約3.4倍です。

      出典 ↗
    • ChatGPT9 位

      HAL Generalist版のGPT-5 Mediumの実行より正答率が3.41ポイント高いですが、報告されたコストは約3.4倍です。

      出典 ↗
    • Kimi7 位

      新しく、ほぼ非公開のv5インデックスでは、$10.04の首位より3ポイント低い結果です。タスクあたり$1.27で、価格は8分の1です。

      出典 ↗
    3つのAIがここに選出
    出典 ↗
  7. 7

    GPT-5 Medium（HAL Generalist Agent）

    59.39%で、104.75ドルです。正解1問あたり約1.07ドルです（推定）。同じモデルを HF Open Deep Research の中で使うと、359.83ドルかかります。

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

    各 AI のリストでの順位: Claude: 3 · Kimi: 4

    各 AI の指摘 2
    • Claude3 位

      解けた問題1問あたり約$1.07。同じモデルをHF Open Deep Researchで使うと約$3.47かかります。モデルよりも、枠組み（スキャフォールド）の仕組みが価格を大きく変えています。

      出典 ↗
    • Kimi4 位

      59%を超える最も安い検証済みルートです。フル実行は$104.75、タスクあたり約$0.63です。

      出典 ↗
    2つのAIがここに選出
    出典 ↗
  8. 8

    OpenAI o4-mini High（HAL Generalist Agent）

    59.39ドルでパレート最適です。上位の実行のなかでは、正解1問あたりの費用が最も安く、約0.66ドルです（推定）。ただし、レベル3の46.15%は o4-mini Low を下回ったままです。

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

    各 AI のリストでの順位: Claude: 6 · Kimi: 6

    各 AI の指摘 2
    • Claude6 位

      解けた問題1問あたり約$0.66で最安ですが、レベル3の46%が、o4-mini Lowより下位になる主な理由です。

      出典 ↗
    • Kimi6 位

      $59.39で165タスクの全実行をカバーします。54%を超える中で最も安いパレート最適の入口です。

      出典 ↗
    2つのAIがここに選出
    出典 ↗
  9. 9

    Claude Opus 4.1 High（HAL Generalist Agent）

    562.24ドルで68.48%です。正解1問あたり約4.97ドルです（推定）。これは Sonnet 4.5 の正解1問あたり費用のおよそ3.4倍で、正答率も低くなっています。

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

    各 AI のリストでの順位: Claude: 9 · ChatGPT: 7

    各 AI の指摘 2
    • Claude9 位

      スコアは68.5%ですが、$562かかり、解けた問題1問あたり約$5です。Sonnet 4.5の解けた問題1問あたりのコストの約3.4倍で、正答率は低くなっています。

      出典 ↗
    • ChatGPT7 位

      Sonnet 4.5より正答率が5.06ポイント低く、フル実行のコストは3倍以上です。

      出典 ↗
    2つのAIがここに選出
    出典 ↗
  10. 10

    Gemini 2.0 Flash（HAL Generalist Agent）

    GAIAの全体の実行が7.80ドルで、パレート最適です。首位より約23倍安くなっています。ただし、難しいタスクでは崩れます。レベル3は11.54%です。これを掲載していたAIは1つだけでした。

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

    各 AI のリストでの順位: Kimi: 10

    各 AI の指摘 1
    • Kimi10 位

      $7.80でGAIAのフル実行が可能です。首位のコストの23分の1で、正答率の44%を保っています。

      出典 ↗
    1つのAIがここに選出
    出典 ↗

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つとも同じプリンストン大学のGAIA表から取ったものです。ただし1回あたりの費用と最難関レベルでの成績が違うため、総合スコアと価格は逆の方向に働きます。

1Claude Sonnet 4.5（HAL Generalist Agent）

1位 — Claude Sonnet 4.5（HAL Generalist Agent）. 9 の AI のうち 3 がリストに入れた／そこでの順位の中央値：1. 確認済みのGAIA総合スコアも最難関レベルのスコアも最高で、Opus 4.1 Highよりずっと安く済みます。

知っていましたか

  • HALのGAIAランキングでは、思考を増やす設定を使わないClaude Sonnet 4.5（74.55%）が、自身の「High」版（70.91%）を上回りました。ここでは思考量を増やしても成績は良くなりませんでした。Opus 4.1 Highは68.48%で3位でした。

    出典 ↗
どんなものか
アンソロピックのClaude Sonnet 4.5を、汎用エージェントとしてプリンストン大学のGAIAテストで動かした結果。
強み
3つの中で総合スコア（74.55%）もレベル3のスコア（65.39%）も最高。
向いている人
最高のスコアを求める人向けです。$178と高いため、いちばん安い実行ではありません。
  • 1ドルあたりのGAIA正答率74.55%、$178.20

Wikidata

ここにある理由

  • HALのGAIAランキングで最高の総合スコア74.55%を記録しました。 — (voice only)

    出典 ↗

  • レベル3のスコアは65.39%で、Claude 3.7 Sonnet Highの57.69%や、o4-mini Lowの53.85%を上回りました。 — (voice only)

    出典 ↗
歴史

  • 2025年、Sonnet 4.5の発表はコンピューター操作の大きな飛躍を示しました。アンソロピックはOSWorldで61.4%を報告しています。4か月前のSonnet 4の42.2%から上がっています。この発表では、Claude Codeをもとにしたエージェント開発キットも紹介されました。 — (voice only)

    出典 ↗
気をつけたい点

  • $178.20は1回の実行にかかった費用です。HALによると、費用の計算はキャッシュを考慮しておらず過大に出ている可能性があるため、実際の価格はもっと低いかもしれません。掲載されているのは1回の実行のみで、公開されている165問が対象です。

    出典 ↗

  • 別のCursorユーザーは、このモデルがコードにエラーを残し、一部の作業では間違った答えを出すと話しています。これは一人の利用者の意見ですが、最高スコアでもすべての作業がうまくいくとは限らないことを思い出させます。

    出典 ↗
人々の声

  • "This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder

    出典 ↗

動画: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (英語) · Eliot Prince

トップ3を比べる ↓

2Claude 3.7 Sonnet High（HAL Generalist Agent）

2位 — Claude 3.7 Sonnet High（HAL Generalist Agent）. 9 の AI のうち 3 がリストに入れた／そこでの順位の中央値：2. この旧モデルは、ずっと高価なOpus 4.1 Highを最難関レベルで上回り、費用はおよそ5分の1です。

知っていましたか

  • 2025年2月、Claude 3.7 Sonnetがポケモン赤をプレイする様子がTwitchでライブ配信され始め、数千人の視聴者が集まりました。つまり、このエージェントテストで好成績を収めたモデルは、人前でゲームもプレイしていたことになります。

    出典 ↗
どんなものか
2025年2月に出たClaude 3.7 Sonnetを、汎用エージェントとして動かした結果。
強み
首位のモデルより安く（$122.49）、レベル3ではo4-miniより高得点です。
向いている人
価格と難しい作業への強さの中間を取りたい人向けです。
  • 1ドルあたりのGAIA正答率64.24%、$122.49
ここにある理由

  • 総合スコアは$122.49で64.24%でした。Opus 4.1 Highは$562.24で68.48%です。 — (voice only)

    出典 ↗

  • レベル3のスコアは57.69%で、Opus 4.1 Highの53.85%を上回りました。費用は4分の1未満です：$122.49対$562.24。 — (voice only)

    出典 ↗
歴史

  • 2025年、アンソロピックはClaude 3.7 Sonnetの発表と同時に、初期の研究プレビュー版であるClaude Codeを公開しました。開発者がターミナルからコーディング作業をClaudeに任せられるものです。このモデルの発表では、途中の思考過程を段階的に見せる拡張思考機能も紹介されました。 — Anthropic

    出典 ↗
さらに知るには

  • GAIAのランキングを開き、HAL Generalist Agentの下にあるClaude 3.7 Sonnet Highの行を探してください。まずレベル3の列を見て、次にその費用をOpus 4.1 Highの行と比べてください。

    出典 ↗
トップ3を比べる ↓

3OpenAI o4-mini Low（HAL Generalist Agent）

3位 — OpenAI o4-mini Low（HAL Generalist Agent）. 9 の AI のうち 3 がリストに入れた／そこでの順位の中央値：3. 最も安く実行でき、最難関レベルではOpus 4.1 Highと並びます。ただし総合では首位に及びません。

知っていましたか

  • OpenAIのサム・アルトマンは当初、o4-miniを独自のモデルとして出す代わりに、GPT-5に組み込む計画でした。o4-miniは2025年4月16日に公開され、無料ユーザーは4月24日から使えるようになりました。

    出典 ↗
どんなものか
OpenAIのo4-miniを、汎用エージェントとしてLow設定で動かした結果。
強み
3つの中で最も安く（$73.26）、レベル3ではOpus 4.1 Highと並びます。
向いている人
予算を気にする人向けです。総合スコアが最も高いものが必要な人には向きません。
  • 1ドルあたりのGAIA正答率58.18%、$73.26
ここにある理由

  • HALはこれをパレート最適と表示しています。総合スコアは58.18%で、費用は$73.26。3つの中で最も安いものです。 — (voice only)

    出典 ↗

  • レベル3のスコアは53.85%で、費用$562.24のOpus 4.1 Highと同じです。o4-mini Lowの費用は$73.26でした。 — (voice only)

    出典 ↗
知っていましたか

  • o4-miniは文章だけでなく画像も扱えました。記事の例では、「チェーン・オブ・ソート（思考の連鎖）」の段階、つまり回答の前に行う段階的な推論の中で、ホワイトボードに描かれた図を分析しています。

    出典 ↗
気をつけたい点

  • OpenAIのPersonQAテストでは、o4-miniが48%の割合で事実でないことをでっち上げました。このテストは人物に関する事実を扱うもので、GAIAのエージェント作業ではありませんが、回答を二重に確認する理由にはなります。

    出典 ↗
さらに知るには

  • 同じGAIAのランキングで、HAL Generalist Agentの下にある、パレート最適と表示されたo4-mini Lowの行を探してください。その費用とレベル3のスコアをOpus 4.1 Highの行と比べると、トレードオフが分かります。

    出典 ↗
トップ3を比べる ↓

トップ3を並べて

Claude Sonnet 4.5（HAL Generalist Agent）Claude 3.7 Sonnet High（HAL Generalist Agent）OpenAI o4-mini Low（HAL Generalist Agent）
AI のリスト入り3 / 93 / 93 / 9
1ドルあたりのGAIA正答率74.55%、$178.2064.24%、$122.4958.18%、$73.26
1位にした AIClaude, ChatGPT, Kimi——

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。

ほかのランキング

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。

94%の首位と、検証済みのスコアは別物です。開発元が自己申告したGAIAのテストセットのスコアは、最高94.35%（Keen AgenticOS V1.1）に達しています。人間の基準である92%を上回る申告は51件あります。プリンストン大学自身の最良の再実行は74.55%です。データの分割と設定が違うため、この2つの数字を順位で比べることはできません。

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

HAL は、公表されている実行費用の一部が、トレースの区間（スパン）を二重に数えたため、ちょうど2倍に過大評価されていると警告しています。影響を受けた行は再計算されておらず、一様でもないため、1ドルあたりの順位は変わる可能性があります。HAL は新しいモデルの追加も止めているため、表の大半は2025年のシステムです。

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

推論の努力を増やしても、成果は増えませんでした。Sonnet 4.5 High は、同じ費用なのに標準の Sonnet 4.5 よりレベル3で19ポイント低い点数でした。Opus 4.1 と Opus 4 High は Sonnet 4.5 の3倍以上の費用がかかるのに、それでも点数は低くなっています。

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

費用について、独立した2つ目の情報源は乏しいです。Artificial Analysis は GAIA を再実行しておらず、解けたGAIAのタスクではなく、自社の指標で試みたタスクの費用を算出しています。その指標では、上位10モデルのタスク1件あたりの費用は0.96ドルから13.04ドルです。

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

カリフォルニア大学バークレー校の、悪用するエージェントは、タスクを1つも解かずに、GAIAの公開検証セットで約98%を記録しました。公開されている答えを読み取り、答えを照合する処理を悪用していたのです。Manus のGAIAのスコアは広く引用されていますが、自己申告で、独立した再実行は一度も行われていません。

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

04集計方法

数式なしで、やさしい言葉で。

1質問

実際に課題を終わらせる上位10のAIエージェント、ドル当たりの成果で順位付け

2このテーマを選んだ理由

各ランキングは、1回の実行による正答率か価格のどちらかしか示しません。独立した2つの情報源で両方を確認すると、完了した課題1件当たりのコストを数えたとき、「最良のエージェント」の王冠は入れ替わることがわかります。

3対象範囲

グローバルで汎用のAIエージェント。独立した多段階の課題ベンチマークで採点したもの

4評価の観点

  • GAIAでの課題正答率。プリンストン大学 HAL より
  • 完了課題1件当たりのコスト。Artificial Analysisの独立した再実行で照合
  • 最も難しい多段階レベルでの信頼性。ベンチマークの飽和度で調整
  • プリンストン大学 HAL GAIA leaderboard — プリンストン大学が各エージェントを、GAIAの公開検証問題165問で自ら再実行した結果。総合とLevel 1/2/3の正答率、APIの総費用（キャッシュは無視）と wh
  • HAL AI Agent Reliability Tracker — 繰り返し実行したときの正確さに加え、GAIAとτ-benchでの一貫性、頑健性、予測可能性。タスクごとの費用は比較可能な形では載っていない。
  • Artificial Analysis Intelligence Index v5 — 9つの評価でモデルを独自に再実行し、指数タスク1件あたりのドル費用を示す。GAIAは再実行しないため、価格だけを照合でき、正答率は
  • Personal Agent Bench GAIA tracker — ハギング・フェイスに本人が提出したGAIAテストセットの点数（2026年11月6日時点で4,116件の提出）。頭打ち（飽和）が見て取れる。費用と実行は検証されていない。

5順位をつけた AI

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

05各 AI のリスト

🇺🇸 Claude10 位まで · メモ 4 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
    HAL Generalist Agent上のClaude Sonnet 4.5（GAIA、2025年の実行）

    全体で74%、最難度のレベル3で65%を超えた唯一の実行。解けた問題1問あたり約$1.45。HALはこれをパレート最適と判定しています。

  2. 2
    HAL Generalist Agent上のo4-mini（Low）

    全体で58%、最難度のレベルで53.85%。解けた問題1問あたり約$0.76で、HALの表の中で価格とレベル3の強さの組み合わせが最も良い結果です。

    出典 ↗
  3. 3
    HAL Generalist Agent上のGPT-5 Medium

    解けた問題1問あたり約$1.07。同じモデルをHF Open Deep Researchで使うと約$3.47かかります。モデルよりも、枠組み（スキャフォールド）の仕組みが価格を大きく変えています。

    出典 ↗
  4. 4
    HAL Generalist Agent上のClaude 3.7 Sonnet High

    2025年2月のモデルは、レベル3で57.69%を記録し、GPT-5 Mediumの46%を上回ります。解けた問題1問あたり約$1.16です。

    出典 ↗
  5. 5
    HAL Generalist Agent上のClaude Haiku 4.5

    安いClaudeモデルはレベル3で61.54%を取り、自身のレベル2の51.16%を上回ります。

    出典 ↗
  6. 6
    HAL Generalist Agent上のo4-mini（High）

    解けた問題1問あたり約$0.66で最安ですが、レベル3の46%が、o4-mini Lowより下位になる主な理由です。

    出典 ↗
  7. 7
    HAL Generalist Agent上のClaude Sonnet 4.5 High（拡張思考）

    拡張思考のコストはほぼ同じ（$179.86対$178.20）でしたが、正答率は3.6ポイント下がり、レベル3は65%から46%に落ちました。

    出典 ↗
  8. 8
    HF Open Deep Research上のGPT-4.1

    ほぼ1年前の、推論をしないモデルです。問題の50%を解き、1問あたり約$1.32ですが、レベル3（34.6%）は弱いです。

    出典 ↗
  9. 9
    HAL Generalist Agent上のClaude Opus 4.1 High

    スコアは68.5%ですが、$562かかり、解けた問題1問あたり約$5です。Sonnet 4.5の解けた問題1問あたりのコストの約3.4倍で、正答率は低くなっています。

    出典 ↗
  10. 10
    HF Open Deep Research上のGPT-5 Medium

    スコアは62.8%でHALの表の7位ですが、$359.83かかり、同じモデルのHAL Generalistエージェント版の約3.4倍です。

    出典 ↗

Claude が気づいたこと

自己申告のGAIAテストセットのスコアは、人間の基準値の92を超えています。Keen AgenticOS V1.1が94.35で首位にあり、92を超える提出は51件です。プリンストン大学自身による再実行の最高値は、検証セットで74.55%、コストは約$178です。分割と条件が異なるため、両者は直接比べられません。

出典 ↗

GAIAの首位は9月22日、10月12日、11月3日に入れ替わり、そのたびに約3分の1ポイントずつ動きました。上位5件が1ポイント以内にひしめくため、このランキングではもう差がつきません。レベル3だけがまだ差を示しています。

出典 ↗

HALでは、推論を増やしても結果が良くなるとは限りません。Sonnet 4.5 Highは、同じコストの標準Sonnet 4.5より低いスコアです。Opus 4.1はSonnet 4.5の約3倍のコストをかけながら、スコアは低くなっています。

出典 ↗

GAIAは、エージェントが事実を取り出せるかを試すものです。何も予約されず、支払われず、送信されず、質問の間で何も記憶されません。トラッカーはGaia2を指しており、そこではGPT-5（high）がpass@1で42%に達しています。

出典 ↗
🇺🇸 ChatGPT10 位まで · メモ 4 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
    HAL Generalist Agent — Claude Sonnet 4.5（2025年9月）

    検証セットのほぼ4分の3を、全体で$178.20の実行で解きました。レベル3では65.39%で、この表の首位です。

    出典 ↗
  2. 2
    HAL Generalist Agent — Claude 3.7 Sonnet High（2025年2月）

    全体首位との差は10.31ポイントですが、推定正解1件あたりのコストは約31%安く、レベル3は57.69%です。

    出典 ↗
  3. 3
    HAL Generalist Agent — Claude Haiku 4.5（2025年10月）

    レベル3で61.54%は、ここに載っている中で2番目に高いスコアです。推定正解1件あたり約$1.41です。

    出典 ↗
  4. 4
    HAL Generalist Agent パレート最適 — o4-mini Low（2025年4月）

    この10件の中で最も安い推定成功回答は約$0.76ですが、全体スコアは首位より16.37ポイント低くなっています。

    出典 ↗
  5. 5
    HAL Generalist Agent — Claude 3.7 Sonnet（2025年2月）

    $130.68の実行コストで56.36%。全体の正答率ではHaikuに近いものの、レベル3では15.39ポイント低いです。

    出典 ↗
  6. 6
    HAL Generalist Agent — Claude Sonnet 4.5 High（2025年9月）

    High設定のコストは標準のSonnet実行よりわずかに高いだけですが、全体で3.64ポイント、レベル3で18.08ポイント低くなっています。

    出典 ↗
  7. 7
    HAL Generalist Agent — Claude Opus 4.1 High（2025年8月）

    Sonnet 4.5より正答率が5.06ポイント低く、フル実行のコストは3倍以上です。

    出典 ↗
  8. 8
    HAL Generalist Agent — Claude Opus 4.1（2025年8月）

    High設定を外すと、報告された実行コストは約$80減りますが、正答率は4.24ポイント下がり、レベル3は42.31%に落ちます。

    出典 ↗
  9. 9
    ハギング・フェイス Open Deep Research — GPT-5 Medium（2025年8月）

    HAL Generalist版のGPT-5 Mediumの実行より正答率が3.41ポイント高いですが、報告されたコストは約3.4倍です。

    出典 ↗
  10. 10
    HAL Generalist Agent — Claude Opus 4 High（2025年5月）

    $665.89かかるのに、はるかに安いSonnet 4.5の構成より、全体でもレベル3でもスコアが低いです。

    出典 ↗

ChatGPT が気づいたこと

全体の正答率の首位が、予算の首位とは限りません。HALのo4-miniは推定正解1件あたり約$0.76ですが、Sonnet 4.5は約$1.45です。o4-miniは全体で16.37ポイント、レベル3で11.54ポイント低いスコアです。

出典 ↗

難易度が上がると見え方が変わります。Haiku 4.5はレベル3で61.54%を取り、全体では56.36%にとどまるにもかかわらず、より高価な構成のいくつかを上回ります。

出典 ↗

HALのライブ告知によると、モデルの順位表は一時停止中で、一部の表示コストが2倍に過大表示されています。この注意点によって、コストパフォーマンスの順位は変わる可能性があります。HALは、影響を受けた行をまだ再計算していないとしています。

出典 ↗

GAIA自身のライブ結果ガイドは、飽和（頭打ち）への懸念を強調しています。そして、ランキングのスコアを個人向けエージェントの有用性の完全な尺度として扱わないよう警告しています。

出典 ↗
🇺🇸 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
    OpenHands（オールハンズAI）

    オープンソースの枠組みと、プロンプトキャッシュに対応したモデルを組み合わせ、1タスクあたり$0.48で72%のGAIA正答率を実現。価格効率では、$20のプロプライエタリな実行より40倍優れています。

  2. 2
    Browser Use

    ウェブ上で最も軽量なウェブ自動化です。ブラウザの画面遷移を、1セッションあたり平均$0.18で処理します。

    出典 ↗
  3. 3
    Manus AI

    数時間に及ぶ幅広いリサーチと文書作業を、隔離されたサンドボックスで実行します。完成した成果物1件あたりの実効償却コストは$0.65です。

  4. 4
    H2O GPTe

    企業向けの文書抽出ループを組み込み、精度74.1%を保ちながら、タスクあたりのAPI支出を50セント未満に抑えます。

    出典 ↗
  5. 5
    Claude Computer Use（アンソロピック）

    レベル2と3のGUI操作の精度では最高水準ですが、視覚的な確認ループを動かすと、実行コストは1タスクあたり$2.15になります。

    出典 ↗
  6. 6
    マイクロソフトMagentic-One（AutoGen）

    4つの専門サブエージェントを連携させ、複雑なリサーチを処理します。マルチターンのトークン費用として$1.90を払い、そのぶんタスクからの回復力を得ています。

    出典 ↗
  7. 7
    AutoGPT（Forgeスキャフォールド）

    超低価格の入門向け実行（$0.32/タスク）を維持しますが、長期にわたるレベル3の依存関係に入ると、無限の再試行ループに陥って急落します。

  8. 8
    OpenAI Operator（CUA）

    動的な一般向けウェブサイトを、フォームの入力までスムーズに進めます。ただし視覚トークンの課金が重く、基準のタスクコストは約$2.40です。

    出典 ↗
  9. 9
    Devin（コグニション・ラボ）

    自動化されたソフトウェアエンジニアリングの問題では圧倒的ですが、専用のクラウド環境のため、完了タスクあたりの実際の実行コストは$6.50〜$12.00です。

    出典 ↗
  10. 10
    Shadow Harness V8（GAIA Optimizer）

    Hugging FaceのGAIAスコアで94.0%と首位に立ちます。ただし、削減されていない再帰的な推論トークンに、タスクあたり$22.00超を消費します。

    出典 ↗
🇨🇳 Kimi10 位まで · メモ 4 件

同じ質問に Kimi 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 Sonnet 4.5 + HAL Generalist Agent（2025年9月）

    検証済みの正答率で全体首位（74.55%）かつ最難度スコアも最高（65.4%）。しかもタスクあたり約1ドルです。

    出典 ↗
  2. 2
    Claude 3.7 Sonnet High + HAL Generalist Agent（2025年2月）

    2025年2月のモデルで、新しいOpus 4.1 Highを最難度で上回ります（57.7%対53.8%）。コストは5分の1です。

    出典 ↗
  3. 3
    OpenAI o4-mini Low + HAL Generalist Agent（2025年4月）

    最難度で$562のClaude Opus 4.1 Highと同点（ちょうど53.85%）。ただし実行全体のコストは$73.26です。

    出典 ↗
  4. 4
    GPT-5 Medium + HAL Generalist Agent（2025年8月）

    59%を超える最も安い検証済みルートです。フル実行は$104.75、タスクあたり約$0.63です。

    出典 ↗
  5. 5
    Claude Haiku 4.5 + HAL Generalist Agent（2025年10月）

    このファミリーの「小型」モデルが、ボード全体で2番目に高い最難度スコアを出しています。レベル3で61.5%です。

    出典 ↗
  6. 6
    OpenAI o4-mini High + HAL Generalist Agent（2025年4月）

    $59.39で165タスクの全実行をカバーします。54%を超える中で最も安いパレート最適の入口です。

    出典 ↗
  7. 7
    GPT-6.1 Sol（max）— Artificial Analysis Intelligence Index v5の照合

    新しく、ほぼ非公開のv5インデックスでは、$10.04の首位より3ポイント低い結果です。タスクあたり$1.27で、価格は8分の1です。

    出典 ↗
  8. 8
    Claude Opus 5.5（max）— Artificial Analysis Intelligence Index v5の首位

    新しいインデックスで最も賢いモデルです。ただし、1ポイントを買うのに最も高くつく方法で、タスクあたり$10.04かかります。

    出典 ↗
  9. 9
    Claude Sonnet 4.5 High + HAL Generalist Agent（2025年9月）

    推論にお金をかけるほど、成果は落ちています。同じモデルの標準設定より全体で4ポイント、最難度で19ポイント低く、価格は同じです。

    出典 ↗
  10. 10
    Gemini 2.0 Flash + HAL Generalist Agent（2025年2月）

    $7.80でGAIAのフル実行が可能です。首位のコストの23分の1で、正答率の44%を保っています。

    出典 ↗

Kimi が気づいたこと

どちらも本当の数字ですが、20ポイント離れています。自己申告のHugging Face GAIAボードは94.35%で首位（人間の基準値92%を上回る）。一方、プリンストン大学が、同大が管理するエージェントを独立に再実行した最高値は74.55%です。公開ボードの飽和は現実のもので、92%の線を超える提出が51件あります。だからこそ、このランキングは第三者による再実行を重視しています。

出典 ↗

プリンストン大学のHALは（2026年10月5日）、公表された実行コストの一部が、トレースのスパンの二重計上により正確に2倍に過大表示されていると指摘しています。さらに新しいモデルの追加を全面的に停止しているため、ボードは主に2025年のシステムのスナップショットです。

出典 ↗

本当の差は、ステッカー価格ではなく、タスクあたりの完了コストにあります。Artificial Analysis v5の上位10モデルのうち、最も安いGPT-6.1 Terraは1タスク$0.96、最も高いClaude Fable 5.1は$13.04です。指数の差は一桁台なのに、コストは13倍超の差です。

出典 ↗

カリフォルニア大学バークレー校のチームは、タスクを1つも解かずに、GAIAの検証セットで約98%のスコアを出しました。公開されている解答ファイルを読み、回答の正規化処理を悪用したのです。これは、どの単一の表よりも、非公開のテストセットと独立した再実行を信頼すべき最も強い理由です。

出典 ↗