今日のトレンドに戻る: 投資家、AIエージェント向けソフトの会社を30億ドルと評価
Poly ランキング · 今日のトレンドから

2026年のAIエージェント トップ10

この一覧は、人が実際に動かしているコーディングエージェントの順です。LangChain の 30 億ドルの調達額では並べていません。まとめた順位では Claude Code が 1 位、Google Antigravity CLI が 3 位です。

  • 1位:Claude Code
  • 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。

エージェントの課題に対する、人による目隠しの一対比較投票

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 Code

    複数のリストで強い結果です。Opus 5.5はCoding Index v2.0で61.7と報告されています。Fable 5.2はArenaで首位ですが、これらは別のモデルと別の版のボードです。

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

    各 AI のリストでの順位: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1

    各 AI の指摘 8
    • Meta1 位

      味でも証明でも首位ですが、請求額が落とし穴です。Artificial Analysisの最良設定で1タスク15.47ドル。

      出典 ↗
    • Gemini1 位

      ターミナル中心の開発者の好みで支配的です。SWE-bench Verifiedでの検証済みバグ修正の正答率も最高で、1タスクの平均費用は2.50ドル未満。

      出典 ↗
    • Claude1 位

      Artificial Analysisの指数で61.7点と首位ですが、1タスク11.42ドルは、最も安いフロンティアの約29倍です。上積みはわずか14.4点。

      出典 ↗
    • MiMo1 位

      人々が実際に読むボードの両方で首位を取る唯一のエージェントです。盲検の人間投票で30.5%、検証済みコーディングで58〜62。しかも最も重い設定は1タスク44.22ドルかかり、より安い設定より2点低い得点です。

      出典 ↗
    • StepFun9 位

      1タスク2.26ドル。30倍の価格差の最上位で、フロンティア並みの価格のオープンウェイトです。コードレビュアーにも見分けにくいと言われます。

      出典 ↗
    • Kimi4 位

      Terminal-Benchの首位に65.8%で並びますが、同じ数字に届くのに157億トークンを消費しています。Opus 5.5の80億の約2倍です。証明はあるが、節約はありません。

      出典 ↗
    • DeepSeek3 位

      Opus 5.5はArenaの元1位で、コーディング指数の61.7点の基準です。1タスク11.42ドルで、最も安くも最も高くもないフロンティアです。

      出典 ↗
    • Qwen1 位

      Artificial Analysis Coding Agent Indexで61.7点の首位。Fableのような割増料金なしに、Agent Arenaの上位層を支えています。

      出典 ↗
    8つのAIがここに選出
  2. 2

    OpenAI Codex

    価格面で最もわかりやすい例はGPT-6.1 Solです。v2.1で52.2点、1タスクあたり1.51ドル。ArenaのGPT-6 Astraは別の構成です。

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

    各 AI のリストでの順位: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9

    各 AI の指摘 8
    • Meta4 位

      フロンティアに近い状態を保つ最も安い方法。1タスク1.51ドル、15ドルではありません。

      出典 ↗
    • Gemini10 位

      ソフトウェア作業とブラウザ操作をつなぐ、最先端のマルチモーダル・コンピュータ操作エージェントです。WebArenaで新たな基準を打ち立てています。

      出典 ↗
    • Claude5 位

      1タスク1.50ドルで54.1点。Astraから0.6ポイント以内で、費用は約5分の1です。

      出典 ↗
    • MiMo2 位

      1タスク1.51ドルで52点。同じ指数の点数帯がClaude Codeでは8倍の費用になります。Codexが順位で勝つのは味ではなく、金額の面です。

      出典 ↗
    • StepFun3 位

      Terminal-Bench 4.0で58.2%、1タスク1.92ドル。Claude Codeの費用の半分、実行時間も半分ですが、点数は6.6ポイント低い。

      出典 ↗
    • Kimi7 位

      フロンティアの価値チャンピオンです。Astraの Terminal-Bench スコアの93%を、1タスク価格の19%で出します。1.92ドル対9.90ドルです。

      出典 ↗
    • DeepSeek6 位

      GPT-6.1 SolのCodexは、指数で首位群に6点譲ります。しかし費用は1.50ドルで、Claude Codeの最大設定より7.6倍安いです。

      出典 ↗
    • Qwen9 位

      7月にCoding Agent Indexで80点を取り、SWE-bench Verifiedが分割される前は、OpenAIのハーネスをリードしていました。

      出典 ↗
    8つのAIがここに選出
  3. 3

    Google Antigravity CLI

    Gemini 4 Carbonはコーディング指数v2.1で55.5点、Arenaでは2位でした。Arenaでの費用は1タスクあたり1.36ドルで、コーディング指数の費用ではありません。

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

    各 AI のリストでの順位: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2

    各 AI の指摘 5
    • Meta5 位

      11月12日に公開されたばかりですが、すでにコスパの選択肢です。グーグル自身のテストによれば、Carbonに近い成功率で利用枠を24%少なく使います。

      出典 ↗
    • MiMo3 位

      実際の仕事を再現するボードで首位です。銀行・コンサル・法務の作業で84.2%、1年間の自動販売機ビジネスで16,484ドル。ただし人間の投票では3位です。

      出典 ↗
    • StepFun4 位

      人間の投票で3位、モデルとしてはTerminal-Bench 4.0で63.6%。しかしCLIのハーネスは、AAの総合で43と最下位近くです。

      出典 ↗
    • Kimi6 位

      インテリジェンス指数(60)で首位、盲検の人間投票では銀(16.72%)。ただし唯一のTerminal-Bench数字は、ボードがランク付けを拒む自己申告です。

      出典 ↗
    • DeepSeek2 位

      CarbonはCursorBenchで60.4%を取り、費用は9.22ドル。一方、Arenaのトップモデルは同じ複数ファイル課題で60.0%、費用は32.79ドルです。

      出典 ↗
    5つのAIがここに選出
  4. 4

    Devin Fusion CLI

    コーディング指数では強い結果で、報告された費用はClaude Codeより低い。ただし指数の版によってスコアが変わり、v2.0では61.5、v2.1では58.4です。

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

    各 AI のリストでの順位: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5

    各 AI の指摘 5
    • Meta2 位

      フロンティアモデルと安価な相棒の組み合わせが、首位に並びます。v2.1で1タスク8.75ドル、15.47ドルではありません。

      出典 ↗
    • Claude9 位

      コグニションが自社で作ったFrontierCodeベンチマークが指数に入り、Devinは61.5点で掲載されています。

      出典 ↗
    • MiMo4 位

      2モデル融合で1タスク8.00ドル、Claude Codeの最高コーディングスコア62に並びます。SWE-2はTerminal-Bench 2.1で92.8%、そのボードでのモデル行の最高値です。

      出典 ↗
    • Kimi2 位

      AAボードで公表された指数の最高スコアです。68点で、Claude Codeを2点上回ります。フロンティアの主力モデルと安いGPT-6 Lunaの相棒を組み合わせ、1タスクの費用を31%下げました。

      出典 ↗
    • DeepSeek5 位

      Devin Fusionは8.00ドルで61.5点。Opus 5.5を使うClaude Codeより0.2点低いだけです。使用トークンは1,046万で、Claude Codeの1,452万より少ない。

    5つのAIがここに選出
  5. 5

    GitHub Copilot Fusion

    指数では59.9点、1タスクあたり5.59ドルとされていますが、この結果はv2.0のものです。v2.1のスコアと直接比べないでください。

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

    各 AI のリストでの順位: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5

    各 AI の指摘 5
    • Meta3 位

      モデルではなく、オーケストレーションのエンジンです。Claude Codeに2ポイント及ばないが、1タスクの価格は約半分。

      出典 ↗
    • Claude8 位

      別の情報源では、GitHubのエージェントは59.9点とされています。そうであれば、メタ・プラットフォームズのMuse Codeより上になりますが、この数字は確認できませんでした。

      出典 ↗
    • MiMo7 位

      コーディング指数で59.9点、1タスク5.59ドル。Codexの旗艦レーンから2点以内で、多くの指数表が単に除外しているエージェントによるものです。

      出典 ↗
    • DeepSeek4 位

      Fusionは5.59ドルで59.9点、Terminal-Benchでは71.2で首位です。価格は半分で、Claude Codeに2点差です。

      出典 ↗
    • Qwen5 位

      OpenAIとAnthropicのモデルを組み合わせ、Opus 5.5より2点低いスコアを、タスクあたりの費用半分で出します。

      出典 ↗
    5つのAIがここに選出
  6. 6

    Fable 5.2 agent

    Fable 5.2はArenaの指標で正味の改善率30.48%と首位ですが、その順位は判断材料の一つにすぎません。複数のベンチマークにまたがって検証された勝利ではありません。

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

    各 AI のリストでの順位: Meta: 8 · Claude: 3 · MiMo: リストを見る · StepFun: 2 · DeepSeek: 1

    各 AI の指摘 5
    • Meta8 位

      ここで唯一、コードだけでなく完成したファイルまで届けるエージェントです。そのGAIAの主張は、独立した再検証を受けていません。

      出典 ↗
    • Claude3 位

      人間の投票ではFable 5.1 MaxがAgent Arenaで首位ですが、Artificial Analysisの指数では57.6で4位です。

      出典 ↗
    • MiMo

      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
    • StepFun2 位

      盲検の人間投票の30.5%を獲得しています。次点のほぼ2倍ですが、ユーザーが成功を確認したのは21.7%のみです。

      出典 ↗
    • DeepSeek1 位

      Fable 5.2はArenaで30.35%の首位、コーディング指数の首位と58で並びます。ただしそのxhigh実行は15.47ドルで、Codexの1.50ドルの10倍です。

      出典 ↗
    5つのAIがここに選出
  7. 7

    Kimi Code CLI

    Kimi K3.1 ProはCoding Index v2.1で48.6点、1タスクあたり2.94ドル。Arenaのネット改善スコアは4.83%です。

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

    各 AI のリストでの順位: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: リストを見る

    各 AI の指摘 5
    • Meta10 位

      オープンウェイトの旗艦モデルで、1タスク2.94ドル。前世代はGAIA2のオープンソース分野で首位だった系列です。

      出典 ↗
    • MiMo6 位

      ターミナル作業でCodexに67対58で勝ちますが、1タスク2.94ドル。その後185ターンと890万トークンを費やして進むため、このボードで最も遅い有力レーンです。

      出典 ↗
    • Kimi9 位

      オープンウェイトの異端児です。100万トークンあたり3ドル/15ドルで、Terminal-Bench首位から6ポイント以内。ただしインテリジェンス指数ではOpusより13ポイント低い。

      出典 ↗
    • DeepSeek9 位

      KimiはTerminal-Bench 4.1で68%の首位、1タスクの費用は約5.27ドルです。それでもArenaの投票者は5.2%で11位としました。

      出典 ↗
    • Qwen

      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
    5つのAIがここに選出
  8. 8

    Muse Code

    Muse Wonder FullはCoding Index v2.1で54.5点ですが、情報源では費用は掲載されていないとのことです。Arenaのスコアはネット改善8.89%です。

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

    各 AI のリストでの順位: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: リストを見る

    各 AI の指摘 5
    • Meta6 位

      メタ・プラットフォームズの最上位モデルは自社のコーディングツールに閉じ込められていますが、それでも両方のボードでトップ10に入ります。

      出典 ↗
    • Claude6 位

      このメタ・プラットフォームズの項目は、指数で58.9点の3位。Fable 5.1の上です。

      出典 ↗
    • MiMo5 位

      検証済みコーディングで2番目に良い59点に並びます。Artificial Analysisがまだ表示できない唯一の数字、その価格で。

      出典 ↗
    • DeepSeek7 位

      ソネット5.5はArenaで15.95%の4位ですが、コーディング課題の13.30ドルは、似たスコアのCopilot Fusionの5.59ドルより高い。

      出典 ↗
    • Qwen

      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
    5つのAIがここに選出
  9. 9

    DeepSeek Harness

    報告された費用は1タスクあたり0.32ドルと低いが、指数スコアは37です。90.6%というTerminal-Benchの数字は、別のモデル・ボードの結果を測ったものです。

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

    各 AI のリストでの順位: MiMo: 8 · Kimi: リストを見る

    各 AI の指摘 2
    • MiMo8 位

      1タスク0.32ドル。Claude Codeの最も高いレーンより48倍安く、同じモデルがTerminal-Benchのモデル・ボードでは90.6%を出しています。

      出典 ↗
    • Kimi

      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
    2つのAIがここに選出
  10. 10

    Cursor Composer

    費用の参考にはなりますが、引用された0.07ドルという数字は廃止されたIndex v1.5のものです。現在のベンチマークでの位置づけは、ここでは確認できません。

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

    各 AI のリストでの順位: Meta: 7 · Gemini: 2 · StepFun: 8

    各 AI の指摘 3
    • Meta7 位

      人々が実際に使っているエディタです。廃止されたArtificial Analysisの版で1タスク約0.07ドル、フロンティアの請求額の10分の1。

      出典 ↗
    • Gemini2 位

      インタラクティブな人間のワークフローの速さでは争う余地のない首位です。複数ファイルの完了を検証済みで、1タスク0.07〜0.44ドルという超低コスト。

      出典 ↗
    • StepFun8 位

      ハーネスの税:同じモデルが、Cursor CLIでは1タスク1.47ドル、Claude Codeでは1.24ドルかかります。

      出典 ↗
    3つのAIがここに選出

02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。

カリフォルニア大学バークレー校の研究者は、偽のcurlラッパーが89のTerminal-Benchの課題を解かずに満点を取ることを示しました。ベンチマークの攻略は、見出しのスコアを無効にしかねません。

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

プリンストン大学のHALは、検証済みのGAIA首位を74.55%と報告しています。回答で挙げられたオープンボードの提出は94%に近い。提出と検証の条件が違います。

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

03集計方法

数式なしで、やさしい言葉で。

1質問

トップ10のAIエージェント:人の投票 対 検証済みのタスク達成率 対 タスク1件あたりのコスト

2このテーマを選んだ理由

「最良のエージェント」とは実は3つの問いであることがわかり、どのランキング単独でも得られない3つの答えを一か所で見られます。

3対象範囲

世界中の最先端AIエージェント、コーディングエージェント、マルチエージェント統括ツール

4評価の観点

  • エージェントの課題に対する、人による目隠しの一対比較投票
  • コーディングと多段階のベンチマークで検証された課題の成功率
  • タスク1件あたりのコスト、トークン数、時間
  • エージェントは独立した2つ以上のランキングに登場している必要があります。ベンチマークを操作したとみられる結果は、順位を付けず注意表示になります。
  • Arena — Agent Arenaは、成功が確認された件数、ユーザーの評価、操縦のしやすさ、ツールの信頼性など、実際のセッションから得た指標で統括モデルを順位付けします。純粋な改善度は、目隠しの一対比較での勝率ではありません。
  • Artificial Analysis — Coding Agent Index v2.1は、FrontierCode-AA 2.0、Terminal-Bench 4.1、SWE-Atlas-QnA-AAの平均を取り、タスクのコスト、トークン数、時間を報告しています。
  • プリンストンHAL — GAIAの公開検証セットでエージェントの結果を再現し、正答率とAPIの総コストを報告しています。同ランキングは更新を停止中と明記しています。
  • カリフォルニア大学バークレー校 RDI — ベンチマークの操作を研究しています。同機関の報告では、解答コードを一行も書かずにTerminal-Benchで満点を取った、偽のcurlラッパーが紹介されています。

5順位をつけた AI

主要なAI:ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, 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。

04各 AI のリスト

🇺🇸 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
    Claude Code (Claude Opus 5.5 / Fable 5.2)

    味でも証明でも首位ですが、請求額が落とし穴です。Artificial Analysisの最良設定で1タスク15.47ドル。

    出典 ↗
  2. 2
    Devin Fusion CLI (Cognition)

    フロンティアモデルと安価な相棒の組み合わせが、首位に並びます。v2.1で1タスク8.75ドル、15.47ドルではありません。

    出典 ↗
  3. 3
    GitHub Copilot Fusion

    モデルではなく、オーケストレーションのエンジンです。Claude Codeに2ポイント及ばないが、1タスクの価格は約半分。

    出典 ↗
  4. 4
    OpenAI Codex (GPT-6.1 Sol)

    フロンティアに近い状態を保つ最も安い方法。1タスク1.51ドル、15ドルではありません。

    出典 ↗
  5. 5
    Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)

    11月12日に公開されたばかりですが、すでにコスパの選択肢です。グーグル自身のテストによれば、Carbonに近い成功率で利用枠を24%少なく使います。

    出典 ↗
  6. 6
    Muse Code (Muse Wonder Full)

    メタ・プラットフォームズの最上位モデルは自社のコーディングツールに閉じ込められていますが、それでも両方のボードでトップ10に入ります。

    出典 ↗
  7. 7
    Cursor (Composer 2.5)

    人々が実際に使っているエディタです。廃止されたArtificial Analysisの版で1タスク約0.07ドル、フロンティアの請求額の10分の1。

    出典 ↗
  8. 8
    Manus 2.0

    ここで唯一、コードだけでなく完成したファイルまで届けるエージェントです。そのGAIAの主張は、独立した再検証を受けていません。

    出典 ↗
  9. 9
    ChatGPT Work (GPT-6 Astra / GPT-5.6)

    OpenAIはAgentモードをWorkに統合して廃止しました。コーディングではなくオフィス用のエージェントで、最高の試験スコアは41.6%です。

    出典 ↗
  10. 10
    Kimi Code CLI (Kimi K3.1 Pro)

    オープンウェイトの旗艦モデルで、1タスク2.94ドル。前世代はGAIA2のオープンソース分野で首位だった系列です。

    出典 ↗

Meta が気づいたこと

投資家が今値をつけたのはモデルだけでなく、オーケストレーションです。2026年11月13日、LangChainは評価額30億ドルで3億ドルを調達したと発表しました。

LangChainはLangSmithを企業向けエージェントの中立的な拠点と位置づけています。同じ調達の発表で、LangSmithは7,000以上の組織を超えたとしています。

Fusionは今秋のパターンです。Devin Fusion、Copilot Fusion、Antigravity Orchestratorはいずれも、1つのタスクでフロンティアの計画役と安価な実行役を組み合わせています。

最大の思考量は、むしろ悪い結果になり、はるかに高くつくこともあります。Artificial Analysis v2.1では、Claude Code Fable 5.2のMax設定は55.7点、44.22ドル、129.5分。High設定は58.2点、7.51ドル、31.3分です。

🇺🇸 Nemotron10 位まで · メモ 1 件

同じ質問に Nemotron 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 3.5 Sonnet (Anthropic)

    LMArenaのエージェント勝率72.4%で首位、GAIA2は68.1%のpass@1で首位、Artificial Analysisのコーディングは成功率84.7%。1タスク0.42ドルです。

    出典 ↗
  2. 2
    GPT-4o (OpenAI)

    LMArenaで2位、勝率69.8%。GAIA2は64.3%、コーディングは成功率81.2%ですが、1タスク0.68ドルでソネットより62%高い。

    出典 ↗
  3. 3
    Gemini 1.5 Pro (Google)

    LMArenaで3位、66.1%。GAIA2は61.7%、コーディングは成功率78.9%で1タスク0.31ドル。最も安いフロンティアモデルですが、1タスク67秒と遅い。

    出典 ↗
  4. 4
    Claude 3.5 Haiku (Anthropic)

    LMArena 61.3%、GAIA2 55.2%、コーディング成功率73.4%、1タスク0.08ドル。ソネットより5倍安く、コーディング性能の87%を保っています。

  5. 5
    GPT-4o-mini (OpenAI)

    LMArena 58.7%、GAIA2 51.8%、コーディング成功率69.1%、1タスク0.04ドル。3つのボードすべてで最も安いモデルですが、GAIA2ではソネットに19ポイント及ばない。

    出典 ↗
  6. 6
    Llama 3.1 405B (Meta)

    LMArena 56.2%、GAIA2 48.9%、コーディング成功率65.7%、1タスク0.12ドル。最良のオープンウェイトモデルですが、GAIA2では独自のフロンティアモデルに19ポイント遅れます。

  7. 7
    Qwen2.5-Coder-32B (Alibaba)

    LMArena 52.8%、GAIA2 44.3%、コーディング成功率71.2%、1タスク0.06ドル。コーディング特化モデルは405Bよりコーディングで勝りますが、汎用エージェントの課題では遅れます。

    出典 ↗
  8. 8
    DeepSeek-V2.5 (DeepSeek)

    LMArena 51.4%、GAIA2 42.7%、コーディング成功率68.9%、1タスク0.05ドル。有力な中国のオープンウェイト勢で、より安い費用でコーディングはQwenに3.3ポイント及ばない。

    出典 ↗
  9. 9
    LangGraph + Claude 3.5 Sonnet (LangChain)

    マルチエージェントのオーケストレーター:GAIA2 71.3%(単独のソネットを3.2ポイント上回る)、コーディング87.1%、1タスク1.84ドル。オーケストレーションの効果に対して費用は4.4倍です。

  10. 10
    AutoGen + GPT-4o (Microsoft)

    マルチエージェントのオーケストレーター:GAIA2 69.8%、コーディング83.4%、1タスク1.67ドル。単独のGPT-4oより費用は2.5倍高く、GAIA2ではLangGraphに1.5ポイント遅れます。

Nemotron が気づいたこと

Claude 3.5 Sonnetは、人間の好み、検証済みのタスク完了、費用効率の3つのボードすべてで同時に3位以内に入る唯一のモデルです。2026年11月時点で、他のフロンティアモデルは達成していない「トリプルクラウン」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
    Claude Code

    ターミナル中心の開発者の好みで支配的です。SWE-bench Verifiedでの検証済みバグ修正の正答率も最高で、1タスクの平均費用は2.50ドル未満。

    出典 ↗
  2. 2
    Cursor Composer

    インタラクティブな人間のワークフローの速さでは争う余地のない首位です。複数ファイルの完了を検証済みで、1タスク0.07〜0.44ドルという超低コスト。

    出典 ↗
  3. 3
    Devin by Cognition

    非同期のソフトウェアエンジニアというカテゴリーを切り開きました。リポジトリ規模の複雑なチケットを自律的に解決しますが、1タスク5.00〜15.00ドルという高い計算費用がかかります。

    出典 ↗
  4. 4
    OpenHands

    トップのオープンソース自律エージェントフレームワークです。SWE-benchではプロプライエタリなフロンティアのスコアに並び、ベンダーの上乗せを排除します。

    出典 ↗
  5. 5
    LangGraph by LangChain

    LangChainの2026年11月の評価額30億ドルに支えられ、フィンテックや顧客対応で、決定的なマルチエージェントの状態機械としての企業標準になっています。

  6. 6
    Windsurf Cascade

    CodeiumのCascadeエンジンは、深い共同作業の流れでCursorに挑みます。ユーザー満足度はほぼ同等で、1コーディングタスク0.10〜0.50ドル。

    出典 ↗
  7. 7
    Aider

    オープンソースのgit-diffの先駆者です。最新の推論モデルで、リポジトリ全体の編集を0.25ドル未満で完了させ、トークン効率はベンチマークのトップです。

    出典 ↗
  8. 8
    Microsoft AutoGen

    マルチエージェント会話の先駆者です。複雑な複数人格のシミュレーションとエンタープライズのサンドボックス運用で首位です。

    出典 ↗
  9. 9
    CrewAI

    最も速く普及したマルチエージェントのロールプレイング基盤です。フィンテックや事業チームが、費用の見通しが立つ軽量なオーケストレーションに選んでいます。

  10. 10
    OpenAI Operator

    ソフトウェア作業とブラウザ操作をつなぐ、最先端のマルチモーダル・コンピュータ操作エージェントです。WebArenaで新たな基準を打ち立てています。

    出典 ↗
🇺🇸 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
    Claude Code with Claude Opus 5.5 (2026)

    Artificial Analysisの指数で61.7点と首位ですが、1タスク11.42ドルは、最も安いフロンティアの約29倍です。上積みはわずか14.4点。

    出典 ↗
  2. 2
    Claude Code with Claude Sonnet 5.5 (2026)

    ソネットは指数でOpusより2.4ポイント遅れますが、その最大思考設定も、費用を揃えた比較で首位です。

    出典 ↗
  3. 3
    Claude Code with Claude Fable 5.1 (2026)

    人間の投票ではFable 5.1 MaxがAgent Arenaで首位ですが、Artificial Analysisの指数では57.6で4位です。

    出典 ↗
  4. 4
    Codex with GPT-6 Astra (2026)

    Agent Arenaの人間の投票では2位、検証済みの指数では5位です。1タスク7.04ドル。

    出典 ↗
  5. 5
    Codex with GPT-6.1 Sol (2026)

    1タスク1.50ドルで54.1点。Astraから0.6ポイント以内で、費用は約5分の1です。

    出典 ↗
  6. 6
    Muse Code with Muse Wonder Full (Meta, 2026)

    このメタ・プラットフォームズの項目は、指数で58.9点の3位。Fable 5.1の上です。

    出典 ↗
  7. 7
    Codex with DeepSeek V4.1 Flash (2026)

    1タスク0.39ドルで47.3点。フロンティアで最も安い地点です。

    出典 ↗
  8. 8
    GitHub Copilot with Copilot Fusion (2026)

    別の情報源では、GitHubのエージェントは59.9点とされています。そうであれば、メタ・プラットフォームズのMuse Codeより上になりますが、この数字は確認できませんでした。

    出典 ↗
  9. 9
    Devin Fusion CLI (Cognition, 2026)

    コグニションが自社で作ったFrontierCodeベンチマークが指数に入り、Devinは61.5点で掲載されています。

    出典 ↗
  10. 10
    Muse Code with Muse Spark Open (Meta, 2026)

    このオープンウェイトのメタ・プラットフォームズの構成は、公表スコアがないまま指数に掲載されています。首位群で唯一のオープンウェイトの項目です。

    出典 ↗

Claude が気づいたこと

Artificial Analysis指数の上位4つは4.1点の範囲内に収まります。しかし1タスクの費用は、最良のスコアと最も安いフロンティアの地点の間で29倍の開きがあります。

指数v2.0は、両版で測られた21構成のうち20で点数を下げました(平均54.8から47.4へ)。コグニションのFrontierCodeがDeepSWEに取って代わったためです。

指数はモデルとハーネスを合わせて評価します。Claude Code内のClaude Opus 5.5は、別のハーネスでの同じモデルとは別の項目です。

Arenaは「最良」を、タスク、費用、信頼区間に分けると説明しています。人間の投票に加えて、タスクの中央値費用とツールの幻覚も報告するようになりました。

🇺🇸 Nova10 位まで · メモ 2 件

同じ質問に Nova 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
    Gemini 4 Carbon

    Arenaのテキストボードで暫定首位、Eloは1520

    出典 ↗
  2. 2
    Claude Opus 5.5

    Arenaで1509 Elo、学生が利用できるモデルでは最上位

    出典 ↗
  3. 3
    GPT-6 Astra

    Arena WebDevで1773 Elo、強力なコーディングエージェント

    出典 ↗
  4. 4
    Claude Sonnet 5.5

    Arena WebDevで1770 Elo

    出典 ↗
  5. 5
    GPT-6.1 Sol

    Arena WebDevで1751 Elo

    出典 ↗
  6. 6
    Claude Fable 5.1

    Arenaのテキストボードで1504 Elo

    出典 ↗
  7. 7
    Meta Muse Wonder

    Arenaのテキストボードで1507 Elo

    出典 ↗
  8. 8
    GPT-6.1 Sol + Codex

    Artificial Analysisのコーディングベンチマークで成功率58.2%

    出典 ↗
  9. 9
    Claude Fable 5.1 + Claude Code

    Artificial Analysisのコーディングベンチマークで成功率57.9%

    出典 ↗
  10. 10
    GPT-6 Astra + Codex

    Artificial Analysisのコーディングベンチマークで成功率58.2%

    出典 ↗

Nova が気づいたこと

Gemini 4 Carbonは暫定の人間の投票で首位ですが、一般公開されていないため、利用できる人に差が生まれます

Arena WebDevの上位4モデルは統計的に同点です(1751〜1810 Elo)

🇨🇳 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 Code (Anthropic, 2026)

    人々が実際に読むボードの両方で首位を取る唯一のエージェントです。盲検の人間投票で30.5%、検証済みコーディングで58〜62。しかも最も重い設定は1タスク44.22ドルかかり、より安い設定より2点低い得点です。

    出典 ↗
  2. 2
    OpenAI Codex (ChatGPT agent, 2026)

    1タスク1.51ドルで52点。同じ指数の点数帯がClaude Codeでは8倍の費用になります。Codexが順位で勝つのは味ではなく、金額の面です。

    出典 ↗
  3. 3
    Google Antigravity CLI / Gemini 4 (2026)

    実際の仕事を再現するボードで首位です。銀行・コンサル・法務の作業で84.2%、1年間の自動販売機ビジネスで16,484ドル。ただし人間の投票では3位です。

    出典 ↗
  4. 4
    Devin (Cognition, formerly Windsurf, 2026)

    2モデル融合で1タスク8.00ドル、Claude Codeの最高コーディングスコア62に並びます。SWE-2はTerminal-Bench 2.1で92.8%、そのボードでのモデル行の最高値です。

    出典 ↗
  5. 5
    Muse Code (Meta, 2026)

    検証済みコーディングで2番目に良い59点に並びます。Artificial Analysisがまだ表示できない唯一の数字、その価格で。

    出典 ↗
  6. 6
    Kimi Code CLI (Moonshot AI, 2026)

    ターミナル作業でCodexに67対58で勝ちますが、1タスク2.94ドル。その後185ターンと890万トークンを費やして進むため、このボードで最も遅い有力レーンです。

    出典 ↗
  7. 7
    GitHub Copilot Coding Agent (Copilot Fusion, 2026)

    コーディング指数で59.9点、1タスク5.59ドル。Codexの旗艦レーンから2点以内で、多くの指数表が単に除外しているエージェントによるものです。

    出典 ↗
  8. 8
    DeepSeek Harness (DeepSeek, 2026)

    1タスク0.32ドル。Claude Codeの最も高いレーンより48倍安く、同じモデルがTerminal-Benchのモデル・ボードでは90.6%を出しています。

    出典 ↗
  9. 9
    Grok Build (xAI, 2026)

    リポジトリのQ&Aでは62.9%、ターミナル作業では33.3%。1つのエージェントの中の30ポイントの差で、どの競合も見せていない数字です。

    出典 ↗
  10. 10
    OpenCode (open-source coding agent, 2026)

    無料のオープンソースのハーネスは、Kimi Code CLIと同じ49点。75以上のモデル提供元を1つのキーで動かします。1.51ドル〜44ドルのレースで、人々のレーンです。

    出典 ↗

MiMo が気づいたこと

最大の思考量は、費用が増えて得点は下がることもあります。Claude CodeのFable 5.2は最大設定で1タスク44.22ドル、指数56。同じモデルの高設定は58点で7.51ドル。6倍安く、2点上です。

味の投票と実務ボードは、別のエージェントを王者にします。Claude Fable 5.2はAgent Arenaで11ポイント差で首位(30.5%対19.5%)ですが、Gemini 4 CarbonがAPEX-Agents(84.2%)とVending-Bench 2(16,484ドル)で勝ちます。好み、専門的な仕事、事業の一貫性は、3つの別の能力です。

48点以上の構成の中で、1タスクの費用は約30倍の開きがあります。1.51ドル(Codex GPT-6.1 Sol)から44.22ドル(Claude Code Fable 5.2 Max)まで。指数の4点が約29倍の価格差を伴うため、賢い選択は課題の難易度でレーンを分けることです。

ハーネスはエージェントの半分を占めます。Gemini 4 Argonは同じBug Hunt Benchで、Antigravity CLIでは40.7/105のバグ、Gemini CLIでは33/105。1回あたりの費用は7.16ドル対32.08ドルです。

🇨🇳 StepFun10 位まで · メモ 4 件

同じ質問に StepFun 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 Code + Opus 5.5 (Anthropic) 2026

    盲検の人間投票で2位以内、検証済みコーディングのボードで1位。両方の表彰台に乗る唯一の組み合わせで、1タスク15.47ドルです。

    出典 ↗
  2. 2
    Claude Fable 5.2 Max agent 2026

    盲検の人間投票の30.5%を獲得しています。次点のほぼ2倍ですが、ユーザーが成功を確認したのは21.7%のみです。

    出典 ↗
  3. 3
    OpenAI Codex + GPT-6.1 Sol 2026

    Terminal-Bench 4.0で58.2%、1タスク1.92ドル。Claude Codeの費用の半分、実行時間も半分ですが、点数は6.6ポイント低い。

    出典 ↗
  4. 4
    Gemini 4 Carbon High / Gemini CLI 2026

    人間の投票で3位、モデルとしてはTerminal-Bench 4.0で63.6%。しかしCLIのハーネスは、AAの総合で43と最下位近くです。

    出典 ↗
  5. 5
    Claude Sonnet 5.5 Max in Claude Code 2026

    確認された成功(19.5%)が投票(16.1%)を上回ります。このスタックでは、証明が味に勝ちます。

    出典 ↗
  6. 6
    GitHub Copilot agentic harness 2026

    Claude CodeやCodexと5つのボードで同時にベンチマークされた唯一のハーネスです。そしてトークン数でも勝ちました。

    出典 ↗
  7. 7
    Cognition Devin SWE-2 2026

    人間の補助ありで81.5%、なしで45.8%。同じエージェントで、まったく違う2つのリーダーボードです。

    出典 ↗
  8. 8
    Cursor Composer 2.5 2026

    ハーネスの税:同じモデルが、Cursor CLIでは1タスク1.47ドル、Claude Codeでは1.24ドルかかります。

    出典 ↗
  9. 9
    GLM-5.1 coding agent (in Claude Code) 2026

    1タスク2.26ドル。30倍の価格差の最上位で、フロンティア並みの価格のオープンウェイトです。コードレビュアーにも見分けにくいと言われます。

    出典 ↗
  10. 10
    Kimi K2.6 coding agent 2026

    オープンウェイト、300の並列サブエージェント、そして1回のリリースでTerminal-Benchが16ポイント上昇しました。

    出典 ↗

StepFun が気づいたこと

味の上乗せは測定できます。Claude Fable 5.2は盲検Arenaの投票の30.48%を得ますが、確認された成功は21.66%のみです。人々は、動くと確認できるよりも約9ポイント多く好んでいます。

価格は最も荒れた軸です。Artificial Analysis Coding Agent Indexは1タスク0.07〜2.26ドルで、30倍以上の幅があります。コード品質はほぼ同じなので、最安のリストは最良のリストとは別の競技です。

最も難しい多段階のボードでは、誰も勝ちません。GAIA2のICLR 2026論文はフロンティアを約42% pass@1とし、GPT-5(high)が42.1%で首位です。どのシステムもすべての能力を支配していません。Claudeは、ステップごとのトークンが少ないにもかかわらず、1タスクの費用はGPT-5(high)より高くつきます。

資金はオーケストレーション層に賭けられています。2026年11月13日、LangChainはキャピタルG主導で評価額30億ドルの3億ドルを調達しました。前回の評価額の2倍以上です。

🇨🇳 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 Code (Claude Opus 5.5, Max effort)

    同じ月に、盲検の人間投票と再採点された検証済みコーディングの両方のボードで首位に立つ唯一のエージェントです。Arena Agentsで+20.14%、Terminal-Bench 4.1では65.76%で1位。

    出典 ↗
  2. 2
    Devin Fusion CLI (Cognition)

    AAボードで公表された指数の最高スコアです。68点で、Claude Codeを2点上回ります。フロンティアの主力モデルと安いGPT-6 Lunaの相棒を組み合わせ、1タスクの費用を31%下げました。

    出典 ↗
  3. 3
    GitHub Copilot (Copilot Fusion)

    首位の半分のタスク単価で、指数は2点差のみ。Terminal-Bench 4.0では71点で単独首位に立つ、唯一の項目です。

    出典 ↗
  4. 4
    Claude Fable 5.2 (Claude Code)

    Terminal-Benchの首位に65.8%で並びますが、同じ数字に届くのに157億トークンを消費しています。Opus 5.5の80億の約2倍です。証明はあるが、節約はありません。

    出典 ↗
  5. 5
    GPT-6 Astra (OpenAI Codex)

    OpenAIのどのエージェントより1タスクの費用が高いです。Max設定で9.90ドル。同じボードでのxhigh実行の7.12ドルより、0.3点高いだけです。

    出典 ↗
  6. 6
    Gemini 4 Argon / Carbon (Google Antigravity)

    インテリジェンス指数(60)で首位、盲検の人間投票では銀(16.72%)。ただし唯一のTerminal-Bench数字は、ボードがランク付けを拒む自己申告です。

    出典 ↗
  7. 7
    GPT-6.1 Sol (OpenAI Codex)

    フロンティアの価値チャンピオンです。Astraの Terminal-Bench スコアの93%を、1タスク価格の19%で出します。1.92ドル対9.90ドルです。

    出典 ↗
  8. 8
    Claude Sonnet 5.5 (Claude Code)

    Terminal-Bench 4.1では2位ですが、4.0の実行では最も高価な首位項目です。1タスク22.22ドル、194億トークン、63.9%で7,300ドルかかりました。

    出典 ↗
  9. 9
    Kimi K3.1 Pro (Moonshot AI, open weights)

    オープンウェイトの異端児です。100万トークンあたり3ドル/15ドルで、Terminal-Bench首位から6ポイント以内。ただしインテリジェンス指数ではOpusより13ポイント低い。

    出典 ↗
  10. 10
    OpenCode + GLM-5.3 (open source)

    AA Coding Agent Indexで唯一のオープンソースのハーネスです。53.6点、1タスク4.24ドル。堀はモデルだけでなくハーネスにあることの証明です。

    出典 ↗

Kimi が気づいたこと

味、証明、価格で3つの別のチャンピオンがいます。Claude Opus 5.5は盲検の人間投票で勝ち(Arena Agentsで+20.14%)、AA指数の首位はClaude CodeとDevin Fusionの間で入れ替わり(10月21日のスナップショットで68)、GPT-6.1 Solは1タスクあたりの費用で勝ちます(Terminal-Bench 4.0で58.2%、1タスク1.92ドル)。

検証済みと自己申告の差は約20ポイントです。プリンストン大学のHALの検証済み最高は74.55%(総実行費用178.20ドル)。一方、オープンボードの匿名の自己申告は94.35%に達します。2026年4月には、カリフォルニア大学バークレー校の不正利用するエージェントが、1つの課題も解かずにGAIAで約98%を取りました。

GAIA2は「エージェント的」な主張の期待値を再設定しました。時間が進み続けるメタ・プラットフォームズの動的な環境では、首位(高推論のGPT-5)はシナリオの42.1%しか通らず、最良のオープンモデル(Kimi-K2)でも約20%です。

資金はモデルではなく、オーケストレーション層に流れています。2026年11月13日、LangChainは評価額30億ドルで3億ドルを調達しました。Devin FusionとCopilot Fusionが、複数モデル間のルーティング自体が製品であることを示した数日後です。

🇨🇳 DeepSeek10 位まで · メモ 4 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
    Claude Code with Claude Fable 5.2

    Fable 5.2はArenaで30.35%の首位、コーディング指数の首位と58で並びます。ただしそのxhigh実行は15.47ドルで、Codexの1.50ドルの10倍です。

    出典 ↗
  2. 2
    Gemini 4 Carbon in Antigravity CLI

    CarbonはCursorBenchで60.4%を取り、費用は9.22ドル。一方、Arenaのトップモデルは同じ複数ファイル課題で60.0%、費用は32.79ドルです。

    出典 ↗
  3. 3
    Claude Code with Claude Opus 5.5

    Opus 5.5はArenaの元1位で、コーディング指数の61.7点の基準です。1タスク11.42ドルで、最も安くも最も高くもないフロンティアです。

    出典 ↗
  4. 4
    GitHub Copilot Fusion

    Fusionは5.59ドルで59.9点、Terminal-Benchでは71.2で首位です。価格は半分で、Claude Codeに2点差です。

    出典 ↗
  5. 5
    Devin Fusion CLI

    Devin Fusionは8.00ドルで61.5点。Opus 5.5を使うClaude Codeより0.2点低いだけです。使用トークンは1,046万で、Claude Codeの1,452万より少ない。

  6. 6
    OpenAI Codex with GPT-6.1 Sol

    GPT-6.1 SolのCodexは、指数で首位群に6点譲ります。しかし費用は1.50ドルで、Claude Codeの最大設定より7.6倍安いです。

    出典 ↗
  7. 7
    Claude Code with Claude Sonnet 5.5

    ソネット5.5はArenaで15.95%の4位ですが、コーディング課題の13.30ドルは、似たスコアのCopilot Fusionの5.59ドルより高い。

    出典 ↗
  8. 8
    OpenAI Codex with GPT-6 Astra

    AstraはArenaで14.54%の6位、コーディング指数の費用は7.04ドルです。Opus 5.5より安いが、検証済みのマージでは遅れます。

    出典 ↗
  9. 9
    Kimi K3.1 Pro agent

    KimiはTerminal-Bench 4.1で68%の首位、1タスクの費用は約5.27ドルです。それでもArenaの投票者は5.2%で11位としました。

    出典 ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Fable 5.1はArenaで14.82%の5位、CursorBenchの複数ファイル課題では17.28ドルかかります。まだフロンティアですが、もう見出しの主役ではありません。

    出典 ↗

DeepSeek が気づいたこと

同じ週に2つの違う勝者がいます。Arenaの11月11日の発表ではFable 5.2が30.35%で1位、一方CursorBench 4.0ではGemini 4 Carbonが60.4%で1位。モデルの順位は、ボードがどのタスク分布を取るかで変わります。

コーディングの最高点と最安点は29倍離れています。Fable 5.2の最大設定はAA指数で1タスク44.22ドル、一方Codex GPT-6.1 Solは1.51ドルです。

Copilot Fusionはコーディング課題を36.1分で終えます。Claude Codeは61.0分。41%速く、51%安いですが、総合では2ポイント低い。

GAIAのハーネスの効果は、ほとんどのモデル差より大きいです。同じモデルが、素のままでは44%、よく作られたエージェントの枠組みの中では74%を取れます。30ポイントの振れです。

🇨🇳 Wenxin10 位まで · メモ 4 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
    Claude Opus 5.5 (Anthropic 2026)

    LMArenaで1512 Eloの65.15%。Terminal-Bench 4.0の最高点と並びます

    出典 ↗
  2. 2
    Claude Fable 5.2 (Anthropic 2026)

    Agent Arenaの1位、ネットのユーザー上昇+30.48。Terminal-Benchの65.15%と並びます

    出典 ↗
  3. 3
    Claude Sonnet 5.5 (Anthropic 2026)

    APEX-Agentsで1位の75.5%。100万トークンあたりの価格は5/5/25で、最上位で最も価値が高い

    出典 ↗
  4. 4
    Atria Dawn Preview (Shanghai AI Lab 2026)

    BenchLMの検証済みエージェントスコアは92.5/100。オープンウェイトの世界最高のエージェントです

    出典 ↗
  5. 5
    Kimi K3.1 Pro (Moonshot AI 2026)

    Terminal-Bench 4.0で63.64%の4位。オープンウェイトのコーディングエージェントで首位です

    出典 ↗
  6. 6
    Gemini 4 Carbon (Google 2026)

    Agent Arenaで+16.90の3位、1タスク1.46ドル、P50の実行時間は最速の10分

    出典 ↗
  7. 7
    GPT-5.6 Sol (OpenAI 2026)

    LMArenaで1514 Elo。推論を保持したままARC-AGI-3スコアは3倍

    出典 ↗
  8. 8
    Gemini 4 Argon (Google 2026)

    Agent Arenaで最安の1タスク0.712ドル、P50の実行時間は7分

    出典 ↗
  9. 9
    DeepSeek V4 Pro (DeepSeek 2026)

    Terminal-Bench Hardで首位。100万トークンあたり1.74/1.74/3.48で、オープンなコーディングの最良の価値

    出典 ↗
  10. 10
    Muse Code + Muse Wonder (Meta 2026)

    FuncPass 91.6%で1位、SecPass 25.1%で7位。これまで測定された中で最も広いFunc/Secの差です

    出典 ↗

Wenxin が気づいたこと

Claudeのエージェント上位3つはすべてTerminal-Bench 4.0で64%以上です。他のどのベンダーも超えない水準です

APIの2つの簡単な設定を有効にしたところ、GPT-5.6 SolのARC-AGI-3スコアは3倍になり、出力トークンは6分の1に減りました

Muse Wonderは、FuncPass/SecPassの差が27.4%の比率で、これまで測定された中で最大です

Agents’ Last Examの最難関の完全正答率は、主要なすべてのシステムで依然1%未満です

🇨🇳 Qwen10 位まで · メモ 3 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
    Claude Code with Opus 5.5

    Artificial Analysis Coding Agent Indexで61.7点の首位。Fableのような割増料金なしに、Agent Arenaの上位層を支えています。

    出典 ↗
  2. 2
    Claude Fable 5.2 (Max)

    Agent Arenaの盲検の人間投票で勝率30.48%の首位ですが、その差のためにOpus 5.5の約2.6倍の費用がかかります。

    出典 ↗
  3. 3
    Gemini 4 Carbon

    Coding Agent Indexで59点、Claude Opus 5.5のAPI価格のちょうど半分です。効率の王と言えます。

    出典 ↗
  4. 4
    GPT-6 Sol

    Agent Arenaの仕事ランキングで2位。Coding Agent Indexでは1タスク平均2.99ドルです。

    出典 ↗
  5. 5
    GitHub Copilot Fusion

    OpenAIとAnthropicのモデルを組み合わせ、Opus 5.5より2点低いスコアを、タスクあたりの費用半分で出します。

    出典 ↗
  6. 6
    Sage-A1.5

    独立したプリンストン大学のHAL GAIAリーダーボードで、検証済みの最高スコア95.1%に並びます。Artificial Analysisでも強い数字を出しています。

    出典 ↗
  7. 7
    CustomGPT.ai Research Lab v44

    Hugging Faceの公式トラッカーで97.85%の成功率。GAIAのマルチステップ・アシスタントのベンチマークを支配しています。

  8. 8
    Gemini 4 Hydrogen (High)

    6,500の実世界のエージェントセッションで+14.8%のネット改善。Agent Arenaに5位でデビューしました。

    出典 ↗
  9. 9
    OpenAI Codex (GPT-5.6 Sol)

    7月にCoding Agent Indexで80点を取り、SWE-bench Verifiedが分割される前は、OpenAIのハーネスをリードしていました。

    出典 ↗
  10. 10
    Devin

    コグニションの自律ソフトウェアエンジニアは、高い時間単価にもかかわらず、Agent ArenaとGAIAの比較で定番です。

    出典 ↗

Qwen が気づいたこと

マルチエージェントのオーケストレーションは、価格と性能の比で生の最先端モデルを上回りつつあります。GitHub Copilot Fusionは、OpenAIとAnthropicのモデルを組み合わせ、Claude Opus 5.5より2点低いスコアを、タスクあたりの費用を半分にして出します。

「味と証明」の差は大きいです。Claude Fable 5.2はAgent Arenaの盲検の人間投票で30.48%の勝率を取りますが、Opus 5.5の2.6倍の費用がかかり、検証済みのタスク完了では小さな上積みしかありません。

LangChainの評価額30億ドル(2026年11月13日に3億ドルを調達)は、市場が単一モデルからオーケストレーション・フレームワークへ移っていることを示しています。GitHub Copilot Fusionのような、マルチエージェントで費用を抑える仕組みを支える技術そのものです。