BenchLeader

AIモデルを並べて比較

2026年11月16日時点で、ランキング上位2モデルはClaude Fable 5.2(Anthropic、72.7)とGemini 4 Carbon(Google、68.9)で、BenchLeader Indexの差は3.8ポイントです。上位10モデルのうち最も安いのはGemini 4 Carbonで、100万トークンあたりのブレンド価格は$4.00です。BenchLeaderには1831組の比較ページがあり、それぞれ判定、カテゴリ別の優劣、100万トークンあたりの価格、速度を掲載しています。

最大6つのモデルを選べます。わかりやすい判定、各行で最も良い数値を強調した仕様表、グラフ、そしてすべてのベンチマークのスコアを並べて表示します。

全モデルの100万トークンあたりの価格 →

Claude Fable 5.2maxGemini 4 Carbonhigh
モデルをドラッグすると順番を変えられます。
判定
  • 品質ではClaude Fable 5.2 (max)がリードしています:72.7 対 68.9。
  • Claude Fable 5.2 (max)が最も強いのはエージェント・ツール、コーディング、知識、長文コンテキスト、数学、推論です。
  • Gemini 4 Carbon (high)が最も強いのは人間の評価です。
  • Gemini 4 Carbon (high)はClaude Fable 5.2 (max)より4.0倍安くなっています(100万トークンあたりブレンド価格$4.00 対 $16.00)。
  • 出力が最も速いのはClaude Fable 5.2 (max)で、109トークン/秒(Gemini 4 Carbon (high)の1.7倍)です。
  • Gemini 4 Carbon (high)は1.2分で回答を始めますが、Claude Fable 5.2 (max)は3.9分かかります。
指標Claude Fable 5.2
max Anthropic
Gemini 4 Carbon
high Google
品質
BenchLeader Index50 = 平均的なモデル72.7(比較したモデルの中で最良)68.9
推論75.7(比較したモデルの中で最良)73.2
コーディング79.7(比較したモデルの中で最良)74.1
エージェント・ツール77.3(比較したモデルの中で最良)70.3
数学74.5(比較したモデルの中で最良)71.9
知識86.3(比較したモデルの中で最良)76.1
人間の評価–72.6
長文コンテキスト66.4(比較したモデルの中で最良)64.3
総合–70.3
速度とレイテンシ
出力速度109 tok/s(比較したモデルの中で最良)64 tok/s
最初のトークンまでの時間3.88秒(比較したモデルの中で最良)7.04秒
回答開始までの時間推論時間を含む232.1秒73.5秒(比較したモデルの中で最良)
コンテキストウィンドウ1M1.0M(比較したモデルの中で最良)
価格
入力(100万トークンあたり)$8.00$2.00(比較したモデルの中で最良)
出力(100万トークンあたり)$40.00$10.00(比較したモデルの中で最良)
ブレンド(入力3:出力1)$16.00$4.00(比較したモデルの中で最良)
キャッシュ入力(100万トークンあたり)プロンプトキャッシュの読み出し価格$0.200$0.100(比較したモデルの中で最良)
1ドルあたりのIndex4.517.2(比較したモデルの中で最良)
タスクあたりのコストと時間
チャットの返答:コスト入力400/出力300$0.015$0.0038(比較したモデルの中で最良)
チャットの返答:キャッシュ利用時のコストキャッシュヒット率75%$0.013$0.0032(比較したモデルの中で最良)
チャットの返答:所要時間3.9分1.3分(比較したモデルの中で最良)
30ページのレポートを要約:コスト入力12,000/出力600$0.120$0.030(比較したモデルの中で最良)
30ページのレポートを要約:キャッシュ利用時のコストキャッシュヒット率75%$0.050$0.013(比較したモデルの中で最良)
30ページのレポートを要約:所要時間4.0分1.4分(比較したモデルの中で最良)
コード編集:コスト入力6,000/出力1,500$0.108$0.027(比較したモデルの中で最良)
コード編集:キャッシュ利用時のコストキャッシュヒット率75%$0.073$0.018(比較したモデルの中で最良)
コード編集:所要時間4.1分1.6分(比較したモデルの中で最良)
エージェント型コーディングセッション:コスト入力60,000/出力4,000$0.640$0.160(比較したモデルの中で最良)
エージェント型コーディングセッション:キャッシュ利用時のコストキャッシュヒット率75%$0.289$0.074(比較したモデルの中で最良)
エージェント型コーディングセッション:所要時間4.5分2.3分(比較したモデルの中で最良)
構造化データの抽出:コスト入力2,000/出力200$0.024$0.0060(比較したモデルの中で最良)
構造化データの抽出:キャッシュ利用時のコストキャッシュヒット率75%$0.012$0.0032(比較したモデルの中で最良)
構造化データの抽出:所要時間3.9分1.3分(比較したモデルの中で最良)

グラフ

品質と比べる軸:選んだモデルは丸で囲んでラベルを付けています。それ以外はフロンティアのモデルです。
40506070$0.100$0.200$0.500$1.00$2.00$5.00$10.00$20.00ブレンド価格、100万トークンあたりのドル(対数)BenchLeader IndexClaude Fable 5.2 (max)Gemini 4 Carbon (high)

灰色の破線の階段:フロンティア。両方の軸で、表示中の他のどのモデルにも負けていないモデルです。

全ベンチマーク

カテゴリ別に、生のスコアを並べています。各行で最も良い数値は紫色です。「参考」のベンチマークは表示のみで、Indexには含めていません。

ベンチマーク Claude Fable 5.2 max Gemini 4 Carbon high
推論
GPQA Diamond93.9%96.5%(比較したモデルの中で最良)
Arena Hard Prompts–1547
LiveBench 2.0 Reasoning(参考)–90.6%
Humanity's Last Exam (AA)(参考)74.3%–
HLE-Diamond (AA)80.2%(比較したモデルの中で最良)69.1%
ARC-AGI-197.5%(比較したモデルの中で最良)97.5%(比較したモデルの中で最良)
ARC-AGI-292.5%(比較したモデルの中で最良)92.1%
ARC-AGI-394.9%96.9%(比較したモデルの中で最良)
CritPt(参考)35.4%–
CritPt v2 hard subset (AA)76.5%(比較したモデルの中で最良)69.0%
Arena Expert(参考)–1567
Chess Puzzles(参考)79.0%(比較したモデルの中で最良)78.0%
Mystery Game Puzzles(参考)90.0%(比較したモデルの中で最良)73.0%
コーディング
SciCode67.7%(比較したモデルの中で最良)64.2%
Arena Coding–1568
Arena WebDev–1768
LiveBench 2.0 Coding(参考)–91.0%
SciCode (AA)(参考)67.7%–
Vibe Code Bench v1.1(参考)–89.1%
Vibe Code Bench 1-100 v1.1(参考)–49.7%
CursorBench(参考)60.0%60.4%(比較したモデルの中で最良)
FrontierSWE(参考)69.9%(比較したモデルの中で最良)61.2%
Terminal-Bench 4.0 (AA)(参考)59.6%65.2%(比較したモデルの中で最良)
FrontierCode 1.1 (AA)(参考)56.2%–
FrontierCode 2.0 (AA)48.8%(比較したモデルの中で最良)40.6%
エージェント・ツール
Terminal-Bench65.8%(比較したモデルの中で最良)64.5%
Arena Agent30.4(比較したモデルの中で最良)17
LiveBench Long Agentic(参考)–72.7%
LiveBench Browser(参考)–80.0%
GDPval-AA v2.1(参考)1831(比較したモデルの中で最良)1733
Finance Agent v2.1(参考)–67.2%
Harvey's Legal Agent Benchmark v1.1(参考)–17.5%
Legal Research Bench(参考)–55.8%
Tax Agent Bench(参考)–51.8%
Terminal-Bench 4.0 (Vals)(参考)–63.1%
Arena Agent Task Completion(参考)22(比較したモデルの中で最良)18.4
SpireClimb(参考)15.3%–
AutomationBench(参考)76.4%77.8%(比較したモデルの中で最良)
GDP.pdf (AA)(参考)24.2%28.4%(比較したモデルの中で最良)
Harvey LAB-AA v1.1(参考)7.2%–
AA-Briefcase v1.1(参考)1785(比較したモデルの中で最良)1611
GDPx(参考)16.4%(比較したモデルの中で最良)10.9%
Terminal-Bench-Science 0.1 (AA)(参考)73.3%(比較したモデルの中で最良)64.8%
MKA (AA)(参考)56.6%(比較したモデルの中で最良)54.3%
数学
FrontierMath Tiers 1–395.1%(比較したモデルの中で最良)90.5%
FrontierMath Tier 4100.0%(比較したモデルの中で最良)95.1%
OTIS Mock AIME99.7%100.0%(比較したモデルの中で最良)
ProofBench100.0%–
ArXivMath(参考)–94.3%
BrokenArXiv(参考)–84.4%
FrontierMath Erdős(参考)–2.9%
知識
SimpleQA Verified94.0%(比較したモデルの中で最良)77.7%
LiveBench 2.0 Data Analysis(参考)–86.5%
LiveBench Research(参考)–92.5%
AA-Omniscience v1.166.8(比較したモデルの中で最良)53.5
Excel Modeling Benchmark v1.1(参考)–76.5%
DrugDiscoveryBench(参考)–71.5%
EBR-bench(参考)90.5%(比較したモデルの中で最良)87.6%
AA-Omniscience v1.1: accuracy(参考)79.1%(比較したモデルの中で最良)58.3%
AA-Omniscience v1.1: non-hallucination(参考)40.7%88.6%(比較したモデルの中で最良)
HealthBench Professional (AA)(参考)67.7%–
指示追従
Arena Instruction Following(参考)–1525
人間の評価
Arena Text–1526
Arena Creative Writing(参考)–1516
Arena Multi-turn(参考)–1564
Arena Longer Queries(参考)–1538
マルチモーダル
LiveBench Design(参考)–80.2%
Humanity's Sixth Sense(参考)59.5%71.1%(比較したモデルの中で最良)
Furniture Assembly(参考)90.0%(比較したモデルの中で最良)77.5%
VIALS-AA(参考)67.1%(比較したモデルの中で最良)64.0%
AA-3D(参考)1271–
長文コンテキスト
AA-LCR v1.183.3%(比較したモデルの中で最良)79.3%
MLCR(参考)43.9%(比較したモデルの中で最良)19.4%
総合
LiveBench 2.0–83.5%
AA Intelligence Index v5.0.1(参考)64.6(比較したモデルの中で最良)60.0
AA Progress Index v1(参考)358(比較したモデルの中で最良)350.8
Vals Index(参考)–70.5
Vals Finance Index(参考)–67.0%
Vals RSI Index(参考)37.9%(比較したモデルの中で最良)27.7%
Vals Legal Index(参考)–75.9%

よく検索される比較

検索の多い組み合わせを先に、続いて上位15モデル同士の組み合わせを並べています。いずれも判定、カテゴリ別の優劣、価格、速度を掲載しています。そのほかの比較は各モデルのページからたどれます。