BenchLeader

Agnes 2.5 Pro Beta vs Qwen3.8 Max

詳しいプロフィール:Agnes 2.5 Pro Beta(Sapiens AI)とQwen3.8 Max(Alibaba)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 12件の情報源のデータ

2026年11月16日時点で、共通するベンチマークが少なく、品質の判定はできません。価格はAgnes 2.5 Pro Betaの方が20倍安く、100万トークンあたりのブレンド価格で$0.150 対 $3.00です。エージェント・ツール(64 対 59)、長文コンテキスト(66 対 65)を重視するならAgnes 2.5 Pro Beta、マルチモーダル(66 対 58)を重視するならQwen3.8 Maxが向いています。

要点(2026年11月16日時点)

  • Agnes 2.5 Pro Betaの100万トークンあたりのブレンド価格は$0.150です(定価、2026年11月16日)。
  • Qwen3.8 Maxの100万トークンあたりのブレンド価格は$3.00です(定価、2026年11月16日)。
  • 両モデルに結果がある11件のベンチマークのうち、Qwen3.8 Maxが10件でリードしています(BenchLeader、2026年11月16日)。

用途別のおすすめ

おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。

用途おすすめ理由信頼度
エージェント・ツール利用Agnes 2.5 Pro Betaカテゴリスコア64 対 59;τ³-Banking (AA) 35.7% 対 51.3%中
長い文書Agnes 2.5 Pro Betaカテゴリスコア66 対 65;AA-LCR v1.1 83.0% 対 80.3%中
画像などのメディアQwen3.8 Maxカテゴリスコア66 対 58;MMMU-Pro 82.8% 対 75.4%高
チャットの質(人間の評価)–Arenaの評価があるのはQwen3.8 Maxのみです(カテゴリスコア68)比較不可
低予算での大量処理フラッグシップ以外小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM–

主な違い

  • 共通するベンチマークが少なく、判定できません。
  • Agnes 2.5 Pro Betaはエージェント・ツール、長文コンテキストで優れています。
  • Qwen3.8 Max (max)はマルチモーダルで優れています。
  • Agnes 2.5 Pro Betaの方が20倍安くなっています(100万トークンあたりブレンド価格$0.150 対 $3.00)。

概要

仕様Agnes 2.5 Pro BetaQwen3.8 Max
プロバイダーSapiens AIAlibaba
リリース日2026年8月26日2026年8月3日
コンテキストウィンドウ(トークン)1,000,0001,000,000
比較した構成Agnes 2.5 Pro BetaQwen3.8 Max (max)
オープンウェイトなしなし
100万トークンあたりの価格(入力/出力/キャッシュ入力)–$2.00 / $6.00 / $0.250

カテゴリ別の比較

カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。

カテゴリAgnes 2.5 Pro BetaQwen3.8 Max (max)トップ
推論–51.5比較不可
コーディング–61.6比較不可
エージェント・ツール64.458.5Agnes 2.5 Pro Beta
数学–65.2比較不可
知識–58.0比較不可
人間の評価–67.5比較不可
マルチモーダル57.765.7Qwen3.8 Max
長文コンテキスト66.264.8Agnes 2.5 Pro Beta
総合–45.0比較不可

1つのグラフで比較

各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。

2550 avg75エージェント・ツール長文コンテキストマルチモーダルAgnes 2.5 Pro Beta, エージェント・ツール: 64.4Agnes 2.5 Pro Beta, 長文コンテキスト: 66.2Agnes 2.5 Pro Beta, マルチモーダル: 57.7Qwen3.8 Max, エージェント・ツール: 58.5Qwen3.8 Max, 長文コンテキスト: 64.8Qwen3.8 Max, マルチモーダル: 65.7

描画していないもの(測定済みのモデルが2つ未満):推論, コーディング, 数学, 知識, 指示追従, 人間の評価。

モデル(クリックで追加・削除)Index

情報源で評価が分かれる点

両方に結果がある11件のベンチマークのうち、Agnes 2.5 Pro Betaのリードが1件、Qwen3.8 Maxのリードが10件です。

公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。

価格・速度・レイテンシ

定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。

指標Agnes 2.5 Pro BetaQwen3.8 Max (max)
100万トークンあたりのブレンド価格–$3.00
100万トークンあたりの入力/出力– / –$2.00 / $6.00
100万トークンあたりのキャッシュ入力–$0.250
タスクあたりの価格:チャットの返答–$0.0026
タスクあたりの価格:30ページのレポートを要約–$0.028
タスクあたりの価格:コード編集–$0.021
タスクあたりの価格:エージェント型コーディングセッション–$0.144
タスクあたりの価格:構造化データの抽出–$0.0052
エージェント型コーディングセッション(入力の大半がキャッシュ)–$0.065
ベンチマークのタスクあたりのコスト(AA Index)–$10.02
タスクあたりの出力トークン(AA Index)–171k
うち推論–120k
タスクあたりの時間(AA Index)–48 min
出力速度–59 tok/s
回答開始までの時間–119.6秒
回答が完了するまでの時間(最終測定2026年11月13日)–294.1秒

各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。Agnes 2.5 Pro Beta。Qwen3.8 Max (max)のスコアは58.7、最初の回答トークンまで120秒。Qwen3.8 Max (xhigh)は56.6(3秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか

全ベンチマーク

137件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。

指標公開元Agnes 2.5 Pro BetaQwen3.8 Max (max)
BenchLeader IndexBenchLeader–58.7
エージェント・ツールスコアBenchLeader64.458.5
長文コンテキストスコアBenchLeader66.264.8
マルチモーダルスコアBenchLeader57.765.7
コーディングスコアBenchLeader–61.6
総合スコアBenchLeader–45.0
人間の評価スコアBenchLeader–67.5
知識スコアBenchLeader–58.0
数学スコアBenchLeader–65.2
推論スコアBenchLeader–51.5
ブレンド価格($/100万トークン)BenchLeader–$3.00
出力速度BenchLeader–59 tok/s
回答開始までの時間BenchLeader–119.6秒
コンテキストウィンドウBenchLeader1,000,000トークン1,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub–92.7%†
Arena Hard PromptsArena (LMArena)–1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis90.5%92.8%
Humanity's Last Exam (AA)Artificial Analysis37.5%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI–93.7%
CritPtArtificial Analysis15.7%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)–1514
Chess PuzzlesEpoch AI Benchmarking Hub–46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–38.0%†
LMCAEpoch AI Benchmarking Hub–46.2%†
DTBenchEpoch AI Benchmarking Hub–92.0%†
コーディング
SciCodeSciCode–53.2%
Arena CodingArena (LMArena)–1523
Arena WebDevArena (LMArena)–1676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench–72.9%
SciCode (AA)Artificial Analysis48.8%53.2%
LiveCodeBenchVals AI–87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI–85.6%
137件のベンチマークをすべて表示
指標公開元Agnes 2.5 Pro BetaQwen3.8 Max (max)
コーディング
Code MigrationVals AI–24.0%
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI–64.7%
SWE Atlas v1.1Scale AI SEAL–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub–52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub–1679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis69.7%88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 2–54.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–69.6†
Design Arena WebsiteDesign Arena–1269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
エージェント・ツール
Terminal-BenchTerminal-Bench–27.0%
APEX-AgentsMercor–63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis41.5%58.3%
GDPval-AA v2.1Artificial Analysis13351674
τ³-Banking (AA)Artificial Analysis35.7%51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI–10.4%
Legal Research BenchVals AI–47.6%
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)–4.5
AutomationBenchArtificial Analysis–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis–1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena–1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%†
ProofBenchVals AI–58.0%
LiveBench MathematicsLiveBench–91.3%
Arena MathsArena (LMArena)–1505
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI–83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI–40.7%
MedScribeVals AI–85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
FACTS ParametricGoogle–30.8%
指示追従
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
Arena Instruction FollowingArena (LMArena)–1478
人間の評価
Arena TextArena (LMArena)–1484
Arena Creative WritingArena (LMArena)–1472
Arena Multi-turnArena (LMArena)–1495
Arena Longer QueriesArena (LMArena)–1496
マルチモーダル
Arena VisionArena (LMArena)–1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis75.4%82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis83.0%80.3%
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis35.245.4
AA Progress Index v1Artificial Analysis299.1323.7
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI–65.4%
安全性・誠実さ
DistressBenchScale AI SEAL–77.6%

データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

最近の変化

  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂6件。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):新しい結果1件(FACTS Search)、スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):価格 $0.25/M → $0.22/M。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):価格 $0.25/M → $0.22/M。
  • Qwen3.8 Max (max):スコアの改訂1件。

ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM

Agnes 2.5 Pro Beta vs Qwen3.8 Max:よくある質問

Agnes 2.5 Pro BetaとQwen3.8 Maxはどちらが安いですか?今後変わる予定はありますか?
現在はAgnes 2.5 Pro Betaの方が安く、100万トークンあたり$0.150 対 $3.00です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
エージェントやツール利用にはAgnes 2.5 Pro BetaとQwen3.8 Maxのどちらが向いていますか?
エージェント型のタスクではAgnes 2.5 Pro Betaの方がスコアが高くなっています(カテゴリ指標で64 対 59。50が平均)。共通するエージェント・ツールベンチマークのうち最も重要なτ³-Banking (AA)では、Agnes 2.5 Pro Betaが35.7%、Qwen3.8 Maxが51.3%です。
長い文書にはどちらが向いていますか?
長文コンテキストのベンチマークではAgnes 2.5 Pro Betaの方がスコアが高くなっています(66 対 65)。どちらも1,000,000トークンのコンテキストに対応しています。
Agnes 2.5 Pro BetaとQwen3.8 Maxについて、第三者ベンチマークの評価は一致していますか?
両方に結果がある11件のベンチマークのうち、Agnes 2.5 Pro Betaのリードが1件、Qwen3.8 Maxのリードが10件です。
Agnes 2.5 Pro Betaはいつリリースされましたか?
Agnes 2.5 Pro Betaは2026年8月26日にリリースされました。