推論エフォート比較:思考を増やすとコストはどれだけ増えるか
推論エフォートを上げる価値はあるか?
多くの場合はありますが、代償を伴います。最も高い設定は、コストが中央値で7.9倍になる代わりに、Indexを中央値で7.5ポイント押し上げます。
効果はモデルによって異なります。支出が2倍になるごとの上昇幅が最も大きいのはGLM 5.3、最も小さいのはDeepSeek V4 Proで、こちらは設定を上げるとかえってスコアが下がります。求める品質を満たす最も低い設定から始めてください。
- GLM 5.3+6.9
- Claude Fable 5.1+5.1
- Mistral Large 4+4.4
- Claude Sonnet 5.5+3.1
- Claude Opus 5.5+2.8
- GPT-6 Astra+2.5
- Claude Fable 5.2+2.4
- Claude Haiku 5.5+2.4
- GPT-6.1 Sol+2.2
- GPT-6.1 Terra+2.0
- GPT-6 Luna+1.9
- Grok 4.7+1.4
- DeepSeek V4 Pro−1.2
2026年11月16日時点で、複数の推論エフォートで測定された13モデルでは、最も高い設定のコストは最も低い設定の中央値7.9倍で、Indexは中央値で7.5ポイント上がります。支出が2倍になるごとの上昇幅はGLM 5.3が最大(6.9ポイント)、DeepSeek V4 Proが最小(-1.2)です。
推論エフォート(思考予算や推論レベルとも呼ばれ、low、medium、highなどがあります)は、モデルが回答する前にどれだけ推論するかを決める設定です。推論が増えれば出力トークンも増えるため、スコアと料金の両方が変わります。BenchLeaderは各設定をそれぞれ独立した構成としてランク付けしており、このページではそれらを並べて比較します。
最先端のモデルの多くは、どれだけ深く考えるかを選べるようになっており、この設定はふつう品質のダイヤルとして紹介されます。しかし、それは価格のダイヤルでもあり、両者は連動しません。ここに示す数値はすべて、その設定でArtificial AnalysisのIntelligence Indexの平均的なタスク1件にかかったコストで、同じ作業量を定価で計算しています。そのため、長く推論するモデルは、トークン単価には決して表れない形でその代償を払うことになります。
差は大きく開いています。支出が2倍になるごとに、GLM 5.3はIndexが6.9ポイント上がりますが、DeepSeek V4 Proは-1.2ポイントです。DeepSeek V4 Proを最も高い設定にすると、コストは最も安い設定の2倍になり、スコアはかえって1.3ポイント下がります。
設定間のコスト差が2倍以上ある13モデル · 2026年11月16日時点のデータ
GLM 5.3
支出2倍あたり6.9ポイント · 3.2倍のコストで+11.5
Claude Fable 5.1
支出2倍あたり5.1ポイント · 2.9倍のコストで+7.9
Mistral Large 4
支出2倍あたり4.4ポイント · 3.0倍のコストで+7.0
Claude Sonnet 5.5
支出2倍あたり3.1ポイント · 20倍のコストで+13.5
Claude Opus 5.5
支出2倍あたり2.8ポイント · 10倍のコストで+9.5
GPT-6 Astra
支出2倍あたり2.5ポイント · 4.4倍のコストで+5.3
Claude Fable 5.2
支出2倍あたり2.4ポイント · 8.6倍のコストで+7.4
Claude Haiku 5.5
支出2倍あたり2.4ポイント · 9.4倍のコストで+7.6
GPT-6.1 Sol
支出2倍あたり2.2ポイント · 7.9倍のコストで+6.6
GPT-6.1 Terra
支出2倍あたり2.0ポイント · 13倍のコストで+7.5
GPT-6 Luna
支出2倍あたり1.9ポイント · 30倍のコストで+9.3
Grok 4.7
支出2倍あたり1.4ポイント · 2.7倍のコストで+2.0
DeepSeek V4 Pro
支出2倍あたり-1.2ポイント · 2.1倍のコストで-1.3
このページの読み方
「支出2倍あたりのポイント」は、料金が2倍になるたびに上がるIndexのポイント数です。ここでの支出は掛け算で増えていきます。各設定のコストは、前の設定より一定額高くなるのではなく、何倍かになる傾向があるからです。そのため、2倍あたりの数値なら、価格帯がまったく異なるモデル同士でも比べられます。数値が高ければ設定を上げる価値があり、低ければスコアに表れない思考に料金を払っていることになります。
コストの数値はArtificial Analysisの実行結果に基づくため、同社が複数の設定で実行したモデルだけを掲載しています。これは1つの公開元が1つのベンチマーク群で用いた評価環境の結果です。そこでの課題とは異なる作業で有効に推論するモデルは、ここでは実力より低く見えます。
モデル同士を比べるなら、効率チャートが全モデルの各設定を、Indexとタスクあたりのコスト・時間・トークン数の1枚のチャートに描き、設定ごとのばらつきとIndex実行全体のコストも示します。タスクあたりの所要時間ランキングでは、タスクにかかる時間を順位付けしています。
よくある質問
- 推論エフォートとは?
- 推論モデルの設定(low、medium、high、一部のモデルではminimal、xhigh、maxも)で、モデルが回答する前にどれだけ考えるかを決めます。高い設定ほど推論に多くの出力トークンを使うため、スコアはたいてい上がり、コストと待ち時間は必ず増えます。
- 推論エフォートを高くするとモデルは良くなりますか?
- たいていは良くなりますが、必ずではありません。2026年11月16日時点で複数の設定で測定された13モデルのうち、最も高価な設定が最も安価な設定のスコアを上回るのは12モデルで、上昇幅の中央値は7.5ポイントです。
- 推論エフォートを高くするとコストはどれだけ増えますか?
- 2026年11月16日時点でここに掲載している13モデルでは、同じ作業量に対して、最も高価な設定のコストは最も安価な設定の中央値7.9倍です。トークン単価は変わりません。モデルが書くトークンがずっと多くなるだけです。
- どの推論エフォートを使うべきですか?
- 求める品質を満たす最も低い設定から始め、測定できるほどの効果がある場合にだけ上げてください。このページで「支出2倍あたりのポイント」が高いモデルは設定を上げる価値があり、低いモデルは主に、スコアに表れない思考の分を請求しているだけです。
引用表記:BenchLeader「推論エフォート比較」2026年11月16日時点のデータ、https://www.benchleader.com/ja/effort