BenchLeader

コーディングエージェントに最適なモデル

エージェントは誰にも見られずに何分も作業するので、最初のトークンまでの待ち時間はほとんど関係ありません。決め手になるのは、テストに通るコードを書けるか、流れを見失わずにツールを操れるか、大きなリポジトリをコンテキストに保持できるか、そして長いセッションでいくらかかるかです。エージェントはチャットとは比べものにならない勢いでトークンを消費します。

2026年11月16日時点で、この用途に最も合うのはMuse Wonder Full(max)で、コーディングは70、ツール利用は64です。

単一の指標で見たランキング: コーディングに最適なLLM(2026年11月) · エージェントに最適なLLM(2026年11月)

重みづけの内訳

  • 35%コーディング仕事は実際に動くコードを書くことです
  • 30%ツール利用エージェントはターンの大半を、文章を書くことではなく、ツールを呼び出して返ってきた結果を読むことに費やします
  • 20%長文コンテキスト実際のリポジトリは小さなウィンドウには収まりません。長くなるほど注意が薄れるモデルでは、それが以前の決定を忘れるという形で表れます
  • 15%100万トークンあたりの価格セッションが長いため、チャットでは気づかない価格差がここでは予算のすべてになります

ランク付けされた339モデルのうち、条件を満たすのは246モデルです。残りは、重みづけに必要な測定値のいずれかが欠けているか、上記の制限から外れています。たまたま持っている指標だけでスコアを付けるより、そのモデルを外すほうを選んでいます。

上記のベンチマークスコアは、モデルの各推論エフォート設定の結果をまとめ、それぞれが基づくベンチマークの数で重みづけしたものです。公開元が同じベンチマークをすべての設定で実行することはまれなので、1つの設定のカテゴリスコアは1件の結果だけから来ていることがよくあります。1件の結果では変動が大きすぎて、順位を決められません。レイテンシと価格は設定ごとに実際に異なるため、設定別のままにしています。

#モデル適合度コーディングツール利用長文コンテキスト100万トークンあたりの価格コンテキストウィンドウOpenRouterシェア
1Muse Wonder FullmaxMeta93706467–1M–
2Muse SparkMeta87656564–262k–
3Qwen3.8-Flash-NextAlibaba84616465$0.230256k–
4Gemini 4 CarbonhighGoogle83716964$4.001.0M0.31%
5NEWClaude Fable 5.2maxAnthropic83758166$16.001M0.40%
6Kimi K3.1 ProMoonshot AI82656468$4.001.0M1.6%
7Mimo v2 OmniXiaomi82626561–256k–
8GPT-6.1 SolmaxOpenAI81656466$4.001.1M1.8%
9GPT-6.1 TerramaxOpenAI80636464$2.001.1M0.58%
10Claude Opus 5.5maxAnthropic79696266$8.001M3.3%
11Claude Fable 5Anthropic78716366$20.001M0.01%
12Claude Fable 5.1maxAnthropic78676367$20.001M0.08%
13Gemini 4 ArgonhighGoogle78646464$4.001.0M0.43%
14GPT-6 AstramaxOpenAI78706465$20.001.1M0.14%
15GPT-5.6 SolmaxOpenAI77666564$8.001.1M0.11%
16Inkling 2 SmallThinking Machines77605566$0.4751.0M0.59%
17Grok 4.6highSpaceXAI76596465$3.00500k0.03%
18Claude Sonnet 5.5maxAnthropic76616564$4.001M1.2%
19MiMo-V2.6-ProXiaomi75595568$0.5481.0M0.44%
20Claude Opus 5maxAnthropic75656365$10.001M0.09%
21Muse Spark 1.3Meta75605966$2.001.0M0.03%
22GPT-5.3-CodexxhighOpenAI75576566$4.81400k<0.01%
23Qwen3.6 MaxmaxAlibaba75567265$2.92262k–
24NEWGemini 4 HydrogenhighGoogle746362–$3.001.0M0.08%
25Qwen3.8 MaxmaxAlibaba73615965$3.001M0.10%
26o3OpenAI72576271$3.50200k<0.01%
27Muse WonderMeta72626265$8.001.0M0.05%
28GPT-5.2-CodexOpenAI72556866$4.81272k<0.01%
29Hy4Tencent726157–$1.25960k8.6%
30Gemini 3 ProGoogle72586162–––
31Gemini 3.7 FlashhighGoogle71625365$1.501.0M0.15%
32GPT-6 SolmaxOpenAI71625964$4.001.1M0.12%
33Claude Opus 4.7Anthropic71626463$10.001M<0.01%
34Step 3.5 FlashStepFun70586256$0.150256k–
35DeepSeek V4 FlashmaxDeepSeek70535865$0.1751.0M1.0%
36Muse Spark 1.1Meta70655463$2.001.0M<0.01%
37MiniMax M3.1 FlashMiniMax70555565$0.2621M1.6%
38Claude Opus 4.5highAnthropic70596762$10.00200k<0.01%
39GLM 5.3 FlashZhipu AI69555565$0.2381M5.6%
40Kimi K3Moonshot AI69605567$6.001.0M0.55%

このページの読み方

適合度はパーセンタイルを組み合わせた値で、100点満点のスコアではありません。各指標について、ここで評価できる他のすべてのモデルと比べた順位を出し、上記の重みで合成しています。この値が示すのは、ほかの選択肢と比べてそのモデルがこの用途にどれだけ合うかです。音声用途には非常に合うのに、品質のリーダーボードではかなり下位というモデルもありえます。Indexではなく用途で順位を付けるのはそのためです。

最後の列は適合度には含まれません。OpenRouterで1週間に処理されたトークンのうち各モデルが占めた割合で、測定で優れていたものではなく、人々が選んだものを示します。両者の答えはしばしば異なります。これは1つのマーケットプレイスの一部分として読んでください。プロバイダー自身のAPIに直接送られたトラフィックは含まれず、自前のハードウェアで動かすモデルはまったく表れません。そのため、シェアが小さくても、誰も使っていない証拠にはなりません。

この重みづけに異論がありますか?それはもっともなことで、だからこそ隠さずに示しています。自分で条件を設定したい場合は、モデルファインダーをお使いください。

引用表記:BenchLeader「コーディングエージェントに最適なモデル」2026年11月16日時点のデータ、https://www.benchleader.com/ja/use/coding-agents