ディープリサーチに最適なモデル
答えを待つ価値のある難しい問いです。大量の資料を読み、それを踏まえて推論し、根拠のある文章を書く。ここでは、モデルに必要なだけ考えさせたいところです。レイテンシは考慮に入らず、価格もほとんど問題になりません。代わりに人が午後をまるごと費やすことになるからです。
2026年11月16日時点で、この用途に最も合うのはClaude Fable 5.2(max)で、推論は75、知識は75です。
重みづけの内訳
- 30%推論仕事は長い論証の流れを途中で見失わずに追うことです
- 25%品質研究の問いはひとつのカテゴリに収まらないため、幅広い能力が必要です
- 25%知識正しく思い出せること、そして知らないことをでっち上げないこと
- 20%長文コンテキスト資料がすべて収まり、しかもモデルが最後まで注意を保っている必要があります
ランク付けされた339モデルのうち、条件を満たすのは272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 | 推論 | 知識 | 長文コンテキスト | 品質 | 100万トークンあたりの価格 | OpenRouterシェア |
|---|---|---|---|---|---|---|---|---|
| 1 | NEW | 97 | 75 | 75 | 66 | 72.7 | $16.00 | 0.40% |
| 2 | 95 | 69 | 67 | 66 | 68.4 | $8.00 | 3.3% | |
| 3 | 95 | 68 | 66 | 67 | 66.7 | $20.00 | 0.08% | |
| 4 | 94 | 68 | 68 | 66 | 65.4 | $20.00 | 0.01% | |
| 5 | 94 | 72 | 71 | 64 | 68.9 | $4.00 | 0.31% | |
| 6 | NEW | 93 | 67 | 68 | – | 63.4 | $3.00 | 0.08% |
| 7 | 93 | 70 | 65 | 66 | 66.6 | $4.00 | 1.8% | |
| 8 | 92 | 72 | 66 | 65 | 67.3 | $20.00 | 0.14% | |
| 9 | 90 | 67 | 67 | 64 | 65.3 | $4.00 | 0.43% | |
| 10 | 90 | 66 | 66 | 65 | 65.0 | $10.00 | 0.09% | |
| 11 | 90 | 68 | 64 | – | 63.1 | $67.50 | <0.01% | |
| 12 | 89 | 61 | 69 | 66 | 61.6 | $2.00 | 0.03% | |
| 13 | 89 | 67 | 66 | – | 60.0 | – | – | |
| 14 | 89 | 61 | 68 | 65 | 64.4 | $8.00 | 0.05% | |
| 15 | 88 | 63 | 66 | 65 | 62.1 | $1.50 | 0.15% | |
| 16 | 88 | 66 | 62 | 67 | 61.7 | – | – | |
| 17 | 88 | 68 | 67 | 63 | 62.2 | $2.00 | <0.01% | |
| 18 | 86 | 65 | 62 | 66 | 60.4 | $4.50 | 0.05% | |
| 19 | 86 | 67 | 65 | 64 | 61.5 | $2.00 | <0.01% | |
| 20 | 85 | 67 | 63 | 64 | 64.2 | – | – | |
| 21 | 84 | 62 | 64 | 64 | 64.1 | $11.25 | 0.02% | |
| 22 | 84 | 62 | 58 | 68 | 61.8 | $4.00 | 1.6% | |
| 23 | 82 | 60 | 64 | 64 | 65.3 | $8.00 | 0.11% | |
| 24 | 82 | 61 | 60 | 65 | 62.1 | $2.92 | – | |
| 25 | 82 | 61 | 61 | 66 | 60.2 | $1.50 | 0.77% | |
| 26 | 81 | 64 | 61 | 64 | 60.0 | $3.75 | <0.01% | |
| 27 | 81 | 62 | 61 | 63 | 63.1 | $10.00 | <0.01% | |
| 28 | 81 | 63 | 62 | – | 58.1 | $2.00 | – | |
| 29 | 79 | 55 | 66 | – | 59.6 | $41.25 | <0.01% | |
| 30 | 79 | 61 | 61 | 63 | 61.1 | $10.00 | 0.07% | |
| 31 | 79 | 62 | 62 | 61 | 62.5 | $10.00 | 0.04% | |
| 32 | 78 | 55 | 64 | 65 | 61.0 | $1.50 | 0.04% | |
| 33 | 78 | 54 | 59 | 67 | 60.7 | $6.00 | 0.55% | |
| 34 | 78 | 60 | 57 | 64 | 64.1 | $2.00 | 0.58% | |
| 35 | 78 | 58 | 59 | 65 | 60.6 | $3.00 | 0.03% | |
| 36 | 76 | 63 | 58 | 62 | 60.0 | – | – | |
| 37 | 76 | 63 | 57 | 64 | 59.0 | $1.13 | <0.01% | |
| 38 | 75 | 64 | – | 60 | 58.6 | $3.44 | – | |
| 39 | 75 | 62 | – | 61 | 58.8 | – | – | |
| 40 | 75 | 64 | – | 59 | 59.1 | – | – |
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「ディープリサーチに最適なモデル」2026年11月16日時点のデータ、https://www.benchleader.com/ja/use/deep-research