BenchLeader

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
1NEWClaude Fable 5.2maxAnthropic9775756672.7$16.000.40%
2Claude Opus 5.5maxAnthropic9569676668.4$8.003.3%
3Claude Fable 5.1maxAnthropic9568666766.7$20.000.08%
4Claude Fable 5Anthropic9468686665.4$20.000.01%
5Gemini 4 CarbonhighGoogle9472716468.9$4.000.31%
6NEWGemini 4 HydrogenhighGoogle936768–63.4$3.000.08%
7GPT-6.1 SolmaxOpenAI9370656666.6$4.001.8%
8GPT-6 AstramaxOpenAI9272666567.3$20.000.14%
9Gemini 4 ArgonhighGoogle9067676465.3$4.000.43%
10Claude Opus 5maxAnthropic9066666565.0$10.000.09%
11GPT-5.4 ProOpenAI906864–63.1$67.50<0.01%
12Muse Spark 1.3Meta8961696661.6$2.000.03%
13Kimi K3.1 Pro TogethermaxMoonshot AI896766–60.0––
14Muse WonderMeta8961686564.4$8.000.05%
15Gemini 3.7 FlashhighGoogle8863666562.1$1.500.15%
16Muse Wonder FullmaxMeta8866626761.7––
17Muse Spark 1.1Meta8868676362.2$2.00<0.01%
18Gemini 3.1 ProhighGoogle8665626660.4$4.500.05%
19Muse Spark 1.2xhighMeta8667656461.5$2.00<0.01%
20Muse SparkMeta8567636464.2––
21GPT-5.5xhighOpenAI8462646464.1$11.250.02%
22Kimi K3.1 ProMoonshot AI8462586861.8$4.001.6%
23GPT-5.6 SolmaxOpenAI8260646465.3$8.000.11%
24Qwen3.6 MaxmaxAlibaba8261606562.1$2.92–
25Gemini 3.8 FlashmediumGoogle8261616660.2$1.500.77%
26Qwen3.7maxAlibaba8164616460.0$3.75<0.01%
27Claude Opus 4.7Anthropic8162616363.1$10.00<0.01%
28Muse Spark Open 816B A42BxhighMeta816362–58.1$2.00–
29GPT-5 ProOpenAI795566–59.6$41.25<0.01%
30Claude Opus 4.8maxAnthropic7961616361.1$10.000.07%
31Claude Opus 4.6highAnthropic7962626162.5$10.000.04%
32Gemini 3.6 FlashhighGoogle7855646561.0$1.500.04%
33Kimi K3Moonshot AI7854596760.7$6.000.55%
34GPT-6.1 TerramaxOpenAI7860576464.1$2.000.58%
35Grok 4.6highSpaceXAI7858596560.6$3.000.03%
36Gemini 3 ProGoogle7663586260.0––
37Qwen3.6 PlusAlibaba7663576459.0$1.13<0.01%
38GPT-5-CodexhighOpenAI7564–6058.6$3.44–
39Mimo v2 OmniXiaomi7562–6158.8––
40Mimo v2 ProXiaomi7564–5959.1––

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