はじめに：評価の信頼性をどう読むか
本稿では Anthropic Claude の4階層（Mythos/Fable・Opus・Sonnet・Haiku）を共通の「ものさし」として、他社モデルを相対的に位置づける。ベンチマーク情報には信頼性の幅があるため、出典を以下のマークで区別する。
✅ 独立評価あり：Artificial Analysis・SWE-rebench・LMArena等の第三者機関による評価
⚠️ ベンダー自己申告：各社公式ブログ・プレスリリースの値（条件・方法が非公開のケースあり）
❓ 評価データ不十分：独立評価が存在しないか入手できなかったモデル
（暫定）：未発売・β版・発表のみで本格評価未実施
⚠️ ベンダー自己申告：各社公式ブログ・プレスリリースの値（条件・方法が非公開のケースあり）
❓ 評価データ不十分：独立評価が存在しないか入手できなかったモデル
（暫定）：未発売・β版・発表のみで本格評価未実施
⚠️ 重要：Claude Fable 5とMythos 5は2026年6月12日（ET 17:21）に米政府の輸出管理指令を受け、全顧客向けアクセスを停止中。他のClaudeモデルへの影響なし。Mythos/Fable級の対応関係は規制解除を前提とした参照軸として使用する。
Claude 4階層の定義（基準軸）
AA Intelligence Index（0〜100）＝Artificial Analysisによる独立評価合成スコア。SWE-bench VerifiedとSWE-bench Proは別指標のため直接比較不可。
| ティア | モデル | 価格（入力/出力 per 1M） | AA Index | 主要ベンチマーク |
|---|---|---|---|---|
| ⚠️ Mythos/Fable級 （停止中） |
Fable 5 （6/9リリース→6/12停止） |
$10 / $50 | 65 ✅ 全モデル1位 |
SWE-bench Pro 80.3% ⚠️ |
| 🔵 Opus級 | Opus 4.8 （2026/5/28） |
$5 / $25 Fast: $10/$50 |
61 ✅ | SWE-bench Verified 88.6% ⚠️ SWE-bench Pro 69.2% ⚠️ GPQA Diamond 93.6% ⚠️ GDPval-AA 1890 Elo ✅ |
| 🟢 Sonnet級 | Sonnet 4.6 （2026/2/17） |
$3 / $15 | 44 ✅ 非推論モード |
SWE-bench Verified 79.6% ⚠️ OSWorld 72.5% ⚠️ |
| ⚪ Haiku級 | Haiku 4.5 （2025/10） |
$1 / $5 | ❓ | 高速・低コスト・ルーティング向け |
カテゴリ1：フロンティアモデル（OpenAI・Google）
OpenAI
| Claudeティア | モデル | 価格（per 1M） | AA Index | 特徴・ベンチマーク |
|---|---|---|---|---|
| Mythos/Fable級 （暫定） |
GPT-5.5 Pro 2026/4/24 |
$30 / $180 | ❓（未評価） | 最高精度重視の最上位バリアント。FrontierMath Tier 4 39.6% ⚠️。独立評価データ不足のため（暫定） |
| Opus級 | GPT-5.5 2026/4/23 |
$5 / $30 | 60 ✅ AA独立・3位 |
GPT-4.5以来の完全再訓練・ネイティブ全モーダル。Terminal-Bench 2.0 82.7% ⚠️でOpus 4.8を上回る。SWE-bench Pro 58.6% ⚠️はOpus 4.8（69.2%）より低い。コンテキスト1M |
| Sonnet〜Opus下位 | GPT-5.4 2026/3 |
$2.50 / $15 | 57 ✅ | GPT-5.5の前世代。コスト効率の良い汎用モデル。コンテキスト1M |
| Haiku級 | GPT-5.4 mini | $0.75 / $4.50 | ❓ | 量産向けバランス型。コンテキスト400K |
| Haiku級以下 | GPT-5.4 nano | $0.20 / $1.25 | ❓ | 分類・抽出・ルーティング専用。最廉価帯 |
📌 AA独立評価ではOpus 4.8（61）がGPT-5.5（60）を僅差でリード。GPT-5.5はTerminal-Bench 2.0（82.7% vs 74.6%）で優位。Opus 4.8はSWE-bench Pro（69.2% vs 58.6%）とGDPval-AA Elo（1890 vs 1769）でリード。API入力価格は$5/1Mで同一水準になった。
| Claudeティア | モデル | 価格（per 1M） | AA Index | 特徴・ベンチマーク |
|---|---|---|---|---|
| Mythos/Fable級 （暫定・未発売） |
Gemini 3.5 Pro 【6月下旬目標・未発売】 |
未発表 | ❓（未発売） | Google I/O 2026（5/19）発表のみ。コンテキスト2M・Deep Thinkモード搭載予定。全情報（暫定） |
| Opus級 | Gemini 3.1 Pro 2026/2/19 Preview |
$2 / $12 （200K超: $4/$18） |
57 ✅ | GPQA Diamond 94.3% ✅（AA独立） / HLE 44.4% ⚠️ / ARC-AGI-2 77.1% ⚠️。Deep Think（HLE 48.4%）はAI Ultra（約$250/月）限定。マルチモーダル最強クラス。コンテキスト1M（GA時2M） |
| Sonnet級 コーディング/エージェントで 3.1 Pro超え |
Gemini 3.5 Flash 2026/5/19 GA |
$1.50 / $9 （キャッシュ: $0.15） |
55 ✅ | Terminal-Bench 2.1 76.2% ✅ / MCP Atlas 83.6% ✅ / MMMU-Pro 84% ✅（AA独立）。コーディング・エージェントで3.1 Proを上回る。約4倍高速。⚠️出力$9/Mは旧Gemini 3 Flash（$3/M）の3倍 |
| Haiku〜Sonnet下位 | Gemini 3 Flash 2025/12/17 |
$0.50 / $3 | 46 ✅ | 旧Geminiアプリ既定モデル。バランス型 |
| Haiku級 | Gemini 3.1 Flash-Lite | $0.25 / $1.50 | ❓ | コスト効率重視。コンテキスト1M |
| Haiku級以下 | Gemini 2.5 Flash-Lite | $0.10 / $0.40 | ❓ | Gemini APIで最廉価。バッチ・大量分類向け |
カテゴリ2：準フロンティアモデル
⚠️ 重要な格付け是正：Mistral Large 3（AA 23）とNova Premier（AA 19）は独立評価ではHaiku級相当。ベンダー資料から受ける「Sonnet相当」イメージとは大きく乖離する。価格・ライセンス・エコシステム統合で選ぶモデルであり、汎用インテリジェンス性能には期待値調整が必要。
| Claudeティア | モデル（会社） | 価格（per 1M） | AA Index | 特徴・ベンチマーク |
|---|---|---|---|---|
| Opus下位 （コスパ最高） |
Grok 4.3（xAI） 2026/4/30 |
$1.25 / $2.50 | 53 ✅ Gemini 3.5 Flash（55）より低い |
GPQA Diamond 90.1% ✅（AA独立）。169 t/sの高速。Opus 4.8比で入力1/4・出力1/10。コンテキスト1M（200K超は高単価） |
| Haiku〜Sonnet下位 | Grok 4.1 Fast（xAI） | $0.20 / $0.50 | ❓ | コンテキスト2M（競合最大クラス）。大量処理・ルーティング向け |
| ⚠️ Haiku級相当 （格付け要注意） |
Mistral Large 3（Mistral AI） 2025/12/4 |
$0.50 / $1.50 | 23 ✅ ⚠️ Sonnet 4.6（44）の約半分 |
GPQA Diamond 約44% ✅（AA独立）。⚠️AA Indexは23でHaiku級相当。主な強みは価格（$0.50/$1.50）・EUベース・Apache 2.0・GDPR準拠。675B MoE（アクティブ41B）、コンテキスト262K |
| Haiku級 （コード特化） |
Codestral 2508（Mistral AI） 2025/8 |
$0.30 / $0.90 | ❓（汎用指標外） | FIM補完・IDE統合向け低レイテンシ。コンテキスト32K |
| （暫定）Sonnet級 （RAG特化） |
Command A（Cohere） 2025/3/13 |
$2.50 / $10 | ❓（AA未掲載） | オープンウェイト111B。A100/H100×2基で動作。エンタープライズRAG・引用付き応答・多言語に強み。汎用独立評価なしのため（暫定） |
| Haiku級 （オンデバイス）（暫定） |
Phi-4（Microsoft） 2024/12 |
Azure経由 | ❓（AA未評価） | 14B密結合。GPQA Diamond 56.1% ⚠️ / HumanEval 82.6% ⚠️（Microsoft公式）。エッジ・オンデバイス向け |
| ⚠️ Haiku下位〜Haiku級 （格付け要注意） |
Amazon Nova Premier（AWS） 2025/10/31 |
$2.50 / $12.50 | 19 ✅ ⚠️ 同価格帯中央値（22）以下 |
⚠️AA Index 19はHaiku下位〜Haiku相当。SWE-bench Verified 42.4% ⚠️（Amazon公式）。コンテキスト1M・蒸留教師機能がAWS環境での存在価値。$2.50/$12.50は性能対価格で割高 |
| Haiku級 | Nova Lite / Micro（AWS） | 低価格帯 | ❓ | Bedrock高速・低コスト。大量API呼び出し向け |
カテゴリ3：中国系モデル
2026年最大の変化は「Opus級性能を1/10〜1/30の価格で提供する中国系モデルの台頭」。ただしArtificial Analysisはベンチマーク汚染（contamination）の懸念を指摘しており、独立評価スコアを優先して読む必要がある。
| Claudeティア | モデル（会社） | 価格（per 1M） | AA Index・ライセンス | 特徴・ベンチマーク |
|---|---|---|---|---|
| Opus下位〜Sonnet上位 （コスパ最高） |
DeepSeek V4-Pro（DeepSeek） 2026/4/24 |
$0.435 / $0.87 （2026/5/22恒久値下げ） |
52（Max）/ 50（High）✅ MIT |
SWE-bench Verified 80.6% ⚠️（自己申告）。1.6T MoE/49Bアクティブ。出力単価でOpus 4.8の約1/29。AA Index 52はOpus 4.8（61）に対し9ポイント差。コンテキスト1M（出力384K）。⚠️ベンチマーク汚染の指摘あり |
| （暫定）Sonnet級 | DeepSeek V4-Flash（DeepSeek） 2026/4/24 |
$0.14 / $0.28 | ❓ MIT |
284B/13Bアクティブ。V4-Pro比で高速・低コスト。量産向け。独立評価データ不足のため（暫定） |
| Opus級 （Gemini 3.1 Pro相当） |
Qwen3.7 Max（Alibaba） 2026/5/19〜21 |
$1.25〜2.50 / $3.75〜7.50 （プロバイダーにより差異） |
57 ✅ クローズド |
GPQA Diamond 92.3〜92.4% ✅（AA独立）。AA Index 57でGPT-5.4・Gemini 3.1 Proと同水準。回答試行率が48%と低く難問棄権が多い。コンテキスト1M |
| （暫定）Sonnet下位〜Haiku上位 | Qwen3-235B-A22B（Alibaba） 2025/4 |
$0.46 / $1.82 | ❓ Apache 2.0 |
ArenaHard 95.6% ⚠️ / Codeforces Elo 2056 ⚠️（Alibaba公式）。オープンウェイトMoE。自己ホスティング可能。AA独立評価なく（暫定）。コンテキスト131K |
| Sonnet上位〜Opus下位 （エージェント特化） |
Kimi K2.6（Moonshot AI） 2026/4/20 |
$0.60〜0.95 / $2.50〜4.00 （プロバイダーにより差異） |
54 ✅ Modified MIT |
AA Index 54（Grok 4.3の53を上回る） ✅。SWE-bench Pro 58.6% ⚠️（Moonshot公式）。1T MoE/32Bアクティブ。Agent Swarm（300サブエージェント・13時間連続稼働）。コンテキスト262K |
| （暫定）Sonnet下位〜Haiku上位 | Doubao Seed 2.0 Pro（ByteDance） 2026/2/14 |
約$0.47 / $2.37 | ❓（AA未評価） クローズド |
AIME 2025 98.3 ⚠️ / GPQA Diamond 88.9% ⚠️（ByteDance公式）。独立評価なく（暫定）。⚠️ByteDance製品は日本企業調達審査で懸念が挙がるケースあり。コンテキスト256K |
⚠️ 中国系共通注意点：①AA社がSWE-bench等でベンチマーク汚染を指摘。SWE-rebenchで中国系モデルはスコアが下がるケースあり。②Kimi K2.6はAA独立評価済み（54）だがDoubao Seed 2.0 Proは未評価で信頼性に差あり。③ByteDance（TikTok関連）製品は日本企業調達審査で懸念事例あり。
カテゴリ4：日本国産モデル
汎用国際ベンチマークでは海外フロンティアに大差がある。2025年12月時点のNejumi Leaderboard 4（日本語総合）では上位50モデル中に国産LLMは1モデルのみ。ただし日本語精度・データ主権・国内サポート・政府調達適格性では独自ポジションを確立している。
デジタル庁は2026年3月6日、政府AI「源内」向けに15社応募から7モデルを選定。2026年8月試用開始・2027年1月評価公表・4月以降有償調達判断という工程。
源内選定7モデル（全て❓独立評価なし）
| モデル（企業） | Claudeティア | 規模・方式 | 特徴・注意点（ベンチマークは全て⚠️自社評価） |
|---|---|---|---|
| PLaMo 2.0 Prime（PFN） 2026/1 |
（❓）Haiku級 | 8B/31B フルスクラッチ |
JFBenchでGPT-5.1相当（自社評価）。独自トークナイザでトークン効率45%改善。自治体150以上に導入実績 |
| Takane 32B（富士通） | （❓）Haiku級 | 32B Cohere Command R+ベース共同開発 |
JGLUEで世界最高クラス（自社評価）。中央省庁実証で関連条項の80%超を特定。Cohere依存がソブリンAI観点での懸念点 |
| tsuzumi 2（NTTデータ） 2025/10 |
（❓）Haiku級 | 30B フルスクラッチ |
H100 GPU 1基で動作する軽量設計。医療・金融分野で実証知見あり |
| cotomi v3（NEC） 2025/7 |
（❓）Haiku級 | 非公開 独自開発 |
コンテキスト128K（日本語換算約20万語）。MCP準拠・エージェント機能搭載。⚠️「cotomi Act」のWebArena 80.4%はv3本体ではなく別技術の条件付き評価値。自治体・金融・医療の実証知見が強み |
| ELYZA-JP-70B（KDDI・ELYZA） | （❓）Haiku〜Sonnet下位 | 70B Llamaベース日本語特化 |
医療特化版はIgakuQAで最高スコア（自社評価）。Llamaエコシステム互換性が強み |
| Sarashina2 mini（SoftBank） | （❓）Haiku級 | 460B MoEから蒸留 フルスクラッチ基盤 |
H100×6,000台規模インフラで基盤開発。みずほ・中外製薬と特化モデル共同開発 |
| CC Gov-LLM（カスタマークラウド） | （❓暫定）Haiku級 | 非公開 | 行政実務特化。ほぼ全情報が非公開 |
源内選定外：注目の高性能国産モデル
| モデル（企業） | Claudeティア | 規模・ライセンス | 特徴・注意点（ベンチマークは全て⚠️自社評価） |
|---|---|---|---|
| PLaMo 3.0 Prime β（PFN） 2026/3/19発表・6月中旬商用化予定 |
（❓暫定）Haiku〜Sonnet下位 | 非公開（β版） フルスクラッチ |
国産初の長考（Reasoning）対応LLM。NICTとの共同開発で日本語推論強化。β版段階のため独立評価なし。全情報（暫定） |
| Rakuten AI 3.0（楽天） 2026/3/17公開 |
（❓暫定）Haiku〜Sonnet下位 | 約700B MoE（有効約40B） Apache 2.0 |
日本語MT-Bench 8.88（GPT-4oの8.67超）（自社評価）。国内企業公開LLM最大規模。GENIAC第3期採択。商用・改変・再配布が完全自由。国際独立評価なし（暫定） |
| Stockmark-2-100B（ストックマーク） 2025/3公開・9月NVIDIA NIM対応 |
（❓）Haiku級 | 100B・1.5兆トークン事前学習 MIT |
国産フルスクラッチオープンモデル中最高性能（自社比較）。ビジネスQ&AでGPT-4oを僅かに上回る（自社評価）。NVIDIA NIM対応。トヨタ・パナソニック等に導入実績あり |
⚠️ 国産モデル共通注意事項：性能データは大半が自社評価値（⚠️）で、Artificial Analysis等の国際独立評価が存在するものはゼロ。「JGLUEで世界最高」「GPT-4超え」等は評価条件・比較対象バージョンに強く依存する。2027年1月の源内評価結果公表が、初めての政府公式横断比較データになる見込み。
まとめ：Claudeティア対応関係（独立評価ベース）
| Claudeティア （AA Index目安） |
フロンティア | 準フロンティア・中国系・国産 |
|---|---|---|
| ⚠️ Mythos/Fable級（65・停止中） | GPT-5.5 Pro（暫定・❓） Gemini 3.5 Pro（暫定・未発売・❓） |
— |
| 🔵 Opus級（57〜61） | GPT-5.5（60 ✅） Gemini 3.1 Pro（57 ✅） GPT-5.4（57 ✅） |
【中国系】Qwen3.7 Max（57 ✅） |
| 🟢 Sonnet〜Opus下位（44〜56） | Gemini 3.5 Flash（55 ✅） Gemini 3 Flash（46 ✅） |
【準】Grok 4.3（53 ✅）/ Command A（❓暫定） 【中国】Kimi K2.6（54 ✅）/ DeepSeek V4-Pro（52 ✅） DeepSeek V4-Flash・Qwen3-235B・Doubao（全て❓暫定） 【国産】到達なし |
| ⚪ Haiku級（〜23） | GPT-5.4 mini・Gemini 3.1 Flash-Lite（共に❓） | 【準】Mistral Large 3（23 ✅）/ Nova Premier（19 ✅）/ Phi-4（❓暫定） 【国産】全モデル（PLaMo・Takane・tsuzumi・cotomi・ELYZA・Sarashina・Stockmark・Rakuten AI など）（全て❓） |
用途別の選定指針（2026年6月・独立評価ベース）
最高難度・長時間自律タスク：Opus 4.8（AA 61・$5/$25）かGPT-5.5（AA 60・$5/$30）が実績ある最上位の選択肢（Fable 5/Mythos 5は停止中）。コスト感度が高ければDeepSeek V4-Pro（AA 52・$0.435/$0.87）が出力単価1/29でOpus相当に迫るが、ベンチマーク汚染の懸念とデータガバナンス要件の確認が必須。
本番デフォルト（Sonnet〜Opus下位帯域）：Qwen3.7 Max（AA 57・$1.25〜2.50）はOpus 4.8に迫る独立評価スコアで費用対効果が高い。Gemini 3.5 Flash（AA 55・$1.50/$9）はコーディング・エージェント特化で3.1 Proを上回る。Kimi K2.6（AA 54）はエージェントスワーム特化。Grok 4.3（AA 53）は低価格で高速。いずれも独立評価付き。Mistral Large 3（AA 23）はGDPR・EU適合性優先時の選択肢だが汎用性能には過度な期待は禁物。
日本語・データ主権・政府/規制業界：汎用タスクはClaude/GPT/Geminiが第一選択。日本語特化ならTakane 32B（日本語ベンチ実績・⚠️）またはPLaMo 3.0 Prime（商用化後・暫定）。オープンウェイト自社チューニングならRakuten AI 3.0（Apache 2.0・❓暫定）またはStockmark-2-100B（MIT・❓）。エンタープライズRAG・MCP連携はcotomi v3（NEC生態系）。2027年1月の源内評価結果公表が本格採用判断の最重要マイルストーン。
本記事のデータは2026年6月15〜16日時点の調査に基づく。AA Intelligence Index v4.0（2026年6月13日スナップショット：BenchLM.ai経由）を参照。最新価格・ベンチマークは各社公式ドキュメントで確認されたい。
0 件のコメント:
コメントを投稿