AIモデル能力比較
ナレッジワーク
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
Vals IndexVals 総合指数
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| 番号 | モデル | Cost / Testテストあたりのコスト | Input cost100万tokenあたりの入力価格 | Output cost100万tokenあたりの出力価格 | Duration報告されたテスト所要時間 | Input / Output Tokens報告された入力／出力トークン使用量 | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
PandaNpc 更新日 2026年10月21日 06:01 UTC
ソース: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
列ガイド
- 番号
- 表示順序のみです。並べ替えによりこの数値は変わりますが、公開された能力ランキングではありません。
- モデル
- 評価対象のモデル名とプロバイダーのアイコン。スコア列のダッシュは、ここに公開スコアがないことを意味し、ゼロではありません。
- Cost / Test
- テストあたりのコスト · USD
- Input cost
- 100万tokenあたりの入力価格 · USD / 1M tokens
- Output cost
- 100万tokenあたりの出力価格 · USD / 1M tokens
- Duration
- 報告されたテスト所要時間 · s / min
- Input / Output Tokens
- 報告された入力／出力トークン使用量 · tokens
- Vals.ai
- コストと時間はこのベンチマークについて Vals によって報告されたものであり、普遍的なモデル価格やレイテンシではありません。CUA-bench の推定 API コストは評価での使用を対象としたもので、下限の推定値であり、タスクあたりのコストではありません。アクションあたりの時間は平均であり、中央値ではありません。アスタリスクは、キャッシュ書き込みコストを増加させたローンチ日のプロンプトキャッシュ動作を示します。欠損値は未公開であり、ゼロではありません。
- Vals Finance Agent v2Vals 金融エージェント v2
- 検索、財務レポート、計算ツールを用いた財務分析をテストし、文書横断的なデータ確認、企業業績の比較、バリュエーションを含みます。主な指標は Partial Credit で、3回の実行の平均です。回答チェックには重大度に基づく重みが付き、重大な dealbreaker エラーがあるとその問題のスコアはゼロになります。高いほど優れています。これは別個の All-Pass 指標とは異なり、問題全体の合格率ではありません。 評価方法論 ↗
- Harvey's Legal Agent BenchmarkHarvey 法務エージェントベンチマーク
- ファイルを読み取り、編集して多段階の法務成果物を作成するエージェントをテストします。タスクは、すべての採点要件が満たされた場合にのみ合格となります。スコアは2人の審査員によるタスク合格率の平均で、高いほど優れています。個々の基準の合格率ではなく、LegalBench の法的推論問題ではなく、法務エージェントのワークフローを測定します。 評価方法論 ↗
- Vals IndexVals 総合指数
- 金融、コーディング、法務などの分野における専門タスクの複合インデックス。そのパーセンテージスコアは、公開されたバージョンの重み付け手法を用いてベンチマーク結果を組み合わせたもの。高いほど総合性能が強いことを意味し、単一タスクの正確性ではありません。含まれるドメインと重みはバージョン間で変わるため、新しい方法論を古いスコアスナップショットに遡って適用してはいけません。 評価方法論 ↗
- LegalBench法的推論ベンチマーク
- 法的テキストの理解と推論をテストし、法的論点の特定、ルールの想起と適用、法的結論の判断を含みます。スコアは法的推論問題の正確性で、高いほど優れています。Harvey's Legal Agent Benchmark と異なり、ファイルを編集して多段階の法務成果物を作成するエージェントを測定するものではありません。 評価方法論 ↗