AIモデル能力比較
エージェント型コーディング
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.
— means no published score for this candidate in this source, not zero.
| 番号 | モデル | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — | — |
| 7 | Claude Opus 5 | — | — | — | — |
| 8 | GPT-6 Sol | — | — | — | — |
| 9 | GPT-6 Luna | — | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — | — |
| 11 | Claude Mythos Preview | — | — | — | — |
Google DeepMind (model card)
ソース: Google DeepMind (model card) ↗
Google モデルカード: 2026年10月時点の提供元による結果および再公開されたサードパーティスコア。評価設定については方法論を参照。これらはすべてが独立した評価ではありません。 評価方法論 ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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。
- DeepSWE v1.1DeepSWE ソフトウェアエンジニアリング v1.1
- 独自のタスクで長期的なソフトウェアエンジニアリングをテストし、成功はタスク要件に照らして確認されます。同じベンチマークバージョンとエージェント設定を比較してください。 評価方法論 ↗
- FrontierSWE v2FrontierSWE ソフトウェアエンジニアリング v2
- 困難なエンジニアリングおよび技術研究タスクをテストします。スコアは公開されたタスク評価を反映し、バージョンとエージェント設定が比較可能性に影響します。 評価方法論 ↗
- Terminal-bench 4.0ターミナルベンチマーク 4.0
- ターミナル環境で、コーディングやシステム運用などの実用的なタスクを完了することをテストします。バージョンによってタスクセットが異なるため、個別に比較する必要があります。 評価方法論 ↗
- Vibe Code BenchVibe コーディングベンチマーク
- 自然言語の要求からWebアプリケーションを構築することをテストし、個別のコード回答ではなく、得られたアプリケーションを評価します。 評価方法論 ↗
スコアは同じベンチマーク、ソース、バージョン内で読んでください。値が高いほど報告された指標での性能が強いことを示しますが、異なる列間で共通のスケールを共有しているわけではありません。