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.
— 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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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。
- AutomationBench — Score自動化ベンチマーク — スコア
- エージェントが複数のアプリケーションにまたがる業務ワークフローを完了できるかをテストします。公式スコアは非公開のタスクセットを使用し、ワークフローの最終状態を確認します。 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 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 ↗
- 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 ↗
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。