総合ヒートマップ
列（ベンチマーク）ごとに、値が高いほど背景が濃いオレンジになります。ひと目で「どの分野に強いモデルか」が分かります。数値が未確認のところは「—」です。
ベンチ別ランキング
見たいベンチマークを選ぶと、そのスコアの高い順に並べ替えます。
スペック・API料金
コンテキスト長（いちどに読める量）・最大出力・API従量課金の単価（100万トークンあたりUSD）。料金は料金シミュレーターと同じ値です。
| モデル | コンテキスト長入力できる量 | 最大出力1回の返答上限 | 入力単価$ / 1M tok | 出力単価$ / 1M tok |
|---|
コスパビュー
「コーディング性能（SWE-bench）÷ 出力単価」の簡易指標。バーが長いほど「1ドルあたりのコーディング力」がお得という遊び心のあるモノサシです。
※ ざっくり指標です。性能軸はSWE-bench1本、価格軸は出力単価のみで、入力単価・キャッシュ・速度・品質のばらつきは無視しています。あくまで話のタネに。
ベンチマークの見方
数字の意味を、エンジニアでなくても分かるように短くまとめました。
SWE-bench Verified（コーディング力）
実在するソフトウェアの「不具合報告」を、AIがコードを書いて実際に直せるかを測るテストです。 正解率が高いほど、プログラミングやシステム開発の実務で頼りになります。 社内システムの改修やコード生成に使いたいなら、まずここを見ます。
GPQA Diamond（推論力）
物理・化学・生物などの、専門家でも難しい大学院レベルの問題集です。 暗記では解けず、筋道立てて考える力が問われます。 複雑な調査・分析や、難しい相談ごとを任せたいときの目安になります。
LMArena Elo（体感の賢さ）
人間が2つのAIの回答を見比べて「どっちが良い？」と投票し、その勝敗から出したレーティングです。 将棋やチェスのレーティングと同じ仕組みで、数字が大きいほど人からの評価が高いモデル。 ベンチの点数と「使ってみた感触」のギャップを埋める指標として便利です。
AIMEやMMLU-Proが無いのはなぜ？
数学コンテスト（AIME）や総合知識テスト（MMLU-Pro）は、最新モデルではほぼ満点が並ぶようになり、 2026年時点では各社とも公式発表から外しています（いわゆる「ベンチマークの飽和」）。 比較として意味のある差が出ないため、本ページでも掲載していません。 歯抜けの数字を推測で埋めるより、確認できた指標だけを載せる方針です。
モデルの選び方ざっくり指針
- とにかく賢さ最優先なら、フラッグシップ級（Claude Fable 5・GPT-5.5・Gemini 3.1 Pro）。難タスク・重要な判断まわりはここ。
- 賢さと価格のバランスなら、中位（Claude Sonnet 5・GPT-5.4・Gemini 3.5 Flash）。日常業務の主力に向きます。
- 大量に安く回したいなら、小型（Claude Haiku 4.5・GPT-5.4 mini・Gemini 3.1 Flash-Lite）。分類・要約・下書きなど数で勝負する処理向け。
- 長い資料を丸ごと読ませたいなら、コンテキスト長が大きいモデル（上のスペック表を確認）。
- 用途で得意分野が違う点に注意。コーディングはSWE-bench、難しい調査・分析はGPQA、日常づかいの体感はLMArena Eloを見て選ぶのが近道です。
迷ったら「中位モデルで試す → 物足りなければ上位、余裕があれば小型に落とす」の順で当たりをつけると失敗しにくいです。