Claude Fable 5がベンチマークを席巻、Grok 4.3はエージェント性能で躍進—2026年6月 主要AIモデル徹底比較

Tier 2： 各分野のスペシャリストとスピードスター

Claude Opus 4.8 (Anthropic)

Fable 5登場前までは、Opus 4.8が王者だった。2026年5月下旬にリリースされ、今やAnthropicの強力な「二番手」として、単体でもトップクラスの性能を誇る 。

• 総合・エージェント: Fable 5に抜かれるまで、「Artificial Analysis Intelligence Index」で61.4を記録し首位、「GDPval-AA」でも1890 Eloでトップだった 。
• コーディング: 「SWE-bench Pro」で69.2%、「SWE-bench Verified」で88.6%を達成 。
• 数学: 競技数学ベンチマーク「USAMO 2026」において、41日間で69.3%から**96.7%**へと、27ポイントもの歴史的な飛躍を見せた 。
• 誠実性: 不確かな場合に推測するのではなく回答を控えることで、競合モデルの中で事実に基づかない誤情報（ハルシネーション）の発生率が最も低い 。

GPT-5.5 (OpenAI)

2026年4月下旬にリリースされたGPT-5.5は、OpenAIにとって総合性能で首位を奪還した今世代初のモデルだが、より特化したスキルセットが特徴だ 。

• 数学的推論: 「FrontierMath Tier 1-3」で51.7%、超難関のTier 4でも35.4%を記録し、数学では他を大きく引き離す 。
• 自律的なCLI操作: 複雑なコマンドラインタスクを評価する「Terminal-Bench 2.0」で、Claude Opus 4.7の69.4%に対し、**82.7%**という圧倒的なスコアを叩き出した 。
• 長文理解: 100万トークンの長文検索ベンチマーク「MRCR v2」で、前世代の36.6%から**74.0%**へと37ポイントもの大幅な改善を遂げた 。
• コーディング面の注意点: 総合力は高いものの、「SWE-Bench Pro」のスコアは58.6%と、Anthropicのモデルに大きく水をあけられている 。

Gemini 3.5 Flash (Google)

Google I/O 2026で発表されたこのモデルは、速度とコスト効率を重視した「Flash」ティアに属する。しかし、その枠を超えた実力を秘めている 。

• 速度と価値: エージェントやコーディングタスクで、Gemini 3.1 Proと比べて4倍高速と報告されており、競争力のある価格設定も魅力だ 。
• エージェントとツール活用: 多段階のツール使用ベンチマーク「MCP Atlas」で、83.6% の高スコアを記録 。
• コーディングと視覚: 「SWE-Bench Pro」での55.1%は、上位モデルであるGemini 3.1 Proの54.2%をわずかに上回る。また、図表の視覚推論ベンチマーク「CharXiv」では84.2%を達成した 。
• コーディングの実態: ただし、独立系ベンチマーク機関「Artificial Analysis」によると、実際のコーディング能力はGoogleの主張よりも大幅に低い可能性が指摘されており、開発者による実用性の検証が待たれる 。

Grok 4.3 (xAI)

2026年4月末にひっそりと登場したGrok 4.3は、コスト効率とスピードに特化し、ニッチな領域で卓越した能力を発揮する 。

• 総合力: 「Artificial Analysis Intelligence Index」のスコアは53。これは、中堅モデルのClaude Sonnet 4.6を上回るが、GPT-5.5やClaude Opus 4.7、Gemini 3.1 Proといった最上位モデルには及ばない 。
• 指示追従の王者: 指示追従ベンチマーク「IFBench」で81%を記録し、GPT-5.5やClaude Opus 4.7などを抑えて第1位に輝いた 。
• エージェントの飛躍: 実務エージェントタスク「GDPval-AA」で、前世代比+321 Eloポイントという驚異的な伸びを見せ、スコア1500に到達 。通信分野のエージェントテスト「τ²-Bench Telecom」でも、業界トップクラスの98%を記録している 。
• 圧倒的な速度: 初期の報告では出力速度が毎秒159トークン、他のベンチマークでも毎秒78.4～196トークンと高速だ 。
• 価格と限界: 100万トークンあたり入力$1.25/出力$2.50（推定）という積極的な価格設定は、特定分野では強力な選択肢となる。しかし、総合的な知能で競合するモデルではない 。

オープンソースの挑戦者： DeepSeek V4 Pro (DeepSeek AI)

2026年4月にリリースされたDeepSeek V4 Proは、最強のオープンソースモデルとして、驚異的なコーディングのコストパフォーマンスを提供する。しかし、独立機関による重要な但し書きが存在する。

• コーディング価値のリーダー: 「SWE-bench Verified」で80.6%、「LiveCodeBench」で93.5%を記録し、コーディング性能でClaude Opus 4.6に肉薄する。しかも、その価格は数分の一（出力100万トークンあたり約$3.48）だ 。
• CAISI（米国政府機関）の評価: 米国政府のAI安全保障研究所（CAISI）による独立評価では、DeepSeek V4の能力は最先端より約8ヶ月遅れていると結論づけられた。DeepSeek社独自のデータではGPT-5.4と比較していたが、CAISIはその実力を「2025年8月のGPT-5と同等」と位置づけている 。
• 総合ランキング: 独自モデルと比較すると、一般的な知識や複雑な推論タスクで劣り、あるリーダーボードでは123モデル中39位に留まっている 。

安全性と独立評価

独立した標準的な安全性テストは依然として稀で、非公開の場合も多い。

• DeepSeek V4 Pro (CAISI/NIST): 米国政府機関による評価は最も注目すべき安全シグナルであり、その能力は最先端から約8ヶ月遅れていると結論づけられた 。
• GPT-5.5 (AI Security Institute): 英国のAI安全保障研究所は、GPT-5.5の専門レベルのサイバータスク合格率が71.4%に達し、「我々がテストした中で最強のモデルかもしれない」と報告した 。

この結果をどう読み解くか

一つの「勝者」を決めたくなるが、データはより実践的な見方を示している。

• 純粋なコーディング能力とエージェントタスクでは、Claude Fable 5が別次元の強さを見せる。
• 高度な数学的推論と自律的なコマンドライン作業では、GPT-5.5が第一の選択肢となる。
• バランスが良く、コスト効率に優れ、高速で信頼性の高いモデルが欲しいなら、Gemini 3.5 Flashは魅力的なオプションだ。ただし、あなたの用途における実コーディング能力は検証すべきだろう。
• 法的推論、金融、または低価格での指示追従といった特化分野には、Grok 4.3が意外なほど強力な選択肢となる。
• 予算を抑えつつ、オープンソースライセンスで最先端級のコーディングがしたいなら、DeepSeek V4 Proの価値は比類ない。しかし、その実践的な洗練度は最高クラスには及ばない可能性がある。

ベンチマークの条件（プロンプト、ツール使用、推論努力など）はテストごとに異なり、あなたの特定のアプリケーションにおける性能を完璧に予測するものではないことを常に念頭に置いておこう。