エージェント実戦ランキング
Arena Agent Arena の Overall 上位 25 件です。実際の Agent Mode セッションから算出された評価を整理しています。全体で 2,927,721 セッション・64 モデルです。
Gemini 4 Carbon (High)、Gemini 4 Hydrogen (High)、Hy4、Inkling 2 Small は出典で暫定評価です。成功確認・制御性・Bash 信頼性・ツール幻覚は改善幅の絶対値を掲載しています。
- 表示順位 1 位+30.48Claude Fable 5.2 (Max)
- Gemini 4 Hydrogen5 位High / 暫定評価
- Gemini 4 Carbon3 位High / 暫定評価
- 上位25件の最多標本6.1万Gemini 4 Carbon (High)
| # | モデル | 開発元 | 純改善度 | 成功確認 | 制御性 | Bash 信頼性 | ツール幻覚 | $/タスク | |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Fable 5.2 (Max) | Anthropic | +30.48±3.07 | 21.66 | 32.91 | 14.42 | 0.99 | 8.63 | |
| 2 | Claude Opus 5.5 (Max) | Anthropic | +19.51±2.04 | 20.44 | 18.41 | 15.03 | 0.70 | 5.66 | |
| 3 | Gemini 4 Carbon (High) | +16.90±0.68 | 18.14 | 19.06 | 5.19 | 0.55 | 1.36 | ||
| 4 | Claude Sonnet 5.5 (Max) | Anthropic | +16.07±2.81 | 19.48 | 14.53 | 12.66 | 0.87 | 3.48 | |
| 5 | Gemini 4 Hydrogen (High) | +14.80±2.23 | 15.47 | 20.53 | 3.76 | 0.38 | 1.53 | ||
| 6 | Claude Fable 5.1 (Max) | Anthropic | +14.62±2.06 | 14.39 | 14.49 | 9.99 | 0.79 | 7.85 | |
| 7 | GPT-6 Astra (Max) | OpenAI | +14.56±2.03 | 14.06 | 14.78 | 7.62 | 0.99 | 5.43 | |
| 8 | Claude Opus 5.5 (High) | Anthropic | +14.22±1.05 | 12.54 | 15.34 | 11.75 | 0.41 | 2.09 | |
| 9 | GPT-6.1 Sol (Max) | OpenAI | +12.40±1.12 | 11.68 | 13.25 | 4.86 | 0.99 | 1.01 | |
| 10 | GPT-6.1 Terra (Max) | OpenAI | +11.96±1.25 | 9.87 | 16.70 | 13.49 | 0.99 | 0.88 | |
| 11 | Gemini 4 Argon (High) | +10.72±0.89 | 13.43 | 13.14 | 5.39 | 0.50 | 0.70 | ||
| 12 | Muse Wonder Full (Max) | Meta | +8.89±0.94 | 11.14 | 9.29 | 8.19 | 0.03 | — | |
| 13 | GPT-6.1 Sol (Medium) | OpenAI | +8.81±1.08 | 5.77 | 13.03 | 5.67 | 0.99 | 0.38 | |
| 14 | Claude Sonnet 5.5 (High) | Anthropic | +8.02±1.93 | 6.47 | 11.23 | 6.68 | 0.02 | 0.89 | |
| 15 | Claude Fable 5 (High) | Anthropic | +7.16±1.15 | 5.02 | 7.67 | 10.31 | 0.42 | 3.29 | |
| 16 | Claude Opus 5 (Max) | Anthropic | +7.12±1.30 | 9.98 | 4.26 | 9.68 | 0.93 | 4.52 | |
| 17 | GPT-6 Sol (Max) | OpenAI | +6.81±1.55 | 4.33 | 10.08 | 10.81 | 0.99 | 1.82 | |
| 18 | Hy4 | Tencent | +5.75±1.29 | 7.01 | 9.30 | 6.49 | 0.13 | 0.58 | |
| 19 | GPT-6.1 Terra (Medium) | OpenAI | +5.39±0.65 | 0.38 | 10.93 | 11.68 | 0.99 | 0.16 | |
| 20 | Kimi K3.1 Pro (Max) | Moonshot | +4.83±1.11 | 2.69 | 6.45 | 7.12 | 0.99 | 1.17 | |
| 21 | GPT-5.6 Sol (xHigh) | OpenAI | +4.65±1.11 | 2.33 | 5.41 | 11.28 | 0.99 | 1.62 | |
| 22 | Inkling 2 Small | Thinky | +2.92±1.42 | 3.05 | 10.88 | 3.31 | 0.68 | 0.25 | |
| 23 | Grok 4.7 (xHigh) | SpaceXAI | +2.49±1.49 | 5.04 | 2.40 | 9.11 | 0.99 | 3.20 | |
| 24 | Gemini 3.8 Flash (High) | +2.34±0.86 | 1.35 | 1.44 | 9.84 | 0.45 | 0.77 | ||
| 25 | MiMo-V2.6-Pro | Xiaomi | +2.16±0.90 | 4.59 | 1.29 | 1.79 | 0.05 | 0.16 |
指標の意味
- 純改善度:元サイトが示す総合指標。成功率そのものではなく、基準に対する改善幅として読みます。順位は出典の表示を保持します。
- 成功確認:利用者がタスク完了を確認する傾向の指標です。自動テストの通過率と同じものではありません。
- 制御性:利用者の訂正や追加指示に対応する傾向を表します。
- Bash 信頼性:Bash コマンドの成功に関する指標です。エラーからの自己修復能力だけを測る列ではありません。
- ツール幻覚:利用できないツールの呼び出しに関する改善指標で、元サイトでは大きい値を良い方向として扱っています。
各指標の方向と信頼区間は Arena の原表で確認できます。
上位 25 件のうちセッション数が多い 10 件
これは標本数の表で、能力の順位ではありません。Gemini 4 Carbon (High) は 61,473 セッションです。標本数だけで順位の確かさを判断せず、各モデルの ± も確認してください。
| # | モデル | 試行回数 | 純改善度 | 出力トークン (P50) | 価格 $/M(入力/出力) |
|---|---|---|---|---|---|
| 1 | Gemini 4 Carbon (High) | 61,473 | +16.90 | 45.2K | $2 / $10 |
| 2 | Gemini 4 Argon (High) | 54,066 | +10.72 | 23K | $2 / $10 |
| 3 | Gemini 3.8 Flash (High) | 52,617 | +2.34 | 59.5K | $0.75 / $3.75 |
| 4 | Claude Fable 5 (High) | 51,090 | +7.16 | 22.6K | $10 / $50 |
| 5 | MiMo-V2.6-Pro | 50,473 | +2.16 | 48K | $0.43 / $0.87 |
| 6 | GPT-5.6 Sol (xHigh) | 45,375 | +4.65 | 23.3K | $4 / $20 |
| 7 | GPT-6.1 Terra (Medium) | 41,224 | +5.39 | 6.9K | $1 / $5 |
| 8 | Muse Wonder Full (Max) | 32,260 | +8.89 | 30K | — |
| 9 | Claude Opus 5 (Max) | 31,935 | +7.12 | 62.2K | $5 / $25 |
| 10 | GPT-6.1 Sol (Max) | 30,784 | +12.40 | 33.8K | $2 / $10 |
不確実性と費用
Claude Fable 5.2 (Max) は +30.48±3.07、Claude Opus 5.5 (Max) は +19.51±2.04 です。± は出典の信頼区間を示します。
$/タスクと出力トークンは出典の P50(中央値)です。Claude Fable 5.2 (Max) は 8.63 ドル・120.6K トークンです。