canx.me ランキング

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。
#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
1Claude Fable 5.2 (Max)Anthropic+30.48±3.0721.6632.9114.420.998.63
2Claude Opus 5.5 (Max)Anthropic+19.51±2.0420.4418.4115.030.705.66
3Gemini 4 Carbon (High)Google+16.90±0.6818.1419.065.190.551.36
4Claude Sonnet 5.5 (Max)Anthropic+16.07±2.8119.4814.5312.660.873.48
5Gemini 4 Hydrogen (High)Google+14.80±2.2315.4720.533.760.381.53
6Claude Fable 5.1 (Max)Anthropic+14.62±2.0614.3914.499.990.797.85
7GPT-6 Astra (Max)OpenAI+14.56±2.0314.0614.787.620.995.43
8Claude Opus 5.5 (High)Anthropic+14.22±1.0512.5415.3411.750.412.09
9GPT-6.1 Sol (Max)OpenAI+12.40±1.1211.6813.254.860.991.01
10GPT-6.1 Terra (Max)OpenAI+11.96±1.259.8716.7013.490.990.88
11Gemini 4 Argon (High)Google+10.72±0.8913.4313.145.390.500.70
12Muse Wonder Full (Max)Meta+8.89±0.9411.149.298.190.03—
13GPT-6.1 Sol (Medium)OpenAI+8.81±1.085.7713.035.670.990.38
14Claude Sonnet 5.5 (High)Anthropic+8.02±1.936.4711.236.680.020.89
15Claude Fable 5 (High)Anthropic+7.16±1.155.027.6710.310.423.29
16Claude Opus 5 (Max)Anthropic+7.12±1.309.984.269.680.934.52
17GPT-6 Sol (Max)OpenAI+6.81±1.554.3310.0810.810.991.82
18Hy4Tencent+5.75±1.297.019.306.490.130.58
19GPT-6.1 Terra (Medium)OpenAI+5.39±0.650.3810.9311.680.990.16
20Kimi K3.1 Pro (Max)Moonshot+4.83±1.112.696.457.120.991.17
21GPT-5.6 Sol (xHigh)OpenAI+4.65±1.112.335.4111.280.991.62
22Inkling 2 SmallThinky+2.92±1.423.0510.883.310.680.25
23Grok 4.7 (xHigh)SpaceXAI+2.49±1.495.042.409.110.993.20
24Gemini 3.8 Flash (High)Google+2.34±0.861.351.449.840.450.77
25MiMo-V2.6-ProXiaomi+2.16±0.904.591.291.790.050.16

指標は改善幅(ポイント) · ± は出典の不確実性の表示

指標の意味

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)
1Gemini 4 Carbon (High)61,473+16.9045.2K$2 / $10
2Gemini 4 Argon (High)54,066+10.7223K$2 / $10
3Gemini 3.8 Flash (High)52,617+2.3459.5K$0.75 / $3.75
4Claude Fable 5 (High)51,090+7.1622.6K$10 / $50
5MiMo-V2.6-Pro50,473+2.1648K$0.43 / $0.87
6GPT-5.6 Sol (xHigh)45,375+4.6523.3K$4 / $20
7GPT-6.1 Terra (Medium)41,224+5.396.9K$1 / $5
8Muse Wonder Full (Max)32,260+8.8930K—
9Claude Opus 5 (Max)31,935+7.1262.2K$5 / $25
10GPT-6.1 Sol (Max)30,784+12.4033.8K$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。