49
9

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@nuco_d(nuco_ d)
in

【2026年10月 最新版】AIモデル徹底比較 | GPT-6.1 Sol / Claude Opus 5.5 / Claude Sonnet 5.5 / Gemini 4 Argon

49
Posted at

はじめに

本記事では、Gemini 4 Argon、GPT-6.1 Sol、Claude Opus 5.5、Claude Sonnet 5.5 の4モデルを、スペック・公式ベンチマーク・料金の3つの観点で比較します。
記載している数値は、すべて2026年10月13日時点のものです。

弊社Nucoでは、他にも様々なお役立ち記事を公開しています。よかったら、Organizationのページも覗いてみてください。
また、Nucoでは一緒に働く仲間も募集しています！興味をお持ちいただける方は、こちらまで。

用途別おすすめモデル

ベンチマークの数値をもとに、7つの用途ごとにおすすめのモデルを紹介します。
同じ用途でも作業の内容によって得意なモデルは変わるため、作業ごとの強みと弱みもあわせて紹介します。

環境構築・コマンド操作

Claude Sonnet 5.5

Terminal-Bench 4.0 で、スコアが公表されている3モデル中最高（70.6%）です。同じ Anthropic の上位モデル Opus 5.5（66.4%）も上回っています。Terminal-Bench 4.0 は、コンテナ内のCLI環境で、コマンドを使って作業を最後まで進められるかを評価するベンチマークです。

向いている作業は次のとおりです。

  • 環境構築やビルド、テスト実行など、コマンドを打って結果を見ながら進める作業を任せたいとき

機能実装・プルリクエスト作成

Claude Opus 5.5
FrontierCode で、スコアが公表されている3モデル中最高（54.4%）です。FrontierCode は、実際のプルリクエストを題材に、機能が動くかに加えてコードの書き方も採点するベンチマークです。依頼の範囲外の変更は減点されます。

向いている作業は次のとおりです。

  • 既存のコードの書き方に合わせた機能追加
  • そのままレビューに出せる品質のプルリクエストの作成

バグ調査・修正

Gemini 4 Argon
DeepSWE で、4モデル中最高（77.9%）です。DeepSWE は、短い依頼文だけを手がかりに大規模リポジトリ内の修正箇所を特定し、既存の機能を壊さずに直せるかを評価するベンチマークです。

向いている作業は次のとおりです。

  • 大規模リポジトリでの、バグの根本原因の特定と修正
  • 「〇〇の不具合を直して」という短い指示からの、修正箇所の特定と修正

長文脈推論・巨大な出力

Gemini 4 Argon

長文脈推論を評価する GraphWalks BFS 256K–1M で4モデル中最高（84.2%）で、Claude Opus 5.5（66.8%）を大きく上回っています。長い文脈の中でも、手順を見失わずに処理を進める力が高く評価されています。また、4モデルで唯一、最大出力が100万トークンあります。

向いている作業は次のとおりです。

  • 契約書や社内規程、複数年分の決算資料などをまとめて読み込ませての比較・要約・質問
  • ソースコードからの全体構成の把握や、障害ログからのエラーパターンの調査
  • 仮説・検証・修正を1回の処理で長く繰り返すような、出力が巨大になる作業

業務自動化

Gemini 4 Argon

SaaS をまたぐ業務の完遂を評価する AutomationBench で4モデル中最高（51.3%）です。複数のツールを順に操作して業務プロセスを完了させる力が高く評価されています。

向いている作業は次のとおりです。

  • CRM への顧客情報や対応履歴の入力
  • メールやチャットでの、関係者への連絡
  • 問い合わせフォームの受付から CRM への登録、担当者への通知までのように、複数の SaaS をまたぐ定型業務の自動化

低コストで大量の定型処理

Gemini 4 Argon

同じ指示文を多数の短い入力に繰り返し使う処理に向いています。キャッシュ読み込みは入力価格の95%オフで、Claude Sonnet 5.5（入力価格の10%）より割引率が大きく、同じ指示文を使い回すほど入力コストを抑えられます。性能面でも、DeepSWE と AutomationBench で Claude Sonnet 5.5 を上回っています。ただし、現在の料金は導入価格です。

向いている作業は次のとおりです。

  • 問い合わせメールやアンケートの自由回答を、決まった分類ルールで仕分けする
  • 多数のファイルに、同じ置き換えルールや移行ルールを適用する

低コストで大量の文章作成

Claude Sonnet 5.5

文章や資料の品質が重要な処理に向いています。成果物の品質を評価する GDPval-AA で 1844 と、Claude Opus 5.5（1846）とほぼ同じスコアで、Gemini 4 Argon を200以上上回っています。

向いている作業は次のとおりです。

  • 商品説明文やお知らせメールなど、そのまま使う文章を一括で作成する
  • 多数の API やモジュールのドキュメントを一括で作成する

各モデルの概要

Gemini 4 Argon

提供元 Google
位置づけ コーディング、法務・財務などのナレッジワーク、サイバーセキュリティに最適な最先端のフロンティアモデル
リリース日 2026年10月13日
提供状況 API / AI Studio（開発環境）のみ
※ WebUI（無料版 / AI Pro）は未対応

Gemini 4 Argon の主な進化と特徴

  • 「回答力」から「自律的な思考力」への進化
    Gemini 3 世代からの最大の進化は、単なる一問一答の精度向上ではなく「途切れずに長く深い推論を続けられる能力」の獲得にあります。優秀な「応答者」から、複雑な実務を自律的にやり遂げる「研究者・エンジニア」へと役割がシフトしています。
  • 「出力100万トークン」による推論のブレイクスルー
    従来モデルの物理的な出力上限（約6.4万トークン）を大きく超える100万トークンの長文出力に対応。人間が途中で指示を与え直さなくても、AI自身が単一の試行プロセス（Single Trajectory）内で「仮説立案 → 検証 → 試行錯誤 → 修正」という深い思考ループを完結できます。
  • 実務（サイバーセキュリティ・エンジニアリング）での成果
    • サイバーセキュリティ: 従来のモデルでは発見が難しかった医療ソフトウェアの深刻な脆弱性を自律的に検知・修正。
    • 大規模開発: 数十万行規模のコードベース移行（C/C++ から Rust へ）や、データセンター全体のメモリ最適化など、長期にわたる試行錯誤が必要なタスクを完遂。
  • リアルタイム監視による強功な安全ガードレール
    自律的に長く動作できるようになったことに伴い、思考プロセス（Chain of Thought）と実行アクションをリアルタイムで監視する安全機能が搭載されています。ユーザーの意図から逸脱した動き（ミスアライメント）を検知すると、自動的に実行を停止する制御が働きます。

GPT-6.1 Sol

提供元 OpenAI
位置づけ エージェント型コーディングや専門業務に最適なGPT-6 Solを改良した高コスパモデル
リリース日 2026年9月29日
提供状況 ChatGPT Work / Codex 各プラン / API
※ 通常の ChatGPT チャットは未対応

GPT-6.1 Sol の主な進化と特徴

  • 上位モデル Astra に迫る性能を5分の1の価格で
    GPT-6 Sol のアップグレード版です。エージェント型コーディング、コンピューター操作、専門業務で GPT-6 Astra に迫る性能を、Astra の標準入出力単価の5分の1で提供します。DeepSWE v1.1 では、約5分の1のコストで Astra と同等のスコアを達成し、GPT-6 Sol よりも少ない思考量で、その最高スコアを6.4ポイント上回りました。
  • キャッシュ料金の大幅値下げで、エージェントを安く運用できる
    キャッシュ済み入力は100万トークンあたり0.10ドルで、標準の入力料金より95%、GPT-6 Sol より50%安くなりました。リクエスト間で同じコンテキストを使い回すエージェントの運用コストを抑えられます。Codex では、最大8倍高速な「Ultrafast」も提供予定です。
  • 専門業務・コンピューター操作・科学研究での底上げ
    • 専門業務: 表やグラフ、細かい文字を含む複雑な PDF への回答力を評価する GDP.pdf で、Opus 5.5 を半分未満のコストで上回りました。
    • コンピューター操作: OSWorld 2.0 で GPT-6 Sol を7ポイント上回り、Astra との差を2.1ポイントまで縮めました。
    • 科学研究: Terminal-Bench Science で GPT-6 Sol の2倍を超えるスコアを記録。タスクあたりの平均コストは5.47ドルで、Opus 5.5（23.21ドル）や Astra（23.80ドル）より75%以上安く済みます。
  • 事実の正確性と安全性の向上
    推論量が少ない設定で、事実誤認を含む回答の割合が11.4%から7.7%に下がりました（約32%減）。検索ツールの不具合を正直に伝える、指示された制約を守るといったアラインメント評価でも、GPT-6 Sol から改善しています。

Claude Opus 5.5

提供元 Anthropic
位置づけ 長時間のエージェント型コーディングや高度なナレッジワークに最適な複雑な作業向けの上位モデル
リリース日 2026年9月22日
提供状況 Claude 有料プラン（Pro / Team / Enterprise）/ 各種 API

Claude Opus 5.5 の主な進化と特徴

  • Fable 5.1 並みの性能を、Opus 5 より40%低いコストで
    Claude 5.5 ファミリーの最初のモデルです。多くの作業で上位の Claude Fable 5.1 と同等の性能を発揮しながら、一般的な使い方では Opus 5 より40%安く動かせます。入出力単価は20%、キャッシュ読み込みは60%値下げされ、出力速度も30%以上向上しました。
  • コードベース全体に及ぶ、長時間のコーディング作業に強い
    コードベース全体の移行や監査など、範囲が広く時間のかかる作業が得意です。
    • 大規模移行: 早期テスターが、68万行のコード移行を1日かからずに完了。
    • 監査・修正: 20万行のコードベースの監査と修正を3時間未満で完了（Opus 5 は20時間以上）。
    • 言語移行: 負荷分散ソフト HAProxy を C から Rust へ書き換え、既存の回帰テストをほぼすべて通過。Fable 5.1 より短時間かつ51%低いコストで完了。
  • 読みやすい文章と、根拠のあるリサーチ
    Opus 5 で多かった「文章がわかりにくい」という声を受けて、書き方を大きく改善。重要な情報を先に書き、専門用語を控え、指定された文章ルールに従います。決算資料を自分で探して報告書を作る社内テストでは、18回中16回が品質基準を満たしました（数値や引用を1つでも捏造すると不合格。Fable 5.1 と Opus 5 は一度も満たせず）。
  • 過去最高の安全性評価と、強化されたガードレール
    約2,000のシナリオで行動を検査する自動監査で、過去最高のスコアを記録。取り消しにくい操作や、与えられた範囲を超える行動が大きく減り、隔離環境の境界を越えようとする試みは Opus 5 より約85%少なくなりました。サイバーセキュリティと生物学の分野では Fable 5.1 と同等のセーフガードを備え、該当するタスクは自動的に別のモデルに切り替わります。

Claude Sonnet 5.5

提供元 Anthropic
位置づけ 日常タスク、資料作成、バグ修正、画像認識に最適なOpus 5.5を補完する高速・低コストモデル
リリース日 2026年9月28日
提供状況 Claude 全プラン（無料版含む）/ 各種 API

Claude Sonnet 5.5 の主な進化と特徴

  • 前世代から大幅に性能が向上
    Terminal-Bench 4.0 のスコアは Sonnet 5 の10.3%から70.6%へ大きく伸びました。
    いくつかのベンチマークでは、effort を低〜中に設定しても、Sonnet 5 の最高スコアを約10分の1のコストで上回ります。
  • より速く、より安く
    単価は Sonnet 5 と同じ（入力2ドル・出力10ドル）ですが、少ないトークンで同じ作業をこなせるため、タスクあたりのコストは最大30%下がりました。
    出力速度も30%以上向上し、歴代で最も速い Sonnet です。
  • 日常タスクと資料作成、デザインが得意
    範囲が明確な日常業務やバグ修正、ドキュメント・スライド・スプレッドシートの作成に強みがあります。デザインのセンスも評価されており、スライドのテンプレートに沿って、手直しの少ない資料を作れます。決算資料から10枚の業績レビュースライドを作る社内テストでは、専門家2名が初稿をそのまま提出できる品質と判断しました。
  • 長時間の作業と画像認識に強い
    スクリーンショットだけを頼りに『ポケットモンスター 赤』をクリアした初めての Sonnet です。画面操作を評価する OSWorld でも80.1%と、Opus 5.5（81.8%）に迫ります。
  • Sonnet として初めてサイバーセキュリティのセーフガードを搭載
    サイバーセキュリティの能力が Opus 5 並みに上がったため、Sonnet で初めて専用のセーフガードを備えました。リスクの高いタスクは Sonnet 5 に切り替わりますが、通常の開発でのバグの発見・修正には影響しません。

基本スペック比較

コンテキスト長・最大出力トークン

モデル コンテキスト長（入力） 最大出力
Gemini 4 Argon - 100万トークン(入出力の合計)
GPT-6.1 Sol 105万トークン 12万8千トークン
Claude Opus 5.5 100万トークン 12万8千トークン
Claude Sonnet 5.5 100万トークン 12万8千トークン

公式ベンチマーク比較

この章では、エージェント型コーディング、業務自動化・ナレッジワーク、科学・高度な推論、コンピュータ操作・マルチモーダル、長文脈推論の5つの観点で、各モデルのベンチマークのスコアを比較します。

数値の選び方

各セルの数値は、次の優先順位で採用しています。

  1. そのモデルの開発元の公式発表（発表ページ、モデルカード、評価資料）
  2. ベンチマーク運営者のリーダーボード
  3. 競合他社の発表に掲載された比較表

どの資料にも値がない場合は「不明」としています。
1つの資料に複数の設定での値がある場合は、そのモデルで最も高いスコアの値を採用しています。

エージェント型コーディング

AI が自分でファイルを読み、コードを書き換え、コマンドやテストを実行しながらタスクを最後までやり遂げる力を、3つのベンチマークで比較します。
Claude Code や Codex などのコーディングエージェントでの使い方を想定した評価です。
3つのベンチマークは重視する点が異なるため、1つで高いスコアのモデルが、ほかでも高いとは限りません。

ベンチマーク 評価ポイント 評価内容 採点方法
DeepSWE（v1.1） 修正すべき箇所を自分で見つけられるか 抽象的な指示からの自律的な課題解決力。
短い依頼文のみを手がかりに、大規模リポジトリ内の修正箇所を自ら特定し、長期的な開発タスクを完遂できるかを評価する。		 書き方ではなく動作をテスト（公開APIと観測可能な出力で検証）。
既存テストも実行し、関係のない部分を壊すと不合格
Terminal-Bench 4.0 ターミナルを操作して作業を進められるか ターミナル環境での自律的なツール操作能力。
コンテナ化されたCLI環境下において、エージェントがコマンドを駆使して実作業を遂行できるかを評価する。		 コンテナ（Docker / Harborフレームワーク）内で実際にエージェントを動作させ、各タスク固有のテストスクリプトを用いて成功・失敗を自動判定
FrontierCode（v1.1） コードの品質まで含めて実装できるか 実際のOSS開発における実践的なコーディング能力。
現実のプルリクエストを題材とし、機能の実装だけでなくコードの品質（書き方）も含めた総合的な貢献度を評価する。		 機能の必須条件（主に非公開のユニットテスト）と、重み付きのコード品質ルーブリックの合成スコア。
範囲外の変更は減点される
モデル DeepSWE Terminal-Bench 4.0 FrontierCode
Gemini 4 Argon 77.9% 57.4% 不明
GPT-6.1 Sol 73.0% 不明 50.2%
Claude Opus 5.5 74.2% 66.4% 54.4%
Claude Sonnet 5.5 71.0% 70.6% 46.2%

業務自動化・ナレッジワーク

AI が複数の SaaS を操作して業務プロセスを最後まで進める力を AutomationBench で、文書・スプレッドシート・スライドなど専門職が作る成果物の品質を GDPval-AA で比較します。

ベンチマーク 評価ポイント 評価内容 採点方法
AutomationBench（1.0.6） 複数のSaaSを操作して業務を最後までやり遂げられるか SaaSアプリ間の自律的なワークフロー実行能力。
単なるテキスト生成ではなく、営業や人事など複数のSaaSを横断する一連の業務プロセスを、実環境と同様に最後まで完遂できるかを評価する。		 タスクごとの合否。
シミュレートしたアプリの状態に対する確認項目をすべて満たした場合に合格
GDPval-AA（v2.1） 専門家レベルの高品質な資料や成果物を作成できるか 多様な専門職における実務の遂行能力。
OpenAIの「GDPval」をベースに、44職種・9業界の実業務（文書、スプレッドシート、スライド作成など）で、専門家に迫る品質の成果物を出せるかを評価する。		 モデルの成果物を匿名で2つずつ比べた結果から算出する Elo レーティング（DeepSeek V4.1 Flash（max）を1600とする）
モデル AutomationBench GDPval-AA
Gemini 4 Argon 51.3% 1626
GPT-6.1 Sol 31.7% 1575
Claude Opus 5.5 42.4% 1846
Claude Sonnet 5.5 44.7% 1844

科学・高度な推論

科学や専門分野の難しい問題にどこまで対応できるかを、性質の異なる2つのベンチマークで比較します。

ベンチマーク 評価ポイント 評価内容 採点方法
Terminal-Bench Science（0.1） データ分析やシミュレーションなど研究に必要な計算作業を、コードとターミナルを使って自分で進められるか 科学研究における高度な計算ワークフローの実行能力。
生命科学、物理学、数学などの分野において、コードとターミナルツールを駆使し、データ分析からシミュレーションまでの研究プロセスを自律的に完遂できるかを評価する。		 エージェントが作成した成果物（データやシミュレーション結果など）に対し、タスクごとの非公開テストスクリプトを実行して合否を自動判定
Humanity's Last Exam 専門家レベルの難問に、知識と推論で正しく答えられるか 人類の知能限界に迫る、専門家レベルの知識と推論能力。
既存ベンチマーク（MMLU等）の飽和を受け、AIの真の限界を評価するために構築。
世界中の専門家から賞金制で公募された「検索では解けない」超高難度問題（約14%は画像を含む）		 大半を占める短答式の厳密一致と、多肢選択式による自動判定。
企業によっては一部の評価にLLM-as-a-judgeを併用する。
モデル Terminal-Bench Science Humanity's Last Exam
Gemini 4 Argon 57.6％ 57.1％
GPT-6.1 Sol 47.6% 52.9%
Claude Opus 5.5 58.7% 61.4%
Claude Sonnet 5.5 59.9% 55.0%

コンピュータ操作・マルチモーダル

AI が画面を見ながらマウスやキーボードでアプリを操作する力を OSWorld で、専門的なグラフを画像から読み取る力を Chartography で比較します。

2つのベンチマークは、どちらも画像を正しく読み取る力が土台ですが、評価内容は別物です。

ベンチマーク 評価ポイント 評価内容 採点方法
OSWorld（2.0） 画面のスクリーンショットを見ながら、数十ステップに及ぶ操作をやり遂げられるか GUI環境での長期的な自律コンピュータ操作能力。
Ubuntu仮想マシンの画面（スクリーンショット）を見ながら、マウスとキーボード操作を駆使して日常的・専門的なワークフロー（数十ステップに及ぶ作業）を最後まで完遂できるかを評価する。		 各タスクの中間ステップに設定された重み付きチェックポイントによる部分スコア（達成率の平均）と、すべてを満たした完全合格率（Strict pass rate）で評価。
Chartography 専門的なグラフから、数値を正確に読み取れるか 専門的な複雑なグラフの正確な読み取り・解釈能力。既存のグラフ認識タスクが飽和したため構築された。
カプランマイヤー曲線（生存曲線）やローソク足、サンキー図など、専門職が扱う高密度の図表から正確な数値を読み取れるかを評価する。		 厳密なテキスト一致ではなく、グラフごとに専門家が設定した「許容範囲（Tolerance bounds）」内に回答の数値が収まっているかどうかで自動判定。
モデル OSWorld Chartography
Gemini 4 Argon 69.2% 71.6%
GPT-6.1 Sol 66.8% 不明
Claude Opus 5.5 81.8% 66.3%
Claude Sonnet 5.5 80.1% 61.6%

長文脈推論

数十万トークン規模の長い入力の中で、手順を見失わずに処理を最後まで進められるかを、GraphWalks BFS 256K–1M で比較します。

入力として与えた大きなグラフ（点とそのつながりの一覧）をたどり、決められた手順（幅優先探索）どおりに答えを出せるかを測ります。入力が25.6万〜100万トークンと長いため、入力上限の大きさだけでなく、長い文脈の中で「どこまで調べたか」を保持し続ける力が問われます。

ベンチマーク 評価ポイント 評価内容 採点方法
GraphWalks BFS（256K–1M） 数十万トークン規模の長い入力の中で、手順を見失わずに処理を最後まで進められるか 長文脈での多段階の推論能力。
有向グラフの辺の一覧を入力として与え、指定したノードから指定した深さまで幅優先探索を行い、ちょうどその深さにあるノードをすべて答えられるかを評価する。		 モデルが答えたノードの集合と正解の集合を比べた F1 スコア。
最終行が指定の形式でない場合は0点
モデル スコア
Gemini 4 Argon 84.2%
Claude Opus 5.5 66.8%

注）公式発表やWeb上を調査しましたが、GraphWalks BFS（256K–1M）における GPT-6.1 Sol と Claude Sonnet 5.5 のスコアは見当たりませんでした。そのため、本項目では記載しておりません。

料金比較

API料金（入力・出力・キャッシュ）

単位：米ドル／100万トークン

モデル 入力 出力 キャッシュ読み込み キャッシュ書き込み
Gemini 4 Argon 2 10 0.1 0
GPT-6.1 Sol 2 10 0.1 2.5
Claude Opus 5.5 4 20 0.2 5 (5分保持)
8 (1時間保持)
Claude Sonnet 5.5 2 10 0.2 2.5 (5分保持)
4 (1時間保持)

※ Gemini 4 Argonに関して

  • 記載の料金は、2026年11月30日までの期間限定価格です。
  • 暗黙的キャッシュのみの対応となるため、明示的なキャッシュの書き込み・保持（ストレージ）料金はかかりません。

出典

公式発表・評価資料

API ドキュメント・料金

ベンチマーク

最後に

弊社Nucoでは、他にも様々なお役立ち記事を公開しています。よかったら、Organizationのページも覗いてみてください。
また、Nucoでは一緒に働く仲間も募集しています！興味をお持ちいただける方は、こちらまで。

49
9
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
49
9

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?