この記事について
本記事はClaudeに調査を依頼してまとめた内容です。自分用の備忘録として作成しており、書いてある内容は一次情報を都度参照するようにはしていますが、鵜呑みにせず参考程度にご覧ください。
Claude・GPT・Gemini・Grok・DeepSeekなど主要LLMについて、2026年9月時点の料金・コンテキストサイズ・性能を横並びで整理します。
性能比較で厄介なのが、各社が公表するSWE-bench VerifiedやGPQA Diamondといった個別ベンチマークは、評価ハーネス（足場ソフト）・測定日・推論強度（reasoning effort）の設定がモデルごとにバラバラで、単純な横並び比較には向かないという点です。そこで本記事では、第三者機関Artificial Analysisが全モデルを同一条件で計測している「Intelligence Index」を軸に比較します。
料金・スペック一覧
100万トークンあたりの価格（USD）、コンテキストウィンドウ、最大出力トークン数です。
| 提供元 | モデル | 入力$/M | 出力$/M | コンテキスト窓 | 最大出力 |
|---|---|---|---|---|---|
| Anthropic | Haiku 4.5 | $1.00 | $5.00 | 200K | 64K |
| Anthropic | Sonnet 5 | $2.00 | $10.00 | 1M | 128K |
| Anthropic | Opus 5 | $5.00 | $25.00 | 1M | 128K |
| Anthropic | Fable 5.1 | $10.00 | $50.00 | 1M | 128K |
| OpenAI | GPT-5.6 Luna | $0.20 | $1.20 | 1.1M | 128K |
| OpenAI | GPT-5.6 Terra | $2.00 | $12.00 | 1.1M | 128K |
| OpenAI | GPT-5.6 Sol | $5.00 | $30.00 | 1.1M | 128K |
| OpenAI | GPT-6 Astra | $10.00 | $50.00 | 1.05M | 128K |
| Gemini 3.7 Flash | 約$0.75 | 約$3.75 | 1.05M | 約64K | |
| Gemini 3.1 Pro | $2.00 | $12.00 | 1M | 約64K | |
| xAI | Grok 4.6 | $2.00 | $6.00 | 500K | 非公開 |
| DeepSeek | V4 Flash | $0.09〜1.50 ※ | $0.18〜7.50 ※ | 1M | 384K |
| DeepSeek | V4 Pro Max | $1.74 | $3.48 | 1M | 384K |
※ DeepSeek V4 Flashは、DeepSeek直販か各種ゲートウェイ（OpenRouter、Eden AI等）経由かで単価が10倍以上変動します。実際に使う経路の価格を必ず個別に確認してください。
※ Grok 4.6の最大出力「非公開」は調査漏れではありません。xAIは最大出力トークン数を公式に公開しておらず、公式モデルページにはコンテキストウィンドウ（500,000）のみが記載されています。第三者ゲートウェイのカタログではコンテキスト窓と同じ値が登録されている例がありますが、これは上限が不明なため便宜的に入れられた値と考えられ、実際の上限を示す根拠にはなりません。
Anthropicは2026年8月11日、Sonnet 5の導入価格（$2/$10）を恒久化し、予定していた値上げ（$3/$15への引き上げ）を取りやめました。OpenAIも同年7月30日にGPT-5.6 LunaとTerraを値下げしています。価格は流動的なため、実運用前に各社公式ドキュメントでの再確認をおすすめします。
共通ベンチマークで比較する
| 提供元 | モデル | 知能指数 | コーディング指数 | エージェント指数 |
|---|---|---|---|---|
| Anthropic | Fable 5.1 | 56.8 | 81.6 | 58.2 |
| OpenAI | GPT-6 Astra | 54.7 | 76.9 | 51.6 |
| Anthropic | Opus 5 | 54.1 | 78.0 | 56.4 |
| OpenAI | GPT-5.6 Sol | 51.3 | 77.4 | 50.7 |
| xAI | Grok 4.6 | 50.6 | 76.8 | 53.6 |
| OpenAI | GPT-5.6 Terra | 46.8 | 76.7 | 43.9 |
| Gemini 3.7 Flash | 45.2 | 76.1 | 36.6 | |
| Anthropic | Sonnet 5 | 45.1 | 71.5 | 44.5 |
| OpenAI | GPT-5.6 Luna | 43.4 | 71.4 | 42.9 |
| DeepSeek | V4 Pro Max | 42.1 | 68.8 | 27.9 |
| DeepSeek | V4 Flash | 40.8 | 69.1 | 23.8 |
| Gemini 3.1 Pro | 36.7 | 68.8 | 10.4 | |
| Anthropic | Haiku 4.5 | 圏外 ※ | — | — |
※ 軽量モデルのため、参照したランキング（上位100モデル）には掲載なし
数値を読む際の3つの注意点
- 信頼区間は±1%未満とされています。したがってSonnet 5（45.1）とGemini 3.7 Flash（45.2）の差は統計的に意味がありません。「ほぼ同点」と読むべきです。
- 指数はバージョン改訂されます。 現行は v4.2 ですが、上表のスコアは2026年9月に第三者ミラーサイトから取得したスナップショットで、どのバージョンに対応するかは確認できていません。旧v4.1はGPQA Diamondを含む9評価構成、v4.2はAA-BriefcaseとGDP.pdfを加えた10評価構成で、そもそも中身が違います。
- 異なるバージョン・異なる集計日の数値を混ぜると比較が壊れます。 厳密な値が必要なら、必ずArtificial Analysis公式リーダーボードを直接参照してください。
測定条件
同一条件での計測を担保するため、以下の設定が全モデル共通で適用されています。
- ゼロショット：例示（few-shot）なしの明示的な指示のみで評価
- temperature：非推論モデルは0、推論モデルは0.6（モデル提供元が別の値を推奨する場合を除く）
- 採点：原則pass@1（初回の回答で正解する必要がある）
- エラー処理：API失敗時は最大30回リトライ
コーディング指数・エージェント指数とは
どちらも独立した新しいテストではなく、知能指数を構成する評価のうち、特定スキルに該当するカテゴリを合成した派生指数です。v4.2における該当カテゴリの構成は以下の通りです。
コーディング（知能指数の20%を占めるカテゴリ）
| 評価 | 内容 |
|---|---|
| Terminal-Bench v2.1 | 実ターミナル環境での89タスク（ソフトウェア開発、システム管理、データ処理、セキュリティ等）。検証スイートを全て通過して初めて成功と判定 |
| SciCode | 科学計算向けPythonコードの生成。全ユニットテストの通過が条件 |
エージェント（知能指数の30%を占めるカテゴリ）
| 評価 | 内容 |
|---|---|
| AA-Briefcase | 数週間規模のナレッジワーク案件を遂行。多数の関連タスクと数千件の入力ファイルを扱う |
| GDPval-AA v2 | 米国GDPに寄与する44職種・220タスク。成果物を人間の専門家（Elo 1000を基準）と比較評価 |
| τ³-Banking | 約700件の規程文書（約195Kトークン）を検索しつつ、口座変更等を多段階のツール呼び出しで実行。会話の質ではなく最終的なDB状態で採点 |
派生指数そのものの正確な合成式（各評価のウェイト）は、現行の公式方法論ページには記載がありません。以前は「該当2評価を50%ずつ」と明記されていました。コーディングは今も2評価（各10%）なので50%ずつが維持されている可能性が高いですが、エージェントはv4.2でAA-Briefcaseが加わり3評価（15%・10%・5%）になったため、50%ずつという記述は当てはまりません。上表は知能指数のカテゴリ構成であり、派生指数の内部ウェイトとは一致しない可能性があります。
なお似た名前で「Coding Agent Index」という指標もありますが、これはモデル単体ではなくClaude CodeやCursorのような「コーディングエージェント（ハーネス）」の実運用性能を測る別の指標なので、混同しないよう注意してください。
知能指数の構成とウェイト（v4.2）
知能指数は4カテゴリの加重平均として算出されます。
| カテゴリ | カテゴリ計 | 評価 | 個別ウェイト | 何を測るか |
|---|---|---|---|---|
| Agents | 30% | AA-Briefcase | 15% | 長期・複雑なナレッジワーク案件の遂行 |
| GDPval-AA v2 | 10% | 経済的価値のある実務タスクの成果物品質 | ||
| τ³-Banking | 5% | 知識ベース参照＋多段ツール実行の顧客対応 | ||
| Coding | 20% | Terminal-Bench v2.1 | 10% | 実ターミナル環境でのタスク遂行 |
| SciCode | 10% | 科学計算コードの生成 | ||
| General | 30% | AA-Omniscience | 15% | 知識の正確性（正答率10%＋非ハルシネーション率5%）。6,000問・42トピック。誤答は減点、棄権は中立 |
| GDP.pdf | 10% | 長大な実務PDF（計4,592ページ）に対する読解・推論 | ||
| AA-LCR v1.1 | 5% | 約10万トークンの複数文書をまたぐ長文脈推論 | ||
| Scientific Reasoning | 20% | HLE | 10% | 数学・人文・自然科学の難問2,158問 |
| CritPt | 10% | 50人以上の物理学者が作成した未発表の研究レベル物理問題71題（うちテスト対象70題） |
エージェント系（30%）と一般（30%）が重く、コーディング（20%）と科学的推論（20%）が軽い配分です。ここを押さえておくと、「コーディングは強いが知能指数は伸びない」といったモデルの挙動が理解しやすくなります。
GPQA Diamondは現在は旧評価（legacy）扱いで、v4.2の知能指数には含まれていません。各社のモデルカードでは今もGPQA Diamondの数値が主要指標として掲載されていることが多いので、比較の際は混同しないよう注意してください。
日本語で使う場合の注意
知能指数は主にテキストベース・英語での評価スイートです。日本語性能は知能指数には一切含まれておらず、別建ての「Multilingual Index」（Global-MMLU-Lite、日本語を含む16言語）で評価されています。画像入力・音声入力も同様に別枠です。
したがって日本語主体のプロダクトでモデルを選ぶ場合、本記事の表は「英語での地力」の目安として使い、日本語での実性能は別途Multilingual Indexか、自前の評価セットで確認する必要があります。
表から読み取れる2つの構造
用途別の話に入る前に、表を眺めていて気づいた2点を共有します。ここを押さえておくと選定の判断が早くなります。
1. コーディング指数は上位が団子状態で、価格差に見合った性能差がない
コーディング指数の幅は 68.8〜81.6（最大1.19倍）しかありません。しかも上位帯は極端に密集していて、Grok 4.6（76.8、$2/$6）とGPT-6 Astra（76.9、$10/$50）はほぼ同点です。出力単価は8倍以上違うのに、コーディング指数では差がつきません。この帯から明確に抜けているのはFable 5.1（81.6）だけです。
つまり「コードを書かせたいから高いモデルを使う」という判断は、Fable 5.1を選ぶ場合を除いてあまり報われません。
2. エージェント指数は最大5.6倍の差があり、ここが本当の分水嶺
一方でエージェント指数は 10.4〜58.2 と、最大5.6倍の開きがあります。ツールを使って多段階で自律実行させる用途では、モデル選定がそのまま成否を左右します。
要するに、単発のコード生成なら安いモデルで十分だが、自律エージェントには金を払う価値があるというのが、この表全体から読み取れる構造です。
用途別の選び方
| ユースケース | 第一候補 | 代替候補 | 判断のポイント |
|---|---|---|---|
| コーディングエージェント（複数ファイル横断の改修、リポジトリ探索） | Opus 5（78.0 / 56.4、$5/$25） | Fable 5.1（81.6 / 58.2、$10/$50）／ Grok 4.6（76.8 / 53.6、$2/$6） | 予算に余裕があればFable 5.1が全指標で上。コストを抑えるならGrok 4.6でも指数の落ち幅は小さい |
| 精度を最優先（研究レベルの難問、失敗コストが高い処理） | Fable 5.1（知能56.8） | GPT-6 Astra（54.7）／ Opus 5（54.1） | 上位3つは54〜57で密集。信頼区間±1%未満を踏まえるとAstraとOpus 5の差は小さく、価格が半分のOpus 5が有利な場面も |
| 自律エージェントをコスト重視で回す | Grok 4.6（53.6、$2/$6） | Opus 5（56.4、$5/$25）／ Sonnet 5（44.5、$2/$10） | Grok 4.6はOpus 5比で指数が約5%低いだけで出力単価は約4分の1。品質を優先するならOpus 5 |
| 大量バッチ処理（分類・要約・抽出・前処理） | GPT-5.6 Luna（$0.20/$1.20） | Gemini 3.7 Flash（約$0.75/$3.75）／ DeepSeek V4 Flash | Lunaはコーディング71.4でSonnet 5の71.5とほぼ同点。品質を一段上げたいならFlash系 |
| 単発のコード生成・スクリプト作成・ターミナル作業 | Gemini 3.7 Flash（76.1、約$0.75/$3.75） | GPT-5.6 Terra（76.7、$2/$12）／ Grok 4.6（76.8、$2/$6） | この3つはコーディング指数76.1〜76.8でほぼ同等。単価で選んで差し支えない帯 |
| 超長文の一括生成（長編レポート、大量翻訳） | DeepSeek V4 Pro Max（最大出力384K） | DeepSeek V4 Flash（384K）／ Sonnet 5（128K） | 128Kで足りるならSonnet 5系。384Kが必要ならDeepSeek系が事実上の選択肢 |
| 巨大な入力を一度に流し込む | GPT-5.6 Terra / Sol（1.1M） | Claude Sonnet 5 / Opus 5（1M）／ Gemini 3.7 Flash（1.05M） | 1M前後は各社横並び。コンテキスト長よりエージェント指数や単価で選ぶ方が実利がある |
| 軽量な定型処理（フォーマット変換、単純な判定） | GPT-5.6 Luna（$0.20/$1.20） | Haiku 4.5（$1/$5）／ DeepSeek V4 Flash | Haiku 4.5は上位100モデルのランキング圏外で指数の裏付けがないため、指数で選ぶならLuna |
複数候補を挙げているのは、単価・指数・コンテキスト長のどれを優先するかで最適解が変わるためです。特にコーディング指数76前後の帯（Gemini 3.7 Flash、GPT-5.6 Terra、Grok 4.6、GPT-6 Astra）は実質的に横並びなので、この帯の中では価格と既存の実装都合で選ぶのが合理的です。
Sonnet 5とGemini 3.7 Flashの選び分け
この2つは知能指数がほぼ同点（45.1 / 45.2）で、信頼区間±1%未満を踏まえると統計的に差がありません。しかし内訳は逆方向に開きます。
| Sonnet 5 | Gemini 3.7 Flash | |
|---|---|---|
| コーディング指数 | 71.5 | 76.1（+約6%） |
| エージェント指数 | 44.5（+約22%） | 36.6 |
| 入力$/M | $2.00 | 約$0.75 |
| 出力$/M | $10.00 | 約$3.75 |
自律的な多段実行を任せるならSonnet 5、単発のコード生成やターミナル作業中心で単価を抑えたいならGemini 3.7 Flashという整理になります。なおGemini 3.7 Flashのような軽量モデルは、曖昧な指示への耐性が相対的に低く、手順を明示した構造化プロンプトの方が安定しやすい傾向があります（これはベンチマークが直接測っている項目ではなく経験則なので、想定タスクで簡易的にA/Bを取って確認するのが確実です）。
まとめ
- コーディング性能は上位帯が飽和しており、Fable 5.1以外は価格差に見合う差が出ない
- エージェント性能は5倍以上の差があり、ここが投資すべきポイント
- 用途を「自律実行か / 単発処理か」で切り分けるのが、価格対効果を最大化する最短ルート
- GPT-6 Astraは公開直後（2026年9月3日）に計測された数値のため、他モデルより測定時期が新しく、今後の再計測で値が動く可能性があります
なお本記事の用途別推奨は、あくまで公開ベンチマークと価格から導いた机上の整理です。指数は英語・テキストのみの評価であり、実タスクでの相性は必ず自前の評価セットで確認してください。いずれの指標も、まとめサイト・指数バージョン・測定時期によって数値がズレます。厳密な数値が必要な場合はArtificial Analysis公式サイトなど一次情報を直接確認してください。
参照リンク
ベンチマーク方法論
- Artificial Analysis Intelligence Index 方法論（v4.2、評価構成・カテゴリウェイトの一次情報）
- Artificial Analysis 能力指数の方法論
- Artificial Analysis LLMリーダーボード（最新スコアはここで直接確認）
- CritPt公式サイト / 論文（arXiv:2509.26574） / Artificial AnalysisのCritPt評価ページ
料金・スペック（公式）
- Anthropic Claude 料金ページ
- OpenAI API 料金ページ
- Google Gemini API 料金ページ
- xAI Grok 4.6 モデルページ（価格・コンテキスト窓もこのページに記載）
DeepSeek公式の料金ページURLは、今回の調査では確度の高い形で確定できなかったため掲載していません。