2026年秋は、モデルの発表が続いた季節でした。ただ、エージェントを作る側から見ると「どれが一番強いか」より「自分のループに何を置くか」のほうがずっと悩ましい問題です。最近読んだ記事のうち、モデル選びの判断材料になった6本を、要点と自分なりの読みどころに絞って紹介します。英語の記事と中国語の記事が混ざっていますが、どれも数字の出どころをはっきり書いているので、機械翻訳でも十分追えます。
1. 出力1Mトークンは「一気に書く」を正当化するのか
Googleの Gemini 4 Argon は、出力上限が64Kから1Mへ跳ね上がり、DeepSWE v1.1 で77.9%という数字を出しました。一方で開発者より先に「信頼された防御側」へ配る、という出し方も変わっています。Gemini 4 Argonをコーディングエージェント目線で読み解いた記事は、長い出力がループの書き方をどう変えるかに焦点を当てています。結論は意外と地味で、長い生成ほど予算の上限とチェックポイント、途中再開の冪等性が要る、というもの。FrontierSWE では逆に負けている点も含めて、ベンチマークをタスクの形で読み分ける姿勢が参考になりました。
2. 中位モデルを日常のデフォルトにしてよいか
フラッグシップを常用していたチームにとって、Claude Sonnet 5.5 は「下げても大丈夫か」を考えるきっかけです。Sonnet 5.5を日常のagentic coding用に評価した中国語の解説は、単価よりも「完了したタスクあたりのコスト」で比べるべきだと主張します。同じモデルでも effort 設定やツールの数、受け入れゲートの作りで結果が桁違いに変わるので、モデル単体ではなく「モデル×ハーネス」で測れ、というのが一番の持ち帰りでした。
3. 安いモデルはどこで本当に安いのか
Hacker News で話題になった DeepSeek V4.1 Flash について、「API料金が安い」と「1タスクあたりが安い」は別物だ、と切り分けているのがDeepSeek Flashのコスト構造を分析した記事（中国語版）です。キャッシュが効く長いセッションでは強く、トークンを多く燃やす種類のタスクでは差が縮む。価格表のどの行が効いているのかを見る癖がつく一本です。
4. 平均点が同じでも、判断は同じではない
モデル選定でよく聞く「スコアが近いから安いほうでいい」に正面から反論するのが、ContractNLIでJevと9つの言語モデルを比べた論文の解説です。契約書1本に対して多数の仮説を判定させると、平均正解率がほぼ同じでも、個々の判定やリクエスト形式を変えたときの安定性はまるで違う。「毎回同じように間違える」ケースを一致率の監視が見逃す、という指摘は、本番のガードレールを設計する人にこそ刺さると思います。
5. 「意思決定モデル」という新しいカテゴリ
テキストを生成せず、状態と型付きの質問（はい/いいえ、選択、0〜5の評価）を受け取って確率だけを返すモデルが、ここ1か月で一気に増えました。Jev以降のオープンな意思決定モデルを横断的にまとめたサーベイは、Cloudflare の Clef や Liquid の d1、OpenAI の Decisions API などを並べ、「キャリブレーション済み」「最速」といった主張がどの計測に対応しているのかを確かめています。ルールベース、小さな分類器、LLMジャッジの3つを必ず比較対象に置け、という選定チェックリストはそのまま使えます。
6. 回答がテキストではなく「画面」になるとき
最後はモデルそのものより出力の形の話です。ChatGPT で GPT-6 の Intelligent UI が始まり、回答にボタンやフォーム、小さなツールが出てくるようになりました。生成UIの4つの方式を比較した中国語の記事は、UIのコードを誰が書き、どこで動き、何に触れられるのかという軸で整理しています。コンポーネントカタログ方式（A2UIなど）とサンドボックス方式の違い、そしてシステムカードに生成UI専用の安全評価が見当たらない点は、エージェントの出力面を設計するうえで押さえておきたいところです。
まとめ
6本に共通しているのは、リーダーボードの1行で決めない、という態度でした。タスクの形を分類し、自分のリポジトリとハーネスで複数回走らせ、コスト・時間・失敗の種類を別々に記録する。地味ですが、モデルの入れ替わりが速い今ほど効いてくるやり方だと感じています。