【2026年10月】主要 LLM TOP 10 を API で実測：スコアと初回応答は別物だった

Posted at 2026-10-12

はじめに

LLM をプロジェクトに組み込むとき、一番手軽な判断は「ランキングを開いて 1 位を選ぶ」ことです。

ただ、ランキングが答えているのは「総合スコアが最も高いのはどれか」であり、こちらが知りたいのは「自分のタスクに向いているのはどれか」です。この 2 つの問いの答えは、想像以上に食い違います。

本記事では、2026 年 10 月 12 日時点の公開ランキング上位 11 モデルに対して、同一のリクエストを API で投げ、usage の中身を記録しました。結果として、ドキュメントに書かれていない挙動が 2 つ見つかっています。

先に、この記事で一番お伝えしたい数値を書いておきます。

総合 1 位のモデルは、1 位を獲得したその設定において、初回トークンまで 748 秒かかります。 一方、2 位のモデルは推論レベルを変えると初回応答が 0.87 秒です。

スコアの差は 13 ポイント、初回応答の差は約 265 倍です。

個人的には、この「順位では見えない差」こそが選定時に効いてくると考えています。

環境

項目	バージョン・値
OS	Windows 10 Pro 10.0.19045（Build 19045）
curl	8.13.0（libcurl/8.13.0 Schannel zlib/1.3.1 WinIDN、Release 2025-04-02）
PowerShell	7.6.6
API エンドポイント	`https://api.crazyrouter.com/v1/chat/completions`（OpenAI 互換）
認証方式	`Authorization: Bearer <API_KEY>`
計測日	2026 年 10 月 12 日
対象モデル	ランキング上位 11 件のうち、実際に呼び出せた 8 件＋ `claude-haiku-5-5`、`grok-4.6` の計 10 件
スコア出典	Artificial Analysis Intelligence Index v4.3.2

ランキング上位 11 件のうち 3 件は、呼び出そうとした時点でモデル ID が見つかりませんでした。ランキングに載っている型番と、各サービスが実際に提供している型番は別管理であり、更新タイミングも揃っていません。この点は後述します。

計測手順

1. 疎通を確認する

API キーは環境変数に入れ、コードには書きません。

export API_KEY="あなたのキー"

curl -s -X POST https://api.crazyrouter.com/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-haiku-5-5",
    "messages": [{"role": "user", "content": "Reply with exactly: OK"}],
    "max_tokens": 512
  }'

実際のレスポンス（所要 2.69 秒、要点のみ抜粋）：

{
  "model": "claude-haiku-5-5",
  "choices": [{"message": {"content": "OK"}, "finish_reason": "stop"}],
  "usage": {
    "prompt_tokens": 42,
    "completion_tokens": 4,
    "total_tokens": 46,
    "completion_tokens_details": {"reasoning_tokens": 0}
  }
}

2. `usage` の 3 フィールドを必ず出力する

後述する 2 つの問題は、どちらもこの 3 フィールドを見ていなければ気づけませんでした。

フィールド	見るべき理由
`prompt_tokens`	実際に送った長さと比較する。大きく乖離していれば固定オーバーヘッドがある
`reasoning_tokens`	見えないところに消費された枠を把握する
`completion_tokens`	`max_tokens` と同値なら打ち切られている。本文が空になることもある

3. 同一リクエストを全モデルに投げる

model だけを差し替えて同じボディを順に送り、所要時間と usage を記録します。評価フレームワークは不要で、ループ 1 つで足ります。

対象 10 件はすべて HTTP 200 を返しました。所要時間は 1.80 秒から 7.80 秒の範囲でした。

ハマった点と解決方法

ハマった点 1：`hi` の 2 文字に対して `prompt_tokens` が 4223 だった

gpt-6.1-sol に、本文が hi だけのリクエストを送ったところ、次の値が返りました。

"prompt_tokens": 4223

同時刻に claude-sonnet-5-5 へ 18 トークン相当のリクエストを送った場合は、prompt_tokens は 18 です。2 回再計測しましたが、4223〜4227 で安定していました。

つまり、このモデルには 1 回の呼び出しあたり約 4200 トークンの固定入力オーバーヘッドが存在します。

影響：入力が数千トークンある長文タスクでは誤差の範囲です。しかし「1 回あたり数十トークンの短いリクエストを 1 日に数十万回」という構成では、このオーバーヘッドが請求額の主成分になります。

解決方法：自分のユースケースで最も短いリクエストを 1 回送り、usage.prompt_tokens を想定長と突き合わせます。確認は 10 秒で終わりますが、本番投入後に桁が違うと気づく事態を避けられます。

ハマった点 2：`max_tokens` は応答長の上限ではなかった

glm-5.3 に max_tokens=64 を指定したところ、本文がほぼ空で返ってきました。usage を見ると原因が分かります。

"completion_tokens": 64,
"completion_tokens_details": { "reasoning_tokens": 60 }

出力 64 トークンのうち 60 が推論に消費され、本文に残ったのは 4 トークンでした。

max_tokens=512 に変更して再送すると、出力 34 トークン・うち推論 32 で、本文は正常に返りました。同じリクエストを claude-sonnet-5-5 に送った場合、reasoning_tokens は 0 です。

原因：このモデルは推論が既定で有効であり、推論トークンが max_tokens の枠を消費します。「想定する回答の長さ」を基準にこの値を設定すると、エラーにならないまま空の本文が返ります。

解決方法：usage.completion_tokens_details.reasoning_tokens を必ず出力し、max_tokens は推論分を見込んで余裕を持たせます。既定で推論が有効なモデルは一通り確認しておくと安全です。

補足：ランキングの型番がそのまま使えるとは限らない

上位 11 件のうち 3 件は、モデル ID が見つからず呼び出せませんでした。

特に注意が必要なのは Grok です。ランキングに載っている構成は **Grok 4.7（xhigh）**ですが、実際に呼び出せたのは Grok 4.6 でした。別バージョンであり、同一モデルの別名ではありません。したがって 4.7 のスコアを 4.6 の判断材料にすることはできません。

解決方法：順序を逆にします。先に「自分が呼び出せる型番」を確定させ、その型番のスコアをランキング側で探します。型番を推測して組み立てると、存在しないモデル ID を叩くことになります。

まとめ

総合スコア上位 11 件（2026 年 10 月 12 日時点）

順位	モデル（構成）	スコア	タスク費用（USD）	tok/s	初回応答
1	Claude Opus 5.5（max with fallback）	58	5.98	96	748.61 秒
2	Claude Sonnet 5.5（max with fallback）	56	5.46	137	484.09 秒
3	Claude Fable 5.1（max with fallback）	53	7.63	65	250.30 秒
3	GPT-6 Astra（max）	53	3.26	64	383.62 秒
3	Gemini 4 Argon（high）	53	1.99	未報告	未報告
6	GPT-6.1 Sol（max）	52	0.72	65	330.58 秒
7	Muse Spark 1.3（max）	48	1.60	121	48.89 秒
8	Grok 4.7（xhigh）	46	3.74	83	88.14 秒
8	MiMo-V2.6-Pro	46	0.13	48	3.51 秒
10	Qwen3.8 Max（0902）	45	5.41	36	2.82 秒
10	GLM-5.3（max）	45	2.01	66	3.36 秒

同点は同順位としているため、「TOP 10」に 11 件が含まれます。

推論レベルは順位より効く

ランキングが表示しているのは各モデルの最高スコア構成です。運用では、どのモデルを選ぶかより、どの推論レベルで動かすかの方が効く場面が多くあります。

モデル	推論レベル	スコア	タスク費用（USD）	初回応答
Claude Opus 5.5	max	58	5.98	748.61 秒
Claude Opus 5.5	high	54	1.82	44.34 秒
Claude Opus 5.5	medium	51	1.34	21.61 秒
GPT-6.1 Sol	max	52	0.72	330.58 秒
GPT-6.1 Sol	medium	48	0.21	7.55 秒

Opus 5.5 を max から high に落とすと、スコアは 4 ポイント下がりますが、タスク費用は約 70 %、初回応答は約 94 % 減ります。GPT-6.1 Sol を max から medium に落とした場合は、同じく 4 ポイント減で、初回応答は約 98 % 減です。

個人的には、推論レベルは「既定値」ではなく「検証対象のパラメータ」として扱うべきだと考えています。推論は難問向けのスイッチであり、常時オンにするものではありません。ハマった点 2 は、推論が不要なタスクで既定有効になっていた結果とも言えます。

タスク別の選び方

タスク	候補	理由	投入前に確認すること
アーキテクチャレビュー、重要なリファクタリング（オフライン）	`claude-opus-5-5`	スコア 58、本期最高	まず high で同じ検証を通す。通れば max は不要
日常のコーディング、対話的な利用	`claude-sonnet-5-5`	137 tok/s、medium の初回応答 0.87 秒	平均ではなく P95 のレイテンシを測る
コーディングエージェント、多段のツール呼び出し	`claude-fable-5-1`	Agent 系評価での位置が総合順位より上	自分の harness で測る。スキャフォールド依存が大きい
夜間バッチ、長文レポート（出力量を抑えたい）	`gpt-6-astra`	1 タスクあたり出力が約 27K トークン	1 件完了までの総出力トークンで比較する
予算を抑えつつ高めの能力が必要（オフライン）	`gpt-6.1-sol`	50 点台で費用が 1 USD 未満の唯一の構成	先に `prompt_tokens` を確認（ハマった点 1）
大量の分類・タグ付け、自社環境での運用	`mimo-v2.6-pro`	0.13 USD、初回応答 3.51 秒、オープンウェイト	合否基準を先に決める。順位だけで除外しない
短い出力で初回応答を速くしたい	`qwen3.8-max`	初回応答 2.82 秒で最速。ただし出力速度は最も遅い	初回応答と総所要時間を分けて測る
バランス重視、ツール呼び出しも使う	`glm-5.3`	3 指標に大きな弱点がない	`max_tokens` に余裕を持たせる（ハマった点 2）
チケット分類など高スループットの単純処理	`claude-haiku-5-5`	235 tok/s、0.21 USD。TOP 10 圏外	実際の同時実行数で負荷をかける

最後の行がこの記事の主旨です。スコア 43 のモデルが、タスク次第でスコア 58 のモデルより適切になります。

本記事の限界

スコア・費用・速度・初回応答は公開ランキングの値であり、筆者がベンチマークを再実行したものではありません。自分で測ったのは疎通とトークン計測のみです。
収集日は 2026 年 10 月 12 日です。収集日は各モデルの測定日ではありません。
この指数は英語・テキスト中心の評価です。画像入力、音声、多言語の能力は別評価です。日本語タスクの指標として読むことはできません。
呼び出せなかった 3 件については、適性の判断を行っていません。

参考リンク

Artificial Analysis：LLM Leaderboard — スコア、構成、タスク費用、出力速度、初回応答の出典
Artificial Analysis：Benchmarking Methodology — タスク費用・速度・レイテンシの定義。トークンは o200k_base で統一、指標は 72 時間移動窓の中央値
Anthropic：Introducing Claude Opus 5.5 — with fallback が示す既定のフォールバック機構について
モデル一覧と課金方式（日本語） — 本記事で参照した提供中モデル ID と discount フィールドの取得元。同フィールドは個別アカウントの精算条件を保証するものではありません

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up