AIモデル比較ラボ

指標の定義

• 総合知能指数 = Artificial Analysis Intelligence Index v4.1。GDPval-AA v2、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond など複数評価の合成値。高いほど総合的な推論・知識・科学・コーディング能力が高い。
• Coding Agent Index = DeepSWE、Terminal-Bench v2、SWE-Atlas-QnA で構成されるコーディングエージェント評価。
• 入力/出力単価 = 100万トークンあたりの標準価格（USD）。推論モデルは出力側の費用が支配的になりやすい。

簡易混合価格の計算式

「入力80万 + 出力20万 = 計100万トークン」の仮想ワークロードで比較する簡易指標です。

これは実際のエージェント費用ではありません。キャッシュ、推論トークン量、再試行、ツール呼び出し、長文料金を無視しています。

数値を鵜呑みにできない理由

• ベンチマークは実務そのものではない。数点差は常に体感できる絶対差ではない。
• 推論レベルを上げると性能と消費量が同時に上がる。
• Codex、Claude Code、Grok Build などエージェント基盤の差が大きい。
• Claude Sonnet 5 は新Tokenizerが同じ文章を約30％多いトークンに分割するため、同じ名目単価でも請求トークンが増える可能性が公式に明記されている。
• Gemini 3.5 Flash は同価格帯の推論モデルより出力トークン量が多めと報告されている。
• Artificial Analysis の指数は評価バージョン更新で変動する。