Artificial Analysisとは？AIモデル比較サイトの全体像をわかりやすく解説
この記事のポイント
- Artificial Analysisは「AIモデル単体の性能」と「同じモデルをどのAPIプロバイダーで使うと速い/安いか」を分けて比較できるサイト。前者の総合指標がIntelligence Index、後者がProvider Performanceで、この2つを混同すると比較表が読みにくくなる
- 用途特化の指標が複数あり、業務自動化ならAgentic Index、コーディング支援ならCoding Agent Index、法務・金融など専門領域ならCapability Indices（Legal Indexは法務知識35%・知識作業25%・推論15%などの内訳）を見る
- 同じDeepSeek V4 Pro(high)でも、ホスティングするプロバイダーによって価格は$0.04〜$0.33、速度は73〜319トークン/秒まで差が出る（2026年7月29日時点）。モデル名だけで価格・速度を判断するのは誤り
Artificial Analysisが複雑に見える最大の理由は、「AIモデル単体の性能比較」と「同じモデルをどのAPIプロバイダーで使うと安い/速いかの比較」という、性質の異なる2種類の比較が同じサイトに同居していることです。さらにモデル性能側も、総合力のIntelligence Indexだけでなく、エージェント特化のAgentic Index、コーディング特化のCoding Agent Index、法務・金融など業界特化のCapability Indicesと、目的別に指標が枝分かれしています。この記事では、サイト全体の構造を地図として整理し、それぞれの指標が何を測り、どんな場面で見るべきかを解説します。
目次
- 01サイトの全体像：何が比較できるのか
- 02総合力を測る：Intelligence Index
- 01カテゴリ別の内訳
- 02現時点の上位モデル
- 03用途特化の指標たち：Agentic Index・Coding Agent Index・業界別Capability Indices
- 01Agentic Index：エージェント能力だけを抜き出す
- 02Coding Agent Index：コーディングエージェントに特化
- 03Capability Indices：業界特化の実務適性
- 04同じモデルでも数字が変わる：APIプロバイダー比較
- 01例1：Claude Opus 5（medium）
- 02例2：DeepSeek V4 Pro（high）
- 05価格・速度・レイテンシの読み方
- 01Cost per Task：単価ではなく総コストで見る
- 02Output Speed・Time per Task：速さの単位を分ける
- 03reasoning modelの電球アイコン
- 06テキスト以外の比較：画像・動画・音声はArena方式
- 07モデルの公開度を測る：Openness Index
- 08目的別ナビゲーション早見表
- 09正直に押さえておくべき限界
- 10まとめ
サイトの全体像：何が比較できるのか
Artificial Analysisのメインナビゲーションは大きく次のカテゴリに分かれています。
カテゴリ | 何を比較するか |
|---|---|
Models | テキスト生成AIモデルの性能（Intelligence Index等） |
Coding Agents | コーディング支援エージェントの実務遂行力 |
Speech, Image, Video | 音声・画像・動画生成モデルの品質 |
Hardware | GPU等の推論性能（本記事では詳しく扱いません） |
Leaderboards | 上記を横断した各種ランキング一覧 |
見落とされがちですが、Modelsのページの中には「モデルそのものの性能」と「同じモデルをどのプロバイダーでホストしているか」という2つの異なる比較軸が存在します。次章以降、この構造を順に見ていきます。
比較表を開いていきなり眺めると、同じ基盤モデル（例: Claude Opus 5）が推論強度の設定違いで複数行に分かれて並んでいるうえ、指標そのものも複数あるため混乱しがちです。まず「自分はモデルの実力を見たいのか、価格・速度を見たいのか」を決めてから該当のページを開くと早く目的の情報にたどり着けます。
総合力を測る：Intelligence Index
Intelligence Index（現行バージョンv4.1、2026年6月15日公開）は、4つのカテゴリ・9つのベンチマークを加重平均した0〜100の総合スコアです。スコアリングは「pass@1」（1回目の試行で正解できたかどうか）に統一されています。
カテゴリ別の内訳
カテゴリ | 配分 | ベンチマーク | カテゴリ内配点 | 何を測るか |
|---|---|---|---|---|
エージェント | 34% | GDPval-AA v2 | 20% | 44職種・9産業にわたる、経済的価値のある実務タスク（220問）の遂行力 |
τ³-Banking | 14% | 銀行窓口業務を模した複数ステップのツール操作（97問） | ||
コーディング | 24% | Terminal-Bench v2.1 | 16% | ターミナル操作を伴う実務的なコーディングタスク（89問） |
SciCode | 8% | 科学計算コードの実装力（288の下位問題） | ||
一般・長文脈 | 18% | AA-Omniscience | 12% | 知識の正確性・信頼性を測る6,000問の問題セット |
AA-LCR | 6% | 長文脈の読解力を測る100問 | ||
科学的推論 | 24% | HLE(Humanity's Last Exam) | 12% | 学際的な専門家レベルの問題2,158問 |
GPQA Diamond | 6% | 大学院レベルの科学知識198問 | ||
CritPt | 6% | 物理的な推論力を測る70問 |
エージェント（34%）とコーディング（24%）を合わせると58%を占めており、単純な一問一答の知識力より、複数ステップでツールを操作し実務タスクを完遂する力に大きく重みが置かれていることがわかります。
現時点の上位モデル
2026年7月29日時点、掲載586モデル中の上位は次の通りです。
順位 | モデル | スコア |
|---|---|---|
1 | Claude Opus 5（Adaptive Reasoning, Max Effort） | 61 |
2 | Claude Opus 5（Adaptive Reasoning, Xhigh Effort） | 60 |
3 | Claude Fable 5（Adaptive Reasoning, Max Effort, Opus 4.8 Fallback） | 60 |
4 | GPT-5.6 Sol（max） | 59 |
5 | Claude Opus 5（Adaptive Reasoning, High Effort） | 59 |
上位5件のうち3件が同じClaude Opus 5系列の推論強度違いです。「1位のモデルを選ぶ」ではなく「1位のモデルの、どの推論強度を選ぶか」まで含めて比較表を読む必要があります。
用途特化の指標たち：Agentic Index・Coding Agent Index・業界別Capability Indices
Intelligence Indexが総合力を測るのに対し、特定用途での実力だけを抜き出して比較する指標群がCapability Indicesのページにまとめられています。2026年7月29日時点で8つの指標が掲載されており、汎用軸のAgentic Index・Coding Indexと、業界特化の6指標（Finance & Accounting／Legal／Healthcare & Medical／Strategy & Ops／Engineering／Economics）に分かれます。
Agentic Index：エージェント能力だけを抜き出す
Intelligence Indexの「エージェント」カテゴリを構成する2ベンチマーク（GDPval-AA v2とτ³-Banking）だけを均等加重で独立指数化したものです。スケールはIntelligence Indexと同じ0〜100。
順位 | モデル | スコア |
|---|---|---|
1 | Claude Opus 5（Max Effort） | 55 |
1 | Claude Opus 5（Xhigh Effort） | 55 |
3 | GPT-5.6 Sol（max） | 54 |
Intelligence Indexの首位はスコア61でしたが、同じモデルのAgentic Indexは55です。指標が違えばスコアの絶対値も変わるため、業務自動化を検討している場合はIntelligence Indexの総合順位だけでなくAgentic Indexを別途確認する必要があります。
Coding Agent Index：コーディングエージェントに特化
DeepSWE（113タスク）・Terminal-Bench v2（84タスク）・SWE-Atlas-QnA（124タスク）の3ベンチマークを均等加重で統合した指標です。2026年7月29日時点で52モデル中15モデルが評価対象になっています。Intelligence Index内のコーディングカテゴリ（Terminal-Bench v2.1とSciCode）とは構成ベンチマークが異なるため、「コーディング力を見たいから」といってIntelligence Indexのコーディングカテゴリだけを見るのは不十分で、コーディングエージェント用途ならこちらを見た方が実態に近くなります。
Capability Indices：業界特化の実務適性
Legal Index（法務）を例にすると、次のような内訳です。
構成要素 | 配点 |
|---|---|
Legal Knowledge（法務知識） | 35% |
Agentic Knowledge Work（知識作業の遂行） | 25% |
Reasoning（推論） | 15% |
Long-Context（長文脈処理） | 10% |
Non-Hallucination（幻覚の少なさ） | 10% |
Agentic Customer Interaction（顧客対応） | 5% |
Finance & Accounting Index（財務会計）も同様の設計で、Business Knowledge 30%・Agentic Knowledge Work 30%・Reasoning 20%・Agentic Customer Interaction 10%・Long-Context 5%・Non-Hallucination 5%という配点です。両指標とも、O*NET職業分類から実務で頻出するタスクを抽出し、その出現頻度に応じて重みを決める設計になっています。2026年7月時点でHealthcare & Medical・Strategy & Ops・Engineering・Economicsの4分野も公開されていますが、配点の詳細な裏取りはできていません。
「エージェント」という言葉が指す範囲は指標によって違います。 Intelligence Index内の「エージェントカテゴリ」は34%という比重で総合スコアに組み込まれる要素の1つですが、Agentic Indexはそれを単独で切り出したもの、Legal IndexやFinance & Accounting Indexの「Agentic Knowledge Work」はさらに業界文脈に絞った別の下位スコアです。業務自動化のためにAIエージェントを検討する場合の考え方は、AIエージェント導入で失敗しない最初の一歩でも整理しています。ベンチマークのスコアが高いことと、実際の業務で失敗しない設計ができることは別の問題です。
同じモデルでも数字が変わる：APIプロバイダー比較
ここまではモデル自体の性能でしたが、Artificial Analysisにはもう1つ、同じモデルを複数のAPIプロバイダーがホストしている場合、価格・速度・レイテンシがどれだけ違うかを比較するページ（Provider Performance）があります。「Intelligence Indexで1位だったから、このモデルを使えば安心」という判断では、この違いを見落とします。
例1：Claude Opus 5（medium）
プロバイダー | 価格 | 速度 | レイテンシ |
|---|---|---|---|
Anthropic | $0.62 | 50トークン/秒 | 7.63秒 |
Amazon Bedrock | $0.62 | 52トークン/秒 | 6.46秒 |
$0.62 | 50トークン/秒 | 5.16秒 |
価格は3社とも同じですが、レイテンシは最大で2.5秒近く差があります。同じモデル・同じ価格でも、体感速度はホスティング先によって変わります。
例2：DeepSeek V4 Pro（high）
プロバイダー | 価格 | 速度 | レイテンシ |
|---|---|---|---|
DeepSeek（開発元） | $0.04 | 73トークン/秒 | 1.56秒 |
Together AI | $0.22 | 319トークン/秒 | 1.11秒 |
Fireworks | $0.33 | 188トークン/秒 | 1.16秒 |
こちらは価格差が開発元とサードパーティプロバイダーの間で約8倍（$0.04→$0.33）、速度差が約4.4倍（73→319トークン/秒）にまで開いています。開発元がいちばん安いとは限らず、最も高速なわけでもありません。オープンウェイトのモデルを検討する場合、モデル名だけでなくどのプロバイダー経由で使うかまで比較しないと、価格・速度の見積もりを大きく外します。
価格・速度・レイテンシの読み方
モデル比較・プロバイダー比較のどちらでも共通して出てくる指標の意味を整理します。
Cost per Task：単価ではなく総コストで見る
v4.1で新設された指標で、Intelligence Indexの評価タスクを1件終えるまでにかかった加重平均コスト（USD）です。1トークンあたりの単価が安いモデルでも、回答前の思考過程（reasoning）で大量のトークンを消費するタイプは、タスク1件あたりの総コストが単価の印象より高くなることがあります。
Output Speed・Time per Task：速さの単位を分ける
Output Speedは1秒あたりに生成されるトークン数（tokens/sec）で、2026年7月29日時点の最速はMercury 2の977.8トークン/秒でした。一方、Time per Taskは「タスク1件を終えるまでの分単位のデコード時間」で、トークン単価の速さとタスク全体の所要時間は別の数字として扱われています。
reasoning modelの電球アイコン
サイト上でモデル名に電球アイコンが付いているものは「reasoning model（推論モデル）」です。回答前に長い思考過程を経てから出力するタイプで、複雑な推論タスクでスコアが伸びやすい半面、出力トークン数が増えるためCost per TaskやTime per Taskが大きくなりやすい傾向があります。
テキスト以外の比較：画像・動画・音声はArena方式
画像・動画・音声生成モデルは、テキストモデルと評価の仕組みそのものが異なります。Intelligence Indexのようなベンチマークは「正解」が決まっている問題への正答率で採点できますが、画像や動画の「良さ」には決まった正解がありません。そこでImage Arenaでは、同じプロンプトから生成した2枚の画像をユーザーが匿名で見比べて投票し、その結果をEloレーティング（チェスなどで使われる強さの指標と同じ仕組み）としてランキング化しています。2026年7月29日時点の上位は、GPT Image 2(high)がElo1339で首位、以下Reve 2.1・MAI-Image-2.5・Nano Banana 2・GPT Image 1.5(high)と続きます。
「正答率で測るテキストモデル」と「人間の好みの投票で測る画像・動画モデル」は評価の性質が違うという点を理解しておくと、なぜテキストモデルのページにはスコア、画像モデルのページにはEloという別の単位が出てくるのかが腑に落ちます。
モデルの公開度を測る：Openness Index
もう1つ、性能とは別軸の指標がOpenness Index（2025年12月1日公開）です。これはモデルウェイト・学習前データ・学習後データ・方法論という4要素について、どれだけ公開され、どんなライセンスで使えるかを0〜100で数値化したものです。性能の高さではなく「自分で検証・改変・再現できるか」を測る指標だと考えると分かりやすくなります。2026年7月時点でOLMo（Allen AI）がスコア89で最高位、NVIDIA Nemotron Nano 9B v2がスコア67という例が公開されています。自社でモデルをホスティングしたい、学習データの由来を確認したいといった要件がある場合に参照する指標です。
目的別ナビゲーション早見表
サイト全体を俯瞰した上で、目的別にどのページ・指標を見ればいいかをまとめます。
やりたいこと | 見るべき指標・ページ |
|---|---|
モデルの総合力を知りたい | Intelligence Index |
業務自動化・複数ステップのタスク遂行力を比較したい | Agentic Index |
コーディングエージェントを比較したい | Coding Agent Index |
法務・金融など特定業界での実務適性を見たい | Capability Indices（業界別） |
大量処理のコストを抑えたい | Cost per Task（トークン単価だけで判断しない） |
チャット等でリアルタイム性を重視したい | Output Speed・レイテンシ |
オープンウェイトのモデルをどこでホストするか決めたい | Provider Performance（プロバイダー比較） |
自社でホスティング・改変したい／データの由来を確認したい | Openness Index |
画像・動画・音声の生成品質を比較したい | 各モダリティのArena（Elo方式） |
どの指標を優先するかは、そのまま「AIをどの業務にどう使いたいか」の裏返しになります。汎用AIの法人プランで足りるか、専用ツールが必要かという切り分けは中小企業の生成AIツール選び｜用途別に「汎用AIで足りるか」を料金から判断するで扱っているので、モデル選定の前段階として参考にしてください。
正直に押さえておくべき限界
- ベンチマークは実際の自社業務そのものではありません：GDPval-AA v2やτ³-Bankingは経済的価値のあるタスクを模したものであり、自社の具体的な業務での成功を直接保証するものではありません。
- 数値は日々更新されます：本記事のスコア・順位・価格は2026年7月29日時点のものです。新モデルのリリースやベンチマーク側の改訂（IFBenchの削除のような例）で数値は変動します。
- 一部の指標は裏取りが不十分です：Hardwareカテゴリの具体的な数値、Healthcare & Medical・Strategy & Ops・Engineering・Economicsの各Capability Indexの配点内訳、Image Arenaの上位モデルは、本記事では十分な一次情報を確認できなかったため、存在の紹介にとどめています。
まとめ
Artificial Analysisが複雑に見えるのは、①モデル性能の比較とプロバイダー性能の比較という性質の異なる2種類が同居していること、②モデル性能側にも総合力・エージェント・コーディング・業界別という複数の指標が枝分かれしていることが主な理由です。
- Intelligence Indexは「エージェント34%・コーディング24%・科学的推論24%・一般18%」の4カテゴリ9ベンチマークを加重平均した総合指数
- Agentic Index／Coding Agent Index／Capability Indicesは、それぞれエージェント・コーディング・業界実務に特化して切り出した指数
- 同じモデルでもホスティングするプロバイダーによって価格・速度・レイテンシが大きく異なる（DeepSeek V4 Proの例では価格約8倍、速度約4.4倍の差）
- 画像・動画モデルはテキストモデルと違い、人間の投票にもとづくElo方式で評価される
- モデルの公開度を見たいときはOpenness Indexを別途確認する
総合順位の1位を機械的に選ぶのではなく、自分の目的（総合力／エージェント運用／業界特化／コスト／プロバイダー選び）に対応する指標を確認してから選ぶのが、このサイトを正しく使う近道です。
※本記事の数値は2026年7月29日時点でArtificial Analysis公式サイト（artificialanalysis.ai）に掲載されていた情報に基づいています。ランキング・スコア・価格は随時更新されるため、最新の状況は公式サイトで直接ご確認ください。
よくある質問（FAQ）
Q.Artificial Analysisは結局何を比較しているサイトですか？
A.大きく2種類の比較を提供しています。1つはAIモデルそのものの性能比較（知能・エージェント能力・コーディング力・業界別の実務適性など）、もう1つは同じモデルを異なるAPIプロバイダー（Anthropic直販、Amazon Bedrock、Together AIなど）経由で使ったときの価格・速度・レイテンシの比較です。加えてテキスト以外の画像・動画・音声生成モデルの比較や、モデルの公開度を示すOpenness Indexも扱っています。
Q.Intelligence IndexとAgentic Indexは何が違いますか？
A.Intelligence Indexは、エージェント的タスク・コーディング・科学的推論・一般知識の4カテゴリ9ベンチマークを加重平均した総合指数です。Agentic Indexはこのうち「エージェント」カテゴリを構成する2ベンチマーク（GDPval-AA v2とτ³-Banking）だけを均等加重で取り出し、独立した指数として並べ直したものです。総合力を見たいならIntelligence Index、ツール操作や複数ステップの業務遂行力だけを比較したいならAgentic Indexを見ます。
Q.同じモデル名なのに価格や速度が複数表示されているのはなぜですか？
A.多くのAIモデル、特にオープンウェイトのモデルは、開発元だけでなくAmazon Bedrock・Google Vertex・Together AI・Fireworksといった複数のAPIプロバイダーがホスティングしています。同じモデルでもホスティングするインフラやチューニングが違うため、価格・出力速度・レイテンシがプロバイダーごとに異なります。Artificial AnalysisのProvider Performanceのページでは、この違いをプロバイダー単位で比較できます。
Q.法務や金融など、自社の業界に近い評価はありますか？
A.Capability Indicesという業界特化の指標群があり、2026年7月時点でLegal（法務）・Finance & Accounting（財務会計）・Healthcare & Medical（医療）・Strategy & Ops（戦略・オペレーション）・Engineering（エンジニアリング）・Economics（経済学）の6分野が公開されています。例えばLegal Indexは、法務知識35%・エージェント的な知識作業25%・推論15%・長文脈処理10%・非幻覚性10%・エージェント的な顧客対応5%という内訳で構成されています。
Q.画像や動画の生成モデルもテキストモデルと同じ方法で評価されていますか？
A.いいえ、方式が異なります。テキストモデルのIntelligence Indexなどは正解が決まっているベンチマーク問題への正答率（pass@1）で評価しますが、画像・動画生成の品質は「正解」を定義しにくいため、Image Arenaのように、同じプロンプトから生成した2枚の画像をユーザーが匿名で見比べて投票し、そのEloレーティングでランキングする仕組みが使われています。
その他のご不明点がある場合は、お問い合わせページからご連絡ください。