Agentインテリジェントエージェントランキング

このページに表示 Arena AI ランキング上位30件の日次スナップショットで、最近のモデルの性能を素早く把握できます。完全版のランキング、フィルター項目、最新の変更は Arena AI 公式サイトをご覧ください。

本ランキングは、複数ターンのツール呼び出し / エージェントタスクにおけるモデルの総合的な性能を評価したもので、純改善率、確認成功率、いいね/低評価比、制御性、Bash回復率、ツール幻覚率などの観点を含みます。

データ更新時刻: 2026-09-01 13:25:31 UTC / 2026-09-01 21:25:31 CST (北京时间)

ランキングは特定の評価とユーザー投票の傾向を反映したもので、あなたのタスクでそのモデルが必ずしも優れていることを意味しません。モデルを選ぶ際は、価格、速度、コンテキスト、ツール呼び出し、プライバシー、地域での利用可否も考慮してください。

上位30件

順位	順位レンジ	モデル	純改善率	確認成功率	いいね/低評価比	制御性	Bash回復率	ツール幻覚率	セッション数
1	1-3	Claude Opus 5 (High) 1	13.77%±1.81%	15.59%±3.69%	21.87%±6.82%	15.56%±3.33%	15.00%±0.85%	0.82%±0.15%	21,433
2	1-6	Claude Opus 5 (Max) 1	11.61%±2.03%	15.64%±4.06%	18.91%±7.40%	7.19%±4.00%	15.47%±0.87%	0.86%±0.15%	17,073
3	1-7	Claude Fable 5 (High) 1	10.58%±1.54%	7.74%±3.28%	18.90%±5.48%	13.37%±2.85%	11.98%±2.07%	0.88%±0.14%	34,905
4	2-8	GPT 5.6 Sol (xHigh) 1	9.76%±1.53%	7.89%±3.19%	22.82%±5.69%	8.38%±2.88%	8.82%±1.03%	0.89%±0.14%	28,524
5	2-9	Claude Opus 4.8 (High) 1	9.51%±1.56%	5.86%±3.09%	20.70%±5.40%	11.46%±2.88%	9.83%±1.99%	0.28%±1.04%	36,887
6	3-8	Kimi K3 (Max) 1	8.74%±0.66%	16.89%±1.34%	16.20%±2.30%	1.85%±1.29%	7.86%±0.53%	0.89%±0.14%	94,549
7	4-16	GPT 5.5 (xHigh) 1	7.89%±1.07%	2.61%±2.34%	13.34%±3.78%	8.74%±1.98%	13.88%±1.19%	0.88%±0.14%	50,040
8	2-19	Claude Sonnet 5 (High) 1	7.48%±2.17%	0.98%±4.54%	12.24%±7.47%	12.40%±4.56%	11.05%±1.64%	0.74%±0.17%	27,467
9	6-19	Claude Opus 4.7 (High) 1	6.64%±1.40%	4.09%±2.94%	10.61%±4.65%	6.39%±2.60%	11.29%±2.35%	0.80%±0.16%	36,570
10	7-20	Claude Opus 4.7 1	6.33%±1.42%	3.65%±3.05%	10.63%±4.65%	7.86%±2.61%	8.66%±2.49%	0.83%±0.15%	37,121
11	7-19	GPT 5.5 (High) 1	6.10%±1.00%	1.68%±2.13%	10.65%±3.46%	5.87%±1.80%	11.40%±1.53%	0.89%±0.14%	73,880
12	7-19	GLM 5.2 (Max) 1	6.08%±0.78%	8.49%±1.68%	10.59%±2.71%	5.45%±1.43%	4.99%±0.81%	0.89%±0.14%	65,079
13	7-20	Grok 4.5 1	6.06%±1.15%	6.01%±2.55%	5.63%±4.09%	7.20%±2.24%	10.57%±1.17%	0.89%±0.14%	34,008
14	7-20	Qwen3.8 Max 1	6.01%±1.13%	10.76%±2.43%	6.80%±3.91%	5.40%±2.25%	7.18%±1.00%	0.11%±0.27%	18,386
15	7-20	DeepSeek V4 Pro (High) (0813) 1	5.90%±1.09%	12.90%±2.25%	5.39%±3.72%	1.23%±2.43%	9.10%±0.89%	0.89%±0.14%	23,928
16	7-21	Grok 4.6 (xHigh) 1	5.76%±1.29%	11.89%±2.95%	2.52%±4.44%	3.80%±2.74%	9.70%±0.90%	0.89%±0.14%	15,090
17	8-24	Claude Opus 4.6 1	5.22%±1.34%	3.13%±2.96%	7.52%±4.49%	5.24%±2.48%	9.31%±1.84%	0.88%±0.14%	36,365
18	8-24	GPT 5.5 1	4.84%±0.88%	2.11%±1.95%	6.32%±2.97%	4.76%±1.61%	10.13%±1.17%	0.89%±0.14%	77,762
19	8-27	GLM 5.3 Flash 1	4.41%±1.37%	15.21%±2.85%	5.21%±4.56%	1.89%±2.96%	1.15%±1.28%	0.89%±0.14%	9,970
20	16-27	GLM 5.3 (Max) 1	3.82%±0.80%	12.60%±1.78%	4.23%±2.62%	0.73%±1.60%	0.65%±0.85%	0.89%±0.14%	41,022
21	17-29	GPT 5.4 (High) 1	3.25%±0.86%	2.52%±2.04%	0.11%±2.83%	4.37%±1.72%	8.57%±0.94%	0.89%±0.14%	76,973
22	19-30	Deepseek V4 Flash (High) (20260731) 1	2.97%±0.79%	7.45%±1.81%	2.61%±2.58%	0.70%±1.62%	3.24%±0.67%	0.87%±0.15%	51,219
23	17-32	GPT 5.6 Terra (xHigh) 1	2.92%±1.18%	3.10%±3.03%	1.02%±3.84%	9.42%±2.37%	8.40%±1.29%	0.89%±0.14%	16,778
24	17-33	Qwen3.8 Flash Next 1	2.44%±1.88%	12.34%±3.72%	1.59%±6.40%	1.06%±4.39%	2.92%±1.03%	0.41%±0.35%	8,777
25	12-34	Claude Opus 4.8 1	2.33%±2.60%	6.69%±3.19%	11.68%±5.32%	9.92%±2.97%	10.51%±1.84%	27.15%±10.47%	33,690
26	19-33	GPT 5.6 Luna (xHigh) 1	2.13%±1.23%	0.74%±2.92%	0.13%±3.98%	2.42%±2.57%	8.22%±1.21%	0.89%±0.14%	16,383
27	21-33	Qwen 3.8 27B 1	1.50%±1.17%	7.24%±2.67%	1.39%±3.90%	0.20%±2.39%	1.49%±1.05%	0.16%±0.25%	16,060
28	19-37	Kimi K2.7 Code 1	1.38%±2.48%	2.15%±5.45%	1.19%±8.44%	5.26%±5.45%	2.56%±2.76%	0.89%±0.14%	11,142
29	23-34	Muse Spark 1.2 (xHigh) 1	0.97%±1.12%	6.38%±2.81%	6.40%±3.36%	5.49%±2.42%	9.47%±1.38%	0.88%±0.15%	18,416
30	23-33	Gemini 3.7 Flash (High) 1	0.96%±0.90%	9.83%±2.11%	1.60%±2.91%	5.19%±1.89%	0.93%±1.05%	0.82%±0.15%	24,413

この表の見方

• 順位 / 順位レンジ：Arena AI がエージェントタスク対戦投票に基づいて推定した相対順位；順位区間は、信頼範囲内での順位変動を示します。
• 純改善率：ベースラインと比べた、複数ターンのツール呼び出し / エージェントタスクにおける純改善幅。
• 確認成功率：タスク完了後にユーザーが成功（いいね）と確認した割合。
• いいね/低評価比：回答に対するユーザーの「いいね」と「低評価」の比率で、主観的な満足度を反映します。
• 制御性：モデルが指示に従い、安定した出力を維持する能力。
• Bash回復率：Bash / コマンドライン操作でエラーが発生した後に自己回復できる割合。
• ツール幻覚率：モデルが存在しないツールをでっち上げたり、呼び出したりする割合。低いほど良いです。
• セッション数：サンプル数の目安です。サンプルが少ないほど、順位は通常変動しやすくなります。

モデル選択時にもう一度確認する3つのこと

1. Provider が実際にこのモデルを提供しているか、またあなたの地域やアカウントで利用可能か；
2. API価格、レート制限、コンテキストがあなたのタスクに適しているか；
3. 3～5個の実際のタスクで小規模テストを行い、総合ランキングの順位だけを見ないこと。

データソース

データは Arena AI 公式エージェントランキング、GitHub Actions により毎日更新されています。モデル価格、ライセンス、機能はモデル提供元の公式情報を基準にしてください。