artificialanalysis.aiは2026年11月16日(現地時間)、大規模言語モデル(LLM)の独立した性能ベンチマークと、APIプロバイダーが提供するモデルごとの価格を比較した「LLM Performance Leaderboard」を公開した。この包括的なリーダーボードでは、各モデルの知能指数、タスクあたりのコスト、タスク処理にかかる時間、初回応答までの時間、エラー率といった多角的な指標に基づいて性能が評価されている。
公開されたリーダーボードでは、Intelligence Indexにおいて、AnthropicのClaude Fable 5.2 (max)が65ポイントで最上位を占めた。同モデルのタスクあたりのコストは26.54ドル、タスクあたりの所要時間は41.1分、初回応答までのトークン生成時間は214.30秒、エラー率は1.0%と示されている。
OpenAIのGPT-6.2 Astra (max)もIntelligence Indexで62ポイントを獲得し、タスクあたりのコストは4.00ドル、所要時間は12.9分、初回応答までの時間は170.99秒、エラー率は7.5%であった。GoogleのGemini 4 Carbon (high)はIntelligence Index 60ポイント、タスクあたりのコスト7.76ドル、所要時間34.5分、初回応答までの時間74.86秒、エラー率17.3%と評価された。
このリーダーボードには、Anthropic、OpenAI、Googleのほか、アマゾン ベドロック(Amazon Bedrock)、マイクロソフト アジュール(Microsoft Azure)、Meta、アリババクラウド(Alibaba Cloud)、スペースXAI(SpaceXAI)、テンセント(Tencent)などの主要なAPIプロバイダーが提供するモデルが網羅されている。また、データブリックス(Databricks)が提供する「Kimi K3.1 Pro」や、ディープシーク(DeepSeek)が提供するDeepSeek V4.1 Flash 1017などのオープンモデルプロバイダーの製品も含まれている。
参考: artificialanalysis.ai — 2026年11月16日 15:25 (JST)
原文ハイライト"Artificial Analysis LLM Performance Leaderboard"