--- title: "AI モデル指標源 10選｜信頼できるベンチマーク・比較サイトの読み方 - ai-garage" description: "Artificial Analysis、LMArena、SWE-Bench、Aider Leaderboard など、AI モデル選定で参照すべき信頼できる10個の外部指標源を、ai-garage 編集部が『何を測るか・いつ見るか・何を信じすぎちゃダメか』の3軸で整理。" source: https://ai-garage.jp/data-sources/ --- DATA SOURCES GUIDE # AI モデル指標源10選 AI ベンダーは自社ベンチで好スコアを並べがちですが、本当に頼れるのは独立した第三者指標。 Artificial Analysis、LMArena、SWE-Bench、Aider Leaderboard などの世界的に参照される 指標源を、ai-garage 編集部が「何を測るか・いつ見るか・何を信じすぎちゃダメか」の3軸で整理しました。 総合 ## Artificial Analysis 公式サイトへ → 📏 何を測る？ AI モデルの知能・速度・価格を独立計測。Intelligence Index（総合スコア）が代表指標 🎯 いつ見る？ 『総合的にどのモデルが上か』を即答したい時。月次でアップデートされるので最新動向確認にも ⚠️ 何を信じすぎちゃダメ？ 総合スコアなので個別タスク性能（特に日本語）は別途確認が必要 [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/artificial-analysis/) 人間評価 ## LMArena（Chatbot Arena） 公式サイトへ → 📏 何を測る？ 人間が2モデルの回答を匿名比較投票、Elo レーティング方式でランキング 🎯 いつ見る？ 『実際の使い心地』を知りたい時。ベンチ高得点なのに使うとイマイチ系モデルを見破れる ⚠️ 何を信じすぎちゃダメ？ 投票者の偏り（英語ネイティブ多め、技術者多め）あり。日本語タスクは別途確認 [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/lmarena/) コーディング実用 ## Aider Polyglot Leaderboard 公式サイトへ → 📏 何を測る？ AI コーディングツール Aider が実バグ修正タスクで AI の対話型コード修正力を測定 🎯 いつ見る？ Claude Code・Cursor・Codex 等のコーディング AI を選ぶ時。実体験との相関が高い ⚠️ 何を信じすぎちゃダメ？ Python / JS / Rust / Go / C++ など特定言語のみ。Web フロント系は別指標を併用 [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/aider-leaderboard/) 実コード修正 ## SWE-Bench Verified 公式サイトへ → 📏 何を測る？ 実 OSS プロジェクトの GitHub Issue を AI が自動修正できるかを測る業界標準ベンチ 🎯 いつ見る？ コーディング AI の『真の実力』を見たい時。SWE-Bench Verified は OpenAI 監修の精選版 ⚠️ 何を信じすぎちゃダメ？ Python リポジトリ中心、修正タスク特化。新規ゼロから書く能力は別途必要。2026年の新モデルは Verified の値を公表しないことが多く（2026年10月9日時点で、当サイトの比較表で値があるのは Gemini 3.1 Pro だけ）、Claude Opus 5.5 などはより難しい SWE-bench Pro の値を出している [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/swe-bench/) 推論限界 ## Humanity's Last Exam (HLE) 公式サイトへ → 📏 何を測る？ 数学・物理・哲学・歴史など各分野の専門家が作成した『人類最後の試験』、超難問集 🎯 いつ見る？ じっくり考えてから答えるモデル（GPT-6 系・Claude 5.5 系・Gemini Deep Think など）の進歩を測る時 ⚠️ 何を信じすぎちゃダメ？ 公表値で60%を超えるモデルも出ている（Claude Opus 5.5 は検索などの道具なしで64.4%、道具ありで67.7%。2026年9月の Anthropic 公表値）。道具の有無で点数が変わるので、条件をそろえて比べる。日常用途には過剰 [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/hle/) 汎用推論 ## ARC-AGI / ARC-AGI 2 公式サイトへ → 📏 何を測る？ François Chollet 設計、視覚パターンから抽象ルールを推論する『AGI 到達指標』 🎯 いつ見る？ AGI 議論の文脈で『人類と AI の差』を見る時。学習データに無いタイプの推論力評価 ⚠️ 何を信じすぎちゃダメ？ ベンチ特化最適化が起きやすい。ARC-AGI 2 はそれを警戒した改訂版 博士レベル ## GPQA Diamond 公式サイトへ → 📏 何を測る？ 物理・化学・生物の博士課程レベルの問題、ネット検索しても答えが出ない設計 🎯 いつ見る？ 推論モデルの専門知識深度を測る時。リサーチ業務での AI 活用判断に ⚠️ 何を信じすぎちゃダメ？ 理系特化、人文系・ビジネス系の能力は測れない [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/gpqa/) 数学 ## AIME 公式サイトへ → 📏 何を測る？ アメリカ高校数学オリンピック予選問題。推論モデルの数学力比較で必須指標 🎯 いつ見る？ 推論モデルが数学・論理問題でどれだけ伸びてるか測る時 ⚠️ 何を信じすぎちゃダメ？ 高校数学範囲、研究レベル数学（IMO や FrontierMath）はまた別物 [ai-garage 用語集で詳しく見る →](https://ai-garage.jp/glossary/aime/) 総合学力 ## MMLU / MMLU Pro 公式サイトへ → 📏 何を測る？ 57 科目の選択式問題で AI の総合知識・推論力を測る古典ベンチマーク 🎯 いつ見る？ モデル間の『基礎学力』比較に。最新モデルは MMLU で90%超え、MMLU Pro で識別力を担保 ⚠️ 何を信じすぎちゃダメ？ 選択式なのでチート可能性、最近のモデルでは差が出にくい。現行の Intelligence Index（v4.3.2）の10評価には含まれない リアルタイムコード ## LiveCodeBench 公式サイトへ → 📏 何を測る？ AtCoder / LeetCode 等の競プロ問題から AI を学習データに含まれない直近問題でテスト 🎯 いつ見る？ 競プロ・アルゴリズム実装能力を見たい時。汚染（contamination）を避けた評価が魅力 ⚠️ 何を信じすぎちゃダメ？ 競プロ特化なので、業務コード（API 設計・リファクタ等）の実力とは別軸 📖 HOW TO USE ## 指標源を使い分ける、編集部の3ステップ STEP 1 ### 『総合スコア』でショートリスト Artificial Analysis の Intelligence Index を見て、検討候補を 3〜5 モデルに絞る。 上位モデルが大きく動いていないか月1回チェックすると業界変動が掴める。 STEP 2 ### 『用途別』で個別ベンチ確認 コーディングなら Aider Leaderboard と SWE-Bench Verified、 リサーチなら GPQA / HLE、数学なら AIME。 『何のために AI を使うか』が決まっていれば、見るべき指標は1〜2個に絞れる。 STEP 3 ### 『使い心地』を LMArena で照合 ベンチで高得点だが LMArena で順位が低いモデルは、 『難問は解けるが普段使いの会話で違和感がある』タイプ。 最終判断前に必ず人間評価ボードを照合すること。 **編集部からひとこと：** 指標は『候補を絞る一次フィルタ』として使うのが正解。最終判断は自社業務での PoC が必須です。 ai-garage の [AIモデル比較表](https://ai-garage.jp/compare/) も、 上記指標を組み合わせた編集部独自集計です。