Artificial Analysisとは？

Artificial Analysis（artificialanalysis.ai）は、世界中の AI モデルの性能・速度・価格を独立に計測・公開する第三者ベンチマークサイトです。 Intelligence Index（総合知能スコア）・Output Speed（1秒あたりに出てくるトークン数＝TPS）・ Time to First Token（最初の1文字が返るまでの秒数）・Price（入力／出力／混合）・Cost per Task（1タスクあたりの費用）を、 すべて同じ条件で測って横並びにしています。 看板指標の Intelligence Index は 2026年10月9日時点で v4.3.2（9月19日更新）です。単独のテストではなく、 エージェント（30%）・一般知識（30%）・コーディング（20%）・科学的推論（20%）の4分野・ 合計10の評価を重み付けして平均した合成スコアです。 内訳は AA-Briefcase v1.1・GDPval-AA v2.1・AutomationBench-AA（エージェント）、AA-Omniscience・GDP.pdf・AA-LCR v1.1（一般知識）、 Terminal-Bench v4.0 と SciCode（コーディング）、HLE・CritPt（科学的推論）。 つまり「1つのテストの点数」ではなく「10科目の総合点」なので、 用途が偏っている場合は総合点だけでなく該当分野の内訳まで見るのが正しい読み方です。 v4.3.2 は評価の顔ぶれも配分も9月8日の v4.3 と同じで、GDPval-AA と AA-Briefcase の採点のしかたを改めて全モデルを採点し直したものです。 その前の v4.2 は分野の配分は同じでしたが、v4.3 で 𝜏³-Banking が外れて AutomationBench-AA が入り、 Terminal-Bench が v2.1 から v4.0 になりました。さらにその前の v4.1.1 は9評価 （エージェント34%・コーディング24%・科学的推論24%・一般知識18%）で、v4.2 のときに GPQA Diamond が外れ、 AA-Briefcase と GDP.pdf が加わっています。 スコアの絶対値については注意点があります。「0〜100点の何点」という読み方はできません。 0〜100 に正規化していると明記した公式資料は見つかっておらず、 実際 2026年10月9日時点の最上位でも 58（Claude Opus 5.5）で、100 に近づいているモデルはありません。 数字が大きいほど上位、という相対的な順位付けとして読むのが正しい使い方です。 2026年10月9日時点の Intelligence Index では、9月22日公開の Claude Opus 5.5 が 58（v4.3.2・max 設定）で最上位です（AA の表記で204モデル中1位）。 ai-garage の比較表に載せているモデルの中では、次が9月28日公開の Claude Sonnet 5.5 の 56（max 設定）で、 Claude Fable 5.1 と GPT-6 Astra の 53、GPT-6.1 Sol の 52 と続きます （前世代の Claude Opus 5 は 51、10月7日公開の軽量モデル Claude Haiku 5.5 は 43。比較表に載せていない限定提供の Gemini 4 Argon も 53 です。 いずれも v4.3.2 の値で、AA の該当モデルページで確認できます。上位10モデルの表はこのページの下にあります）。 なお版が上がると全モデルの点数がまとめて動きます。Fable 5.1 は v4.1.1 で 66、v4.2 で 57、v4.3 と v4.3.2 で 53 でした。 モデルが劣化したのではなく、ものさしの目盛りが変わっただけなので、 他サイトの数字と見くらべるときは版をそろえてください。参考に主な数字を挙げると、 Anthropic の公式システムカードでは Opus 5 の SWE-bench Verified が 96.0% ですが、 AA が独自に実測した Humanity's Last Exam は、当サイトの確認時点で 52.6% と、Anthropic 公表の 56.3%（ツールなし）とは差がありました（AA の値は再計測で動くので、最新の値は AA のページで確認してください）。 同じモデル・同じベンチでも「公式発表」と「第三者実測」で数字がずれる——これが AA を見る一番の理由です。ただしスコアは新モデルの追加と再計測で動くので、 順位を判断材料にするときは AA 側の最新値か、ai-garage の比較表（月次更新）で日付を確認してください。 「◯モデル中◯位」という順位表記には、もうひとつ落とし穴があります。 AA のリーダーボードは1モデル1行ではなく、「考える量の設定ごとに別の行」になっているためです。 2026年9月11日に確認したところ、Claude Fable 5.1 は max / xhigh / high / medium / low の5行、 GPT-6 Astra は6行（非推論モードを含む）が別々に並んでいました。 この日に Intelligence Index が付いていた行は110行で、設定違いをまとめたモデル名では76でした。 そのため同じモデルでも、行で数えるか・モデルで数えるかで順位が変わります。 たとえば Muse Spark 1.3 はこの日、行で数えると13位、モデル単位で数えると5位でした。 さらに表示対象そのものが入れ替わります。Llama 4 Maverick はこの間スコア 9 のまま動いていないのに、 2026年9月8日には「130モデル中112位」、9月11日には「110行中100位」でした。 9月23日には AA がこのモデルの値を推定値（10）として扱うようになり、順位の対象から外れています。 同じ9月23日、Claude Opus 5.5 の順位はリーダーボードでは「168モデル中1位」、モデルページでは「212モデル中1位」と、ページによって母数まで違っていました。 当サイトが順位より「スコアと版と確認日」を優先して書いているのはこのためです。 他サイトで順位を見かけたときも、母数がどう数えられているかまで確認してください。 ChatGPT・Claude・Gemini・Llama・DeepSeek など主要モデルを継続的に追加・更新していて、 OpenAI・Anthropic・Google など各社が自社ベンチで好スコアを出した時の「クロスチェック源」として広く参照されます。 ai-garage の比較表でも、各社が数値を公表していない項目を確認したり、公式発表の値と第三者実測値を突き合わせる基準として使っています。