X SENTIMENT LAB
てんびん丸総研
AIモデルの「Xの評判」定点観測
ベンチマークの数字だけでは、そのAIが「使っていて気持ちいいか」は分かりません。 総研では、主要AIモデルへの X 上の日本語の声を毎週同じ方法でサンプル分析し、 評判スコアとして横並び比較します。
最新調査週: 2026-10-12 〜 2026-10-19 ／ 分析サンプル: n=414 ／ 対象: 21モデル（ai-garage.jp調べ）
THIS WEEK
今週のX評判スコア
スコア＝ポジティブな声の割合（ポジ÷[ポジ＋ネガ]×100）。「—」は判定材料5件未満。
#1 Claude Opus 5.5 96 ／100（n=29） +26 / -1 / 2
👍 精度・体感が良い👍 動画・演出作成優秀👍 コード・エージェント強い 👎 AI特有のミス
#2 Claude Haiku 5.5 95 ／100（n=24） +18 / -1 / 5
👍 コストが大幅に安い👍 定型・軽い作業に強い👍 速度が向上した 👎 複雑タスクで精度低下👎 記憶保持の弱さ
#3 Gemini 3.8 Flash 89 ／100（n=21） +16 / -2 / 3
👍 雑用・ITサポートに強い👍 実装・校正に適する👍 実用的アドバイス 👎 ゲーム作成時のバグ見落とし👎 TTS多用で課金負担
#4 DeepSeek V4.1-Flash 88 ／100（n=36） +21 / -3 / 12
👍 安くて性能良い👍 クオリティが高い👍 すごい 👎 トークン効率悪い👎 時間がかかる👎 ミスが目立つ
#5 Qwen3.8-Flash 85 ／100（n=32） +22 / -4 / 6
👍 低VRAMで大規模モデル動く👍 速度が速く実用的👍 優秀で使えるレベル 👎 日本語能力が微妙👎 安定性・クラッシュ👎 速度が遅い場合あり
#6 Claude Fable 5.1 85 ／100（n=25） +17 / -3 / 5
👍 仮想ドラフト作成の詳細さ👍 コーディング業務の自律実行 👎 相性悪い👎 手際が悪い👎 AIにこき使われる
#7 Claude Sonnet 5.5 78 ／100（n=22） +14 / -4 / 4
👍 コスパ最強👍 事務作業自動化に優秀👍 賢さの進化 👎 ミスが多い👎 ポンコツ👎 精度が低い
#8 GPT-6 Astra 76 ／100（n=21） +13 / -4 / 4
👍 動画編集の高速・高品質👍 詳細分析・診断が優秀👍 作業の自律性向上 👎 主張が弱く分かりにくい👎 人間味を失う傾向👎 利用コストの高さ
#9 GLM-5.3-Flash 75 ／100（n=35） +24 / -8 / 3
👍 トークン効率・安定性良い👍 速度・満足度高い👍 ベンチマークで優秀 👎 速度が遅い👎 日本語品質が悪い👎 エラー・ミス多発
#10 Grok 4.7 75 ／100（n=17） +12 / -4 / 1
👍 コーディング支援👍 自然な応答👍 問題解決 👎 回答の雑さ👎 挙動が不安定👎 ツール相性悪い
#11 Gemini 4 Argon 68 ／100（n=23） +15 / -7 / 1
👍 コード生成が優秀👍 性能が大幅向上👍 賢くなった 👎 微妙な点が多い👎 制限が厳しい👎 期待外れの印象
#12 GPT-6 Luna 67 ／100（n=31） +18 / -9 / 4
👍 コスパが良く安い👍 性能が高く賢い👍 無料版でも強い 👎 文章が微妙でお馬鹿👎 事実誤りや言い過ぎ👎 精度低い
#13 GPT-6.1 Sol（ChatGPT） 64 ／100（n=25） +16 / -9 / 0
👍 会話・業務が便利👍 すごい・優秀👍 使用量効率が最高 👎 回答がイマイチ・微妙👎 微妙に違う・違和感👎 指示の工夫が必要
#14 Qwen3.8-Max 60 ／100（n=14） +6 / -4 / 4
👍 日本語の通じやすさ👍 オンプレでの精度👍 音声処理パイプライン活用 👎 日本語の質の悪さ👎 ネイティブ対応の微妙さ👎 Qwenが好きじゃない
#15 Muse Spark 1.3 60 ／100（n=11） +6 / -4 / 1
👍 即戦力で賢い👍 使い勝手が良い👍 費用節約効果 👎 無料期間終了👎 使えなくなる残念👎 特定タスクで弱い
#16 Kimi K3 56 ／100（n=9） +5 / -4 / 0
👍 コーディングに強い👍 業務自動化で採用👍 レポート作成に便利 👎 性能不足👎 無料API消失👎 Geminiから不満
#17 GLM-5.3 46 ／100（n=13） +6 / -7 / 0
👍 良いモデル👍 安定感が強い👍 コーディング活用で便利 👎 認知ドリフト👎 コンテキスト短い👎 あまり良くない
#18 Gemini 3.5 Flash-Lite 45 ／100（n=23） +10 / -12 / 1
👍 滑らかな対話・気づき👍 リミットが遅い👍 軽い用途大量使用に適する 👎 性能が悪い👎 認識が不安定👎 コーディング性能が低い
#19 Mistral Large 4 — ／100（n=3） +2 / -0 / 1
👍 論理的で正確👍 論理的で間違いが少ない
#20 GPT-5.6 Terra — ／100（n=0） +0 / -0 / 0
#21 Llama 4 Maverick — ／100（n=0） +0 / -0 / 0
TREND
評判スコアの推移
週次の定点観測。同じ方法で測り続けるから比較できる。
| モデル | 2026 W43 | 2026 W42 | 2026 W41 | 2026 W40 | 2026 W39 | 2026 W38 | 2026 W37 | 2026 W36 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 5.5 | 96 | 83 | 96 | 100 | 38 | 73 | 81 | 67 |
| Claude Haiku 5.5 | 95 | 85 | — | — | — | — | — | — |
| Gemini 3.8 Flash | 89 | 36 | 56 | 88 | 90 | 83 | 85 | 82 |
| DeepSeek V4.1-Flash | 88 | 84 | 84 | 88 | 68 | 85 | 74 | 35 |
| Qwen3.8-Flash | 85 | 79 | — | — | — | — | — | — |
| Claude Fable 5.1 | 85 | 67 | 33 | 80 | 85 | 78 | 61 | 55 |
| Claude Sonnet 5.5 | 78 | 68 | 100 | 50 | 59 | 75 | 57 | 60 |
| GPT-6 Astra | 76 | 41 | 86 | 56 | 65 | 82 | 86 | — |
| GLM-5.3-Flash | 75 | 91 | — | — | — | — | — | — |
| Grok 4.7 | 75 | 62 | 44 | 85 | 64 | 52 | 38 | 68 |
| Gemini 4 Argon | 68 | 47 | 41 | 21 | 50 | 37 | 33 | 50 |
| GPT-6 Luna | 67 | 75 | — | — | — | — | — | — |
| GPT-6.1 Sol（ChatGPT） | 64 | 55 | 60 | 54 | 73 | 61 | 75 | 94 |
| Qwen3.8-Max | 60 | 57 | 72 | 88 | 40 | 76 | 75 | 83 |
| Muse Spark 1.3 | 60 | 50 | 82 | 77 | 62 | 78 | 81 | — |
| Kimi K3 | 56 | 50 | 60 | 82 | 78 | 84 | 81 | 100 |
| GLM-5.3 | 46 | 57 | 79 | 90 | 67 | 84 | 85 | — |
| Gemini 3.5 Flash-Lite | 45 | 13 | 12 | 33 | 50 | 74 | 43 | 80 |
| Mistral Large 4 | — | — | — | — | — | 0 | — | — |
| GPT-5.6 Terra | — | 75 | — | — | — | — | — | — |
| Llama 4 Maverick | — | — | — | — | — | — | — | — |
METHOD
調査方法と読み方の注意
Grok（x_search）で過去7日の日本語Xポストを、モデルごとに3つの角度（感想・活用報告・他モデル比較）から検索してサンプル収集し、ポジ・ネガ・中立をLLM分類した傾向値。全数調査ではなく、角度間の重複除外も完全ではありません。評判スコア＝ポジ÷（ポジ＋ネガ）×100（判定5件未満は「—」）。
n はサンプル数（実際に分類できたポスト数）です。全数調査や統計的世論調査ではなく、 その週のXの空気感をつかむための傾向値として読んでください。言及数が少ないモデルはスコアのブレが大きくなります。
毎週同じ方法・同じ基準で測り続ける「定点観測」であることが本調査の価値です。 ベンチマークの数字（比較表）と、 使った人の声（本調査）の両方で選ぶのがおすすめです。個別の1対1比較は モデル対決の各ページにも表示しています。
よくある質問
- Q.評判スコアはどう計算していますか？
- A.ポジティブな声の割合です。ポジ÷（ポジ＋ネガ）×100 で出していて、中立の声は分母に入れていません。判定できた材料が5件に満たないモデルはスコアを出さず「—」と表示します。最新の調査週（2026-w43）でいちばん高いのは Claude Opus 5.5 の 96 です。
- Q.サンプル数はどれくらいですか？
- A.最新の調査週（2026-w43）は全体で n=414 件、対象は21モデルです。モデルごとのサンプル数は0〜36件で、各モデルの行に n= として出しています。週によって集まる件数は変わります。
- Q.どうやって声を集めていますか？
- A.Grok（x_search）で過去7日の日本語Xポストを、モデルごとに3つの角度（感想・活用報告・他モデル比較）から検索してサンプル収集し、ポジ・ネガ・中立をLLM分類した傾向値。全数調査ではなく、角度間の重複除外も完全ではありません。評判スコア＝ポジ÷（ポジ＋ネガ）×100（判定5件未満は「—」）。
- Q.主観や偏りは入りませんか？どこまで信じていいですか？
- A.全数調査でも統計的な世論調査でもありません。その週のXの空気感をつかむための傾向値として読んでください。検索の角度どうしの重複除外も完全ではなく、言及数が少ないモデルはスコアのブレが大きくなります。スコアの高い・低いだけで決めず、ベンチマークの数字（比較表）とあわせて見るのがおすすめです。
- Q.どのくらいの頻度で更新していますか？
- A.毎週1回、同じ方法・同じ基準で調べています。最新の調査週は 2026-10-12 〜 2026-10-19（2026-w43）で、いまは11週ぶんの記録があります。収集できなかった週（2026年のw32〜w34など）は、前の週の値で埋めたりせず欠測としてそのまま残しています。推移表には直近8週ぶんまでを並べています。
あわせて読む