【2026年版】AIモデルのランキングサイトまとめ

2026年7月12日 2026年7月14日

ryotarohoshina

生成AIのモデルは毎月のように新しいものがでてきます。

システムに組み込む上では、開発元情報からモデルの特徴や長所、ベンチマーク結果などからそのアプリケーションに適しているかを判断することになるかと思います。

しかしながら、各社のモデル発表時には自社でのベンチマーク結果を公表し、自分に有利な測り方や見せ方を選ぶため、先述の情報収集に加え、第三者が同じ条件で比較を行う独立系ベンチマークサイトの情報も重要となります。

独立系のベンチマークサイトにも色々と種類があり、各サイトの特性を理解した上で情報の収集が必要であり、本記事では、どのような比較サイトがあり、それぞれどのような特性なのか、具体的な使い方などを整理します。

主要サイトの全体像

比較サイトは、測り方の違いで大きく４タイプに分けられます。

１．標準化テスト型ー Artificial Analysis

この分野の定番サイトで、2023年にシドニーで創業された独立系企業が運営しています。
すべてのモデルを標準化された同一手法で評価します。

最大の特徴は、賢さ（Intelligence Index）だけでなく、速度（トークン生成速度）、レイテンシ、価格まで比較できること。性能と速度のバランスを考慮した実運用の判断ができます。

企業や開発者がモデル選定でまず参照するサイトと言えます。

２．人間投票型 — LMArena（旧 LMSYS Chatbot Arena）

UCバークレー発の研究プロジェクトから生まれたプラットフォームで、2026年1月に「Arena」へリブランドし、評価額17億ドルのユニコーン企業になりました。

仕組みはユーザーが質問を投げると２つの匿名モデルが回答し、良い方に投票。数千万票をEloレーティングで集計。測っているのが能力ではなく人間の好みなので、実際の使い勝手や会話の自然さを知りたいときに最適です。

３．実利用データ型 — Kilo

コーディング特化のモデルランキング。ベンチマークではなく、300万人以上のkilo code利用者がどのモデルを使用しているか（トークン利用量）をライブ集計し、５分ごとに更新。現場で選ばれているモデルがわかる。

４．学術・俯瞰型 — Stanford HAI「AI Index Report」

スタンフォード大学の年次レポート。個別モデルの順位づけではなく、業界全体のトレンド（オープンモデルとクローズドモデルの差、米中の競争状況など）を中立的なデータでまとめます。

営利目的でないため信頼性は最高クラスですが、年1回の更新なので最新のモデルのランキングを知る用途には向きません。

このほか、LLM-Stats、Vellum、BenchLM など、公開ベンチマークを集約して横断表示するサイトも複数あります。

用途別・見るべき指標

モデルの選定の際には、総合ランキングだけを見るのはおすすめしません。総合スコアは数学・コーディング・知識など多くの評価の平均なので、個別の弱み強みが隠れてしまうからです。

用途に近い個別指標を見るのがおすすめです。

チャットボット・会話AIを作る場合には、

LMArena のカテゴリ別リーダーボード（ Instruction Following やマルチターン会話、雑談系なら Creative Writing）が参考になります。

Artificial Analysis では、τ³-Bench（タウスリー・ベンチ）のような対話型エージェント評価が実務に近い指標です。これは銀行・通信・航空・小売のカスタマーサポート現場を模した環境で、AIエージェントがシミュレートされた顧客と複数ターンの会話をしながら、規約を守りつつツールを正しく使って問題を解決できるかを測るものです。

コーディング用途なら、

SWE-Bench などのコーディング系ベンチマークに加え、Kilo で「実際に開発者が選んでいるモデル」を確認するのが実践的です。

日本語など多言語で使うなら、

Artificial Analysis の Multilingual Index や、多言語指示追従を測る研究系ベンチマーク（Multi-IF、XIFBench など）が参考になります。英語ランキングの順位がそのまま日本語性能とは限りません。

コスト重視なら、

Artificial Analysis の「タスクあたりのコスト」「出力トークン数」の指標が効きます。スコアは高いが推論トークンを大量に消費するモデルは、大量のやり取りが発生する用途では割高になります。