LLMリーダーボード & AIモデルランキング
主要なAIベンチマークとリーダーボード — Chatbot Arena Elo（arena.ai）、Artificial Analysis Intelligence IndexとSpeech Arena、そしてOpenRouterの利用状況 — を、チャット、コーディング、TTS、音声認識、画像、動画、エージェントの各分野にわたって1ページに集約しています。
| 順位 | モデル | ベンダー | Elo ? | 投票数 ? | Input ? | Output | Cache ? |
|---|---|---|---|---|---|---|---|
| 1 |  gpt-5.6-sol-xhigh | OpenAI | 1257 ±7 | 29,663 | 2.00 | 10.0 | 0.200 |
| 2 |  claude-opus-4-6-search | Anthropic | 1253 ±5 | 134,699 | 5.00 | 25.0 | 0.500 |
| 3 | gpt-5.5-search | OpenAI | 1242 ±5 | 89,873 | 5.00 | 30.0 | 0.500 |
| 4 | claude-opus-4-7 | Anthropic | 1233 ±5 | 91,394 | 5.00 | 25.0 | 0.500 |
| 5 | claude-fable-5-high | Anthropic | 1230 ±8 | 41,795 | 10.0 | 50.0 | 1.00 |
| 6 |  ernie-5.1 | Baidu | 1227 ±10 | 3,788 | — | — | — |
| 7 | claude-sonnet-4-6-search | Anthropic | 1221 ±5 | 134,905 | 3.00 | 15.0 | 0.300 |
| 8 |  grok-4.5 | SpaceXAI | 1213 ±7 | 31,505 | 2.00 | 6.00 | 0.300 |
| 9 |  gemini-3.1-pro-grounding | 1210 ±5 | 113,282 | 2.00 | 12.0 | 0.200 | |
| 10 | gemini-3-pro-grounding | 1207 ±6 | 37,024 | — | — | — | |
| 11 | gpt-5.2-search | OpenAI | 1207 ±6 | 52,712 | 1.75 | 14.0 | 0.175 |
| 12 | claude-opus-4-8 | Anthropic | 1204 ±6 | 70,998 | 5.00 | 25.0 | 0.500 |
| 13 | grok-4.20-multi-agent-beta-0309 | SpaceXAI | 1204 ±5 | 109,553 | 1.25 | 2.50 | 0.200 |
| 14 | gpt-5.1-search | OpenAI | 1199 ±5 | 59,909 | 1.25 | 10.0 | 0.125 |
| 15 | gemini-3-flash-grounding | 1198 ±5 | 149,334 | 0.500 | 3.00 | 0.050 | |
| 16 | gpt-5.4-search | OpenAI | 1197 ±5 | 110,116 | 2.50 | 15.0 | 0.250 |
| 17 | claude-sonnet-5-search | Anthropic | 1194 ±7 | 40,230 | 2.00 | 10.0 | 0.200 |
| 18 | grok-4.20-beta1 | SpaceXAI | 1189 ±6 | 53,921 | 1.25 | 2.50 | 0.200 |
| 19 | claude-opus-4-5-search | Anthropic | 1180 ±6 | 61,573 | 5.00 | 25.0 | 0.500 |
| 20 | gpt-5.2-search-non-reasoning | OpenAI | 1172 ±6 | 75,658 | — | — | — |
| 21 | grok-4-1-fast-search | SpaceXAI | 1171 ±5 | 81,507 | — | — | — |
| 22 | grok-4-fast-search | SpaceXAI | 1171 ±5 | 41,794 | — | — | — |
| 23 | grok-4.3 | SpaceXAI | 1165 ±5 | 91,483 | 1.25 | 2.50 | 0.200 |
| 24 | claude-sonnet-4-5-search | Anthropic | 1158 ±5 | 127,378 | 3.00 | 15.0 | 0.300 |
| 25 | claude-opus-4-1-search | Anthropic | 1148 ±5 | 76,933 | 15.0 | 75.0 | 1.50 |
| 26 | o3-search | OpenAI | 1144 ±5 | 20,644 | 2.00 | 8.00 | 0.500 |
| 27 | gemini-2.5-pro-grounding | 1142 ±5 | 83,404 | 1.25 | 10.0 | 0.125 | |
| 28 | grok-4-search | SpaceXAI | 1142 ±6 | 19,108 | — | — | — |
| 29 |  ppl-sonar-reasoning-pro-high | Perplexity AI | 1139 ±6 | 29,055 | 2.00 | 8.00 | — |
| 30 | gpt-5-search | OpenAI | 1133 ±6 | 20,781 | 1.25 | 10.0 | 0.125 |
| 31 | ppl-sonar-pro-high | Perplexity AI | 1130 ±6 | 28,519 | 3.00 | 15.0 | — |
| 32 | claude-opus-4-search | Anthropic | 1126 ±5 | 31,037 | — | — | — |
| 33 |  diffbot-small-xl | Diffbot | 1023 ±8 | 6,388 | — | — | — |
| 34 | api-gpt-4o-search | OpenAI | 1006 ±11 | 3,411 | 2.50 | 10.0 | 1.25 |
ソース: arena.ai · 更新日 Aug 24, 2026 · PandaNpc 更新日 2026年10月13日 06:00 UTC完全なリーダーボードを見る →
数字の見方
LLMリーダーボードは、人々がどのモデルを好むかを示します。AIベンチマークは、モデルが客観的に何ができるかを示します。利用データは、開発者が実際にリリースしているものを示します。どの単一のランキングも「どのAIモデルが最良か」に答えられるものではないため、このページでは、arena.aiのChatbot Arena Elo、Artificial Analysis Intelligence Indexと音声アリーナ、OpenRouterのtokenシェアという3つを集約し、毎日更新しています。
arena.ai（旧LMArena）は、ユーザーに同じプロンプトに対する2つの匿名の回答を表示し、どちらかを選んでもらいます。その対戦からEloレーティングを算出します。これは、ユーザーがどちらの回答を好むかを測定するものであり、客観的な能力を測るものではありません。好まれるスタイルが勝つことがあり、厳密だが冗長な回答は負けることがあります。
投票数はモデルが蓄積したバトル数です。新しくリストされたモデルは投票数が少なく信頼区間が広いため、ランクが変動しやすくなります。常にランクを±区間と一緒に読んでください。
エージェントボードは他のボードとは異なる動作をします：ブラインド投票の選好ではなく、実際のエージェントセッションを測定します。その主要指標であるNet Improvementはパーセンテージの増加であり、Eloレーティングではないため、ボード間で比較できません。arena.aiは完全なリーダーボードで、さらに5つの次元（Confirmed Success、Steerability、Bash Recoveryなど）も報告しています。
利用状況ボードはOpenRouterから提供され、実際のAPIトークンシェアをカウントしています — 開発者がウォレットで投票しており、主観的な好みのボードを補完します。
スピーチボードはArtificial Analysisに由来します。TTSはブラインドリスニングのSpeech Arena Eloを使用し、ASRはAA-WER v2を使用します（低いほど優れています）。ネイティブSpeech-to-SpeechはBig Bench Audio、Full Duplex Bench、τ-Voiceの等加重複合スコアを使用します（高いほど優れています）。スコアは同じボード内でのみ比較してください。出典: artificialanalysis.ai
Intelligence IndexボードはArtificial Analysisから提供されています。多くの公開ベンチマークを0-100のIntelligence Indexに集約し、主観的な好みではなく客観的な能力を測定します。これはarena.aiの人間によるブラインド投票に対する自然な補完です。出典: artificialanalysis.ai。