AIモデルベンチマーク（2026年8月）：オープンウェイトモデルが最先端モデルに迫る

BenchLMリーダーボードは、2026年8月5日に8月版ランキングを更新しました。追跡対象となる全379モデルのうち、104モデルが「Supported」、111モデルが「Estimated」として掲載されています。データからは、2026年初頭から続く明確な傾向が見えてきます。オープンウェイトモデルは品質面でフラッグシップのクローズドモデルと直接競合する水準に達しつつあり、さらにプロプライエタリAPIでは高コストになりがちな高速性とデプロイの柔軟性も提供しています。

ランキングの評価手法であるBenchAlign v5.2では、推論、コーディング、知識、数学、マルチモーダル、指示追従、多言語、エージェント型タスク遂行など、合計381のベンチマークを追跡しています。そのうち27のランキング用ベンチマークが総合スコアに直接加重され、残りは参考情報として表示されます。各モデルには、評価結果の根拠を示すラベルも付与されています。「Supported」は、複数の情報源による独立した第三者検証が行われていることを意味します。「Estimated」は、モデルカードのデータまたは単一ソースのベンチマークに基づく推定値です。独立したテストが進むことでEstimatedモデルの順位が変動する可能性があるため、この違いは重要です。8月版ランキングの上位3モデルはいずれもSupportedで、複数の情報源による裏付けがあります。

本番環境向けモデルを評価するチームにとって、このリーダーボードが提供するのは単なる順位ではありません。特定のワークロードに対して、どのモデルをテストすべきかを判断する材料になります。たとえば、コーディング性能が高くても指示追従性能が低いモデルは、IDEエージェントでは優れた性能を発揮する一方、顧客向けチャットボットでは十分な成果を出せない可能性があります。総合スコアは出発点であり、実際のデプロイ判断ではカテゴリー別の評価が重要になります。

これは、本番環境にAIを導入するすべての企業に関係します。300億パラメータのモデルが毎秒323トークンを生成しながら、上位4分の1に迫るベンチマークスコアを記録すれば、推論サービスの経済性は大きく変化します。また、オープンウェイトモデルが総合68.8を記録し、利用しやすいライセンスで提供されれば、チームはトークン単位のAPI料金を支払うことなく、セルフホスティングやチューニングを行えます。こうしたベンチマークは、デプロイ戦略を決定する重要な指標となります。

ランキング首位：Claude Mythos 5

BenchAlignリーダーボードでは、Claude Mythos 5が総合83.04で首位を獲得しています。Claude Fable 5が82.79で2位、Claude Opus 5が82.59で3位に続きます。2026年8月時点で、これら3つのAnthropicモデルが測定されたAI性能の最先端を形成しています。

1位と3位の差はわずか0.5ポイント未満です。このトップ層のスコア差の縮小は、AIの最先端領域で競争が激化し、ベンチマーク上の性能が収束しつつあることを示しています。一方、実際のエージェント性能には依然として違いがあります。

BenchAlign トップ10（2026年8月5日）

BenchAlignでは、推論、コーディング、知識、数学、指示追従、マルチモーダル、多言語、エージェント型タスクのベンチマークを加重し、単一の総合スコアとして算出します。特にコーディングと推論の両方に強いモデルは、ランキング上位に入りやすい傾向があります。Claude Mythos 5は全カテゴリーで安定した性能を発揮し、特に推論とエージェント関連のベンチマークで高い評価を獲得しています。

Claude Mythos 5はBenchAlign v5.2で83.04を記録し、2026年8月5日時点で追跡対象となる379モデルの首位に立っています。

このスコアが現在の基準点です。それ以下のモデルは、この最先端性能との差によって評価されます。2026年8月版リーダーボードで特に興味深いのは、複数のモデルがこの基準に接近しながら、それぞれ異なるアーキテクチャとデプロイ特性によって性能を実現している点です。

MiniMax M3：オープンウェイトAIモデルのリーダー

BenchLMリーダーボードでは、MiniMax M3が最も優れたオープンウェイトモデルに選出されています。総合スコアは68.8で、「decision-ready」と評価されるために必要なエビデンスと情報鮮度の基準をクリアしています。ベンチマークは2つの独立した情報源によって検証されています。

MiniMax M3は、わずか18カ月前であればセルフホスティングが現実的ではなかったクラスのオープンウェイトモデルです。このモデルはGMI Cloudのモデルカタログ から利用でき、200以上のモデルとともに、OpenAI互換APIおよび専用GPUインフラへのデプロイという選択肢が提供されています。

総合スコア68.8のモデルがオープンウェイトで提供されると、デプロイプロセスは大幅に簡素化されます。モデルを取得して量子化し、vLLMやSGLangを使用して提供したり、独自データでチューニングしたりできます。外部APIのトークン単位の料金体系は、マネージドインフラのGPU時間単位のコストへと置き換わります。1日あたり数百万トークンを超えるワークロードでは、セルフホスティングが経済的に有利になる可能性があります。

ここで重要になるのがGPUインフラです。MiniMax M3のようなモデルを低レイテンシかつ本番規模で稼働させるには、高いメモリ帯域幅を備え、効率的な推論エンジンを構成したH100またはH200 GPUが必要です。GMI CloudのGPUクラウドでは、こうした運用を可能にするH100 SXM5およびH200インスタンスを提供しています。

Grok 4.5：優れたコストパフォーマンス

Grok 4.5は、BenchLMで「最先端に近い性能を持つ、最もコストパフォーマンスに優れたモデル」に選ばれました。首位モデルの91%に相当するスコアを達成しながら、出力コストはリーダーボードによると88%低くなっています。ベンチマークは3つの独立した情報源によって確認されています。

この比率は、デプロイ戦略を大きく変える可能性があります。本番環境向けモデルを評価する際、一般的にチームはまず品質、次に速度、そしてコストを検討します。最高品質の91%を、わずかな運用コストで実現できるのであれば、判断基準は変わります。総合ベンチマークで数ポイントを譲る代わりに、スケーラブルなデプロイ環境を実現できます。

Grok 4.5は専用推論インフラ上で稼働します。コンテキストウィンドウ、スループット、レイテンシの特性から、トークン単価が機能提供の可否を直接左右するような大規模アプリケーションに適しています。このモデルは、2026年半ばにおける効率的な推論の一つの基準となっています。

本番導入の有力候補（2026年8月）

最後のGrok 4.20は、リーダーボード上で最も低いエビデンス階層となっています。公開されている実際の機能ではあるものの、総合ランキング上位3モデルとは異なり、複数の独立した情報源による検証ではなく、単一の情報源に基づいています。

Nemotron 3 Nano Omni：速度も重要な機能

NVIDIA Nemotron 3 Nano Omniは、2026年8月5日に更新されたArtificial Analysisによる外部測定で、毎秒323トークンを記録しました。ランキングおよびエビデンス基準をクリアしたモデルの中では、BenchLMの2026年8月版リーダーボードで最速の測定結果となっています。

その理由はアーキテクチャにあります。総パラメータ数は300億ですが、推論時にアクティブになるのはわずか30億です。スパースなMixture-of-Experts（MoE）アーキテクチャによって、各トークンをモデル全体ではなく一部のパラメータにルーティングし、出力トークンあたりに必要な計算量を大幅に削減します。その結果、アクティブパラメータ数が5倍、10倍に及ぶモデルよりも高速なテキスト生成を実現しています。

Nemotron 3 Nano Omniは毎秒323トークンを出力し、BenchLMの2026年8月版リーダーボードにおいて、外部測定されたモデルの中で最速を記録しています。

速度が重要なのは、単なる利便性のためではありません。エージェント型ワークフローでは、モデルの応答速度が上がることで、ユーザー体験は「AIの応答を待つ」状態から「AIと並行して作業する」状態へと変わります。バッチ処理では、ノードあたりのスループット向上によって、大規模ジョブのためにGPUクラスターを長時間占有する必要がなくなります。

Nemotron 3 Nano OmniはGMI Cloudから利用できます。レイテンシに敏感なAIエージェントや高スループットのパイプラインを構築するチームにとって、このアーキテクチャはH100およびH200インスタンスとの相性に優れています。GMI Cloudブログでは、導入を開始するためのデプロイガイドも公開しています。

Grok 4.20と200万トークンのコンテキスト

Grok 4.20は、BenchLMで「最大の実用コンテキスト」に選ばれています。200万トークンのコンテキストウィンドウを備えながら、首位モデルの総合スコアの少なくとも半分を維持しています。ただし、この評価は現在Estimatedであり、独立した複数ソースによる検証ではなく、単一の情報源に基づいています。この情報だけを基に導入判断を行う場合は注意が必要です。

200万トークンのコンテキストには、およそ3,000ページ分のテキストを格納できます。AIエージェントは、コードベース全体、完全なドキュメントセット、数時間にわたる会話履歴などを、情報の精度を損なう可能性のある分割や要約を行わずに処理できます。

長大なコンテキストウィンドウは、GPUインフラにも特有の要件をもたらします。200万トークンのコンテキストに対応するKVキャッシュには、大容量のVRAMが必要です。141GBのHBM3eメモリを搭載するH200 GPUはこうしたワークロードを効率的に処理でき、GMI CloudのGPUインフラは、これらのモデルに必要なメモリ容量をサポートしています。

最新リリース：8月第1週

BenchLM Radarでは、2026年8月初旬に確認された3つのモデルリリースを追跡しています。Hark Handoff（Hark、8月5日）、Ling 3.0 Flash FP8（InclusionAI、8月4日）、LFM2.5-2.6B（LiquidAI、8月4日）です。Radarはモデルのリリース、価格変更、提供終了、インシデントなどを一次情報から追跡し、リーダーボード全体の変化として反映される前に最新情報を提供します。

InclusionAIのLing 3.0 Flash FP8は8月4日にリリースされました。FP8量子化形式の採用は、推論効率を重視していることを示しています。一般的にFP8モデルは、FP16モデルより高速で、必要なメモリ容量も少なくなります。ただし、リーダーボードの情報源では、このモデルの具体的なスループットやメモリ使用量は公開されていません。そのため、キャパシティプランニングに使用する場合は、InclusionAIから直接情報を確認する必要があります。

LiquidAIのLFM2.5-2.6Bも8月4日にリリースされました。26億パラメータというコンパクトなモデルで、エッジ環境や軽量AIエージェントへの導入を想定しています。ただし、現時点でBenchLMが報告しているのはモデル名、プロバイダー、リリース日のみで、独立したベンチマーク結果や詳細なアーキテクチャ情報はまだ公開されていません。Supportedレベルのスコアが公開されるまでは、より大規模なTransformerモデルとの比較は未検証として扱う必要があります。

また、AlibabaのQwen3.8 Maxは、BenchLMで2026年8月にリリースされたモデルの中で最高順位とされ、60.9のスコアを記録しています。ただし、情報源にはパラメータ数やオープンウェイト版のリリース日に関する情報がありません。総パラメータ数やアクティブパラメータ数、ライセンス提供時期などについては、リーダーボードで検証済みの情報として扱うのではなく、Alibabaに直接確認する必要があります。

2026年8月初旬のリリースペースからも、オープンウェイトおよび推論効率を重視したモデルの投入が加速していることが分かります。ただし、すべてのモデルに独立検証済みのベンチマークスコアが存在するわけではありません。

ベンチマークが本番AIにもたらす意味

BenchLMの2026年8月版リーダーボードは、数値で表現されたデプロイガイドとして活用できます。各順位の背後には、実際のハードウェア要件、レイテンシ要件、推論サービスの経済性があります。

品質差は縮小しています。MiniMax M3の68.8に対して、Claude Mythos 5は83.04です。総合スコア上の差は約17%です。この差が固定されたものと考えるのではなく、今後のSupportedレベルの更新でさらに縮小するかどうかを確認することが重要です。

高速化の効果は積み重なります。Nemotron 3 Nano Omniが、わずか30億のアクティブパラメータで毎秒323トークンを達成したことは、スパースアーキテクチャが本番規模でも機能することを示しています。モデルの生成速度が向上すれば、GPUあたりの実効スループットが高まり、結果として100万トークンあたりのコストも大幅に低下します。

コンテキストウィンドウも拡大しています。ただし、現在最も大きなGrok 4.20の200万トークンという値は、依然としてEstimatedかつ単一情報源に基づいています。コードベース全体の一括解析、ドキュメント全体の推論、数時間にわたる自律型エージェントの実行など、実際のデプロイに大きな可能性をもたらしますが、アーキテクチャを決定する前には独自に検証することが重要です。こうしたモデルを効率的に稼働させるには、高帯域幅メモリを備えたH200やB200クラスのGPUが必要になります。

GPUインフラでオープンウェイトモデルを実行する

BenchLMのデータからは、実用的な結論が導き出せます。2026年8月時点で、本番環境への導入を検討する価値のある多くのモデルが、オープンウェイトまたは効率的なAPIアクセスとして利用可能になっています。セルフホスティングとマネージドエンドポイントのどちらを選択するかは、必要なスループット、レイテンシへの要求、データローカリティの要件によって決まります。

GMI Cloudは、その両方を実現するインフラストラクチャレイヤーを提供します。モデルカタログでは、MiniMax M3、Nemotron 3 Nano Omni、Grok 4.5、Qwen3.8 Maxをはじめとする200以上のモデルを提供しており、マネージド環境を希望する場合はOpenAI互換エンドポイントから利用できます。専用GPUインスタンスが必要な場合は、事前構成済みの推論エンジンを備えたH100 SXM5およびH200構成も用意されています。

GMI Cloudブログでは、本番AIワークロード向けのデプロイパターン、ベンチマークの詳細分析、アーキテクチャガイドを紹介しています。モデルのデプロイ、推論最適化、AIエージェント向けインフラに関する最近の記事では、具体的に検証された構成も確認できます。

これが2026年8月の本番AIを取り巻く状況です。オープンウェイトモデルは最先端モデルとの差を縮めています。スパースアーキテクチャによる高速化は、AIエージェントにできることを変えつつあります。そして、こうしたモデルを大規模に稼働させるためのGPUインフラは、すでに利用可能です。

今すぐAI開発を始めましょう

DiscordでGMI Cloudのビルダーコミュニティに参加するか、Xの@gmicloudJapanをフォローしてください。