HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

Claude Sonnet 5 – ベンチマーク結果

Claude Sonnet 5 – benchmark results (artificialanalysis.ai)

29 pointsby lucamark14 コメント

要約

Claude Sonnet 5 (Adaptive Reasoning, Max Effort) は、Intelligence Indexで上位の成績を収めているものの、類似価格帯の他のモデルと比較して高価であると評価されています。平均よりも高速ですが、非常に冗長な出力を生成します。このモデルはテキストと画像の入力に対応し、テキストを出力し、1Mトークンのコンテキストウィンドウを持っています。

全文翻訳

Claude Sonnet 5 (Max) 知能、パフォーマンス、価格分析

知能

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 は、10個の評価を含みます:AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1。

公開されているAPIはありません。

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 には、AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1 が含まれます。各評価の詳細と実行方法については、知能指数メソドロジーを参照してください。

オープンウェイト / プロプライエタリ別 Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 は、10個の評価を含みます:AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1。

公開されているAPIはありません。

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 には、AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1 が含まれます。各評価の詳細と実行方法については、知能指数メソドロジーを参照してください。

オープンウェイト

モデルのウェイトが利用可能かどうかを示します。モデルは、商用利用が条件付きで制限されている場合は「商用利用制限あり」、ライセンスが商用利用を禁止している場合は「非商用」とラベル付けされます。

知能指数 vs. タスクあたりのコスト

Artificial Analysis Intelligence Index · Artificial Analysis Intelligence Index タスクあたりの加重平均コスト(USD)

最も魅力的な象限

パレート線

タスクあたりの知能指数コスト

知能指数タスクあたりの加重平均コスト。各評価のコストは、入力、キャッシュヒット、キャッシュ書き込み、推論、回答トークンの価格から計算され、タスク数で割られ、知能指数のウェイトで加重されます。

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 には、AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1 が含まれます。各評価の詳細と実行方法については、知能指数メソドロジーを参照してください。

能力指数

特定の能力や業界におけるモデルのパフォーマンスを測定します。

公開されているAPIはありません。

評価

Artificial Analysis によって個別に測定された知能評価 · 高いほど良い

公開されているAPIはありません。

エージェント型知識作業、(Elo-500)/2000

エージェント型実世界タスク、(Elo-500)/2000

GDP.pdf

専門文書推論、全合格

コーディング

物理学推論

ターミナルでのエージェント型科学研究ワークフロー

オープンソースリポジトリでのエージェント型ソフトウェアエンジニアリング

法的エージェント作業、幻覚抑制全合格率

エージェント型インタラクティブ3D体験、(Elo-500)/2000

医療長文コンテキスト推論

知能評価の関連性

モデルの知能は一般的にユースケース全体に翻訳されますが、特定の評価は特定のユースケースにより関連性が高い場合があります。

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 には、AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1 が含まれます。各評価の詳細と実行方法については、知能指数メソドロジーを参照してください。

AA-Briefcase v1.1 更新済み
AA-Briefcase Elo

AA-Briefcase v1.1 は、Artificial Analysis によって開発されたエージェント型知識作業ベンチマークです。AA-Briefcase Elo は、ルーブリック合格率、分析品質 Elo、プレゼンテーション Elo を集計した複合メトリックです · 高いほど良い。

公開されているAPIはありません。

AA-Briefcase Elo

AA-Briefcase Elo は、分析品質 Elo、プレゼンテーション Elo、ルーブリック合格率を集計した複合メトリックであり、ルーブリックパフォーマンスは合成的な直接対決試合を通じて Elo に変換されます。Elo と 95% 信頼区間は 0 にクランプされます。

AA-Omniscience
AA-Omniscience Index

AA-Omniscience Index(高いほど良い)は、知識の信頼性と幻覚を測定します。正解を報酬とし、幻覚を罰し、回答を拒否することにペナルティはありません。スコアは -100 から 100 の範囲で、0 は正解と不正解の数が同数であることを意味し、負のスコアは不正解が多いことを意味します。

公開されているAPIはありません。

AA-Omniscience Index

AA-Omniscience Index(高いほど良い)は、知識の信頼性と幻覚を測定します。正解を報酬とし、幻覚を罰し、回答を拒否することにペナルティはありません。スコアは -100 から 100 の範囲で、0 は正解と不正解の数が同数であることを意味し、負のスコアは不正解が多いことを意味します。

AA-PersonalityBench 新規

Claude Sonnet 5 (max) の AA-PersonalityBench 結果は利用できません。

知能指数比較

知能指数 vs. タスクあたりのコスト

Artificial Analysis Intelligence Index · Artificial Analysis Intelligence Index タスクあたりの加重平均コスト(USD)

最も魅力的な象限

パレート線

タスクあたりの知能指数コスト

知能指数タスクあたりの加重平均コスト。各評価のコストは、入力、キャッシュヒット、キャッシュ書き込み、推論、回答トークンの価格から計算され、タスク数で割られ、知能指数のウェイトで加重されます。

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 には、AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience、AA-LCR v1.1 が含まれます。各評価の詳細と実行方法については、知能指数メソドロジーを参照してください。

トークン使用量

知能指数タスクあたりの出力トークン

Artificial Analysis Intelligence Index のタスク1つを実行するために使用される出力トークンの加重平均

公開されているAPIはありません。

知能指数タスクあたりの出力トークン

知能指数タスクごとに必要なトークン数。これは、評価あたりの出力トークンに知能指数における各ベンチマークの相対的なウェイトを掛け、タスク数(繰り返しを除く)で割って計算されます。

コスト

知能指数タスクあたりのコスト

知能指数タスクあたりの加重平均コスト(USD) · トークンタイプ別 · 低いほど良い

知能指数タスクあたりのコスト

知能指数タスクあたりの加重平均コスト。各評価のコストは、入力、キャッシュヒット、キャッシュ書き込み、推論、回答トークンの価格から計算され、タスク数で割られ、知能指数のウェイトで加重されます。

Artificial Analysis Intelligence Index 実行コスト

Artificial Analysis Intelligence Index の全評価を実行するためのコスト(USD)

Artificial Analysis Intelligence Index 実行コスト

Artificial Analysis Intelligence Index の評価を実行するためのコスト。モデルの入力、キャッシュヒット、キャッシュ書き込み、推論、回答トークンの価格と、評価全体で使用されるトークン数(繰り返しを除く)を使用して計算されます。

価格:キャッシュヒット、入力、および出力

価格(USD/M トークン)

キャッシュヒット

キャッシュされたプロンプト(以前に処理されたもの)のトークンあたりの価格。通常、通常の入力価格と比較して大幅な割引が提供されます。USD/百万トークンで表示されます。ここに表示される値はキャッシュヒット価格です。キャッシュ書き込みとキャッシュストレージは別途請求され、プロバイダーによって異なります。「プロバイダー別のキャッシュ価格」を参照してください。

コンテキストウィンドウ

コンテキストウィンドウ

コンテキストウィンドウ:トークン制限 · 高いほど良い

公開されているAPIはありません。

RAG(Retrieval Augmented Generation)のためのコンテキストウィンドウ

より大きなコンテキストウィンドウは、通常、大量のデータの推論と情報検索を伴うRAG(Retrieval Augmented Generation)LLMワークフローに関連します。

コンテキストウィンドウ

入力と出力トークンの合計の最大数。出力トークンは、モデルによって異なる、通常は大幅に低い制限があります。

速度

出力速度(トークン/秒)で測定

出力速度

出力トークン/秒 · 高いほど良い

出力速度

モデルがトークンを生成している間に受信される出力トークン/秒(つまり、ストリーミングをサポートするモデルの場合、APIから最初のチャンクを受信した後)。

モデルパフォーマンス表現

数値は、モデルのファーストパーティAPIのパフォーマンス、またはファーストパーティAPIが利用できない場合のプロバイダー間のメディアンを表します。

知能指数タスクあたりの時間

知能指数タスクあたりの加重平均デコード時間(分) · TTFT(Time To First Token)とオーバーヘッド時間は除く · 低いほど良い

知能指数タスクあたりの時間

Artificial Analysis Intelligence Index タスクあたりの加重平均時間(秒)。これは、タスクあたりの出力トークンを出力速度で割り、知能指数における各ベンチマークの相対的なウェイトで加重して計算されます。

レイテンシ

最初のトークンまでの時間(秒)で測定

レイテンシ:最初の回答トークンまでの時間

受信した最初の回答トークンまでの秒数 · 推論モデルの「思考」時間を含む

最初の回答トークンまでの時間

APIリクエスト送信後、受信した最初の回答トークンまでの時間(秒)。推論モデルの場合、これは回答を提供する前にモデルが「思考」する時間を含みます。ストリーミングをサポートしないモデルの場合、これは完了を受信するまでの時間を表します。

エンドツーエンド応答時間

最初のトークンまでの時間、推論モデルの「思考」時間、および出力速度に基づいて計算された、500トークンを出力するまでの秒数。

エンドツーエンド応答時間

最初のトークンまでの時間、推論モデルの「思考」時間を含む、500トークンを出力するまでの秒数 · 低いほど良い

エンドツーエンド応答時間

500トークンの応答を受信するまでの秒数。主要な構成要素:

  • 入力時間:最初の応答トークンを受信するまでの時間
  • 思考時間(推論モデルのみ):推論モデルが回答を提供する前にトークンを出力して費やす時間。トークン数は、60個の多様なプロンプトの平均推論トーク数に基づきます(メソドロジー詳細)。
  • 回答時間:出力速度に基づいた、500出力トークンを生成するまでの時間。

モデルパフォーマンス表現

数値は、モデルのファーストパーティAPIのパフォーマンス、またはファーストパーティAPIが利用できない場合のプロバイダー間のメディアンを表します。