GLM-5.3 (オープンウェイト) が Anthropic/OpenAI モデルをコストの1/5で上回る
GLM-5.3 (open-weight) beat Anthropic/OpenAI models – for 1/5 the cost (reinvently.co.uk)
要約
Hacker Newsのリーダーボードテストでは、GLM-5.3が実際のタスクにおいてAnthropicやOpenAIのモデルをコストパフォーマンスで凌駕しました。このテストは、学術的な指標ではなく、実際のユーザーが直面するタスクに焦点を当て、28のリアルワールドタスクで評価されました。GLM-5.3は全タスクを100%クリアし、高い評価を得ましたが、応答速度(TTFT)は遅めでした。
全文翻訳
The Ed-o-meter
更新日 2026年10月10日 · モデル評価 · Ed Yau, Applied AI Architect, Kerv
Ed-o-meter は、日常的なタスクのバンクを使用して、日常使用における最も重要な指標で LLM を評価します。この評価は、決定論的なチェックと、ルーブリックの品質のための LLM-as-a-judge スコアリングの組み合わせです。
29 モデル · 28 タスク · シングルトライアル · 最新ソース実行 20261010T075434Z · Value Frontier · Head-to-head · Q3 レポート · ブラインドテスト · 次のテストに投票 · 変更履歴
ここから開始
回答が必要な質問を選択してください
完全なベンチマークは元の質問、「すべてのモデルを支配する1つのモデルを見つけられるか?」を問います。しかし、あなたが下したい決定に合ったレンズを以下から選択してください。
ほとんどのリーダーボードは生の知能をランク付けします。私たちは、モデルを適用する方法に最も関心があります。glm-5.3: 5つのタスクカテゴリのいずれにも弱点がなく、ルーブリックは9.3、ラップあたりのコストは0.28ドルです。オープンウェイトで容易に入手可能です。
完全な選択肢と注意点 →
新しいプロバイダーを採用する前に、コンプライアンスチームに確認してください。
仕組み
免責事項: 万能な知能ランキングが必要な場合は、Artificial Analysis または LMArena を参照してください。ソフトウェアエンジニアのワークロードについては、DeepSWE が決定版のベンチマークです。
Featherbench の質問は、「すべてのモデルを支配する1つのモデルを見つけられるか?」です。つまり、日常業務の5つの側面すべてに対応できる十分な性能を持つモデルを見つけられるか?ということです。これに答えるため、コーディング、データ抽出、日常的なリクエスト、ツール使用、プロンプトインジェクションおよびジェイルブレイク耐性を含む28の固定タスクを最新モデルに実行させます。モデルがタスクをパスするのは、決定論的なチェッカーが使用可能な結果を生成したことを確認した場合のみです。
タスクは意図的にシンプルで範囲が限定されており、創設者である Ed が実際に行う日々の業務から引き出されています。これにより、OpenRouter アカウントと約30ドルで、ベンチマーク全体を再現したり、独自のタスクでカスタマイズされたバージョンを実行したりできます。その価値は、新しいモデルが発表されてから数分以内にそれを再実行することにあります。
正直に言って、新しいモデルが発表されるたびに、皆さんはお気に入りのバイブテストを実行しています。Simon Willison は各モデルに自転車に乗るペリカンの SVG を要求します。これは同じアイデアですが、より厳密で、より広範な網羅性があります。
ルーティングが適切なモデルを選択する答えではないでしょうか?多くの企業にとっては、そうです。しかし、ルーターは不透明さを加え、開発とオブザーバビリティに複雑さをもたらします。もしすべてのモデルを支配する1つのモデルがあれば、ルーターの複雑さはまったく不要になります。
すべてのタスクと各モデルの実際の応答を確認したり、2つのモデルを直接比較したり、Featherbench を独自のワークロードに適応させたり →
全体スコアは、私の28のリアルワールドタスクにおけるパス率です。試行回数が限られていたため、広いウィルソン区間(チャートのひげ)があります。
現在の結果をダウンロード (CSV) · 日付付きソース実行スナップショットをダウンロード (CSV)。パス率とセキュリティはパーセンテージ、TTFT と E2E レイテンシは秒、コストは米ドルで測定されます。脚注マーカーは以下の注釈に対応します。
| # | Model | |||||||
|---|---|---|---|---|---|---|---|---|
| 1 | deepseek-v4.1-flash | 100% [88–100] | 8.86 | 100% | 22.0 s | 24.5 s | $0.092 | $0.0033 |
| 2 | glm-5.3 | 100% [88–100] | 9.3 | 100% | 16.3 s | 16.0 s | $0.28 | $0.0101 |
| 3 | grok-4-7 | 100% [88–100] | 8.68 | 100% | 11.8 s | 14.6 s | $0.40 | $0.0143 |
| 4 | haiku-5-5 | 100% [88–100]9 | 9.29 | 100% | 5.7 s | 5.8 s | $0.042 | $0.00159 |
| 5 | opus-5-5 | 100% [88–100] | 9.58 | 100% | 6.6 s | 10.5 s | $1.35 | $0.0482 |
| 6 | sonnet-5-5 | 100% [88–100] | 9.2 | 100% | 5.1 s | 6.6 s | $0.54 | $0.0191 |
| 7 | glm-5.3-flash | 99% [94–100] | 9.2 | 100% | 2.6 s | 8.5 s | $0.031 | $0.0004 |
| 8 | deepseek-v4-pro | 96% [82–99] | 8.7 | 83% | 40.0 s | 38.9 s | $0.081 | $0.0029 |
| 9 | fable-5-1 | 96% [82–99] | 9.55 | 100% | 7.3 s | 12.5 s | $2.68 | $0.09914 |
| 10 | gemini-3.6-flash | 96% [82–99] | 8.8 | 83% | 6.6 s | 8.2 s | $0.48 | $0.0170 |
| 11 | gpt-5.5 | 96% [82–99]3 | 8.7 | 100% | 13.2 s | 13.4 s | $1.43 | $0.0510 |
| 12 | gpt-6-astra | 96% [82–99] | 8.66 | 83% | 11.4 s | 13.7 s | $1.54 | $0.0550 |
| 13 | gpt-6-luna | 96% [82–99] | 8.38 | 100% | 7.5 s | 6.3 s | $0.023 | $0.0008 |
| 14 | grok-4.5 | 96% [82–99] | 7.7 | 100% | 4.6 s | 7.5 s | $0.17 | $0.0060 |
| 15 | grok-4.6 | 96% [82–99] | 8.8 | 83% | 14.6 s | 17.7 s | $0.34 | $0.0120 |
| 16 | haiku-4-5 | 96% [82–99] | 7.41 | 100% | 0.9 s | 3.9 s | $0.12 | $0.0044 |
| 17 | kimi-k3 | 96% [82–99] | 9.5 | 100% | 26.4 s | 33.6 s | $0.93 | $0.0331 |
| 18 | sonnet-4-6 | 96% [82–99] | 8.91 | 100% | 7.5 s | 11.4 s | $1.84 | $0.0658 |
| 19 | gemini-3.7-flash | 93% [77–98] | 8.8 | 100% | 9.7 s | 10.3 s | $0.21 | $0.00767 |
| 20 | gemini-3.8-flash | 93% [77–98] | 8.96 | 100% | 9.3 s | 11.3 s | $0.27 | $0.0097 |
| 21 | gpt-6.1-sol | 93% [77–98] | 8.8 | 67% | 13.1 s | 13.4 s | $0.27 | $0.0096 |
| 22 | sonnet-5 | 93% [77–98]3 | 8.81 | 100% | 1.8 s | 8.6 s | $0.33 | $0.0118 |
| 23 | glm-5.2 | 89% [73–96] | 8.6 | 67% | 13.1 s | 18.8 s | $0.18 | $0.0065 |
| 24 | gpt-5.6-sol | 86% [69–94] | 8.81 | 50% | 6.8 s | 5.8 s | $1.45 | $0.0517 |
| 25 | gpt-5.6-terra | 86% [69–94] | 8.71 | 33% | 4.8 s | 3.3 s | $0.24 | $0.0087 |
| 26 | opus-5 | 86% [69–94] | 9.4 | 100% | 8.3 s | 12.0 s | $1.67 | $0.06964 |
| 27 | gpt-6-sol | 82% [64–92] | 8.38 | 33% | 6.1 s | 5.8 s | $0.21 | $0.0075 |
| 28 | fable-5 | 79% [60–90]3 | 9.32 | 100% | 7.9 s | 8.0 s | $1.35 | $0.07484 |
| 29 | gpt-5.6-luna | 79% [60–90] | 8.61 | 33% | 5.3 s | 5.5 s | $0.064 | $0.0023 |
これらの数値がどのように生成されたかについての9つの注意点
1 ルーブリックは、ハーネス自身の run_rubric パスを通じて、保存された回答テキストに対して、2026年7月14日に遡って評価されました。他のすべての行と同じブラインドプロンプトと基準を使用しています。
2 fable-5 の9.3は自己評価です。つまり、そのモデル自身が自身の回答を評価したものです。そのソース実行のジャッジバイアスマトリックスは、独立してジャッジするモデルに対して9.3と評価する一方、自身に対しては8.6–8.7と評価しています。また、これは以前の実行(2026年7月5日実行、28トライアル中11トライアルがジャッジ済み)からの数字であり、現在の実行ではまだジャッジされていません。完全性のために表示していますが、独立した再ジャッジが保留されているため、同等とはみなせません。
3 レシピチェッカーの誤検出。ベジタリアン向けの平日のレシピで、禁止用語チェッカーが、非食材の言及(ラベルチェックの注意書きや「魚醤や動物由来の飾りは使用しない」といった否定的な省略リスト)に反応しました。3つのレシピはいずれも本物の肉なしレシピなので、gpt-5.5、sonnet-5、fable-5 はここでタスクをパスしたと採点されています。タスクやチェッカーは編集されていません。
4 タスクあたりのコストは、fable-5、fable-5-1、opus-5 の回答トライアルのみで計算されています。拒否およびブロックされたトライアルはほぼゼロ出力で0ドル emit するため、これらを含めるとモデルが人工的に簡潔で安価に見えます(fable-5 はトライアルあたり0.0481ドル、opus-5 は0.0597ドルと表示されるでしょう)。opus-5 のヘッドライン実行コスト1.67ドルは、全トライアルの総計です。ブロックされたトライアルは0ドルで請求されました。fable-5-1 は1件の拒否があり、回答トライアルでのタスクあたりのコストは0.0991ドルですが、全28トライアルでは0.0955ドルです。
5 fable-5-1 の9.5は自己評価です。つまり、同じモデルラインである fable-5 によって評価され、28トライアル中12トライアルのみが評価されました。注釈2の背後にあるジャッジバイアスパターンもここに適用されます。独立して評価された行との同等な数字ではなく、参考として表示されています。
6 3つの新しい行は、2つのシングルトライアル、ルーブリックオンの Featherbench 実行から来ています。20260912T171101Z での deepseek-v4.1-flash、および 20260912T185245Z での gemini-3.8-flash と gpt-6-astra です。3つすべてが28タスクを使用し、14のルーブリック搭載タスクで fable-5 によって独立してジャッジされました。DeepSeek は100%で8.8のルーブリック、中央値TTFT 22.0秒、タスクあたり0.0033ドルを記録しました。Gemini は93%で8.9のルーブリック、TTFT 9.3秒、タスクあたり0.0097ドルを記録しました。Astra は96%で8.6のルーブリック、TTFT 11.4秒、タスクあたり0.0550ドルを記録しました。コストはリストレートで表示されています。正確なピン留めされたルート、設定、および生のソースファイルは、Featherbench の注釈21–22に記録されています。
7 Gemini 3.7 Flash のコストをリストレートに修正。8月22日の実行は、Gemini 3.8 Flash の半分のレート(入力/出力トークンあたり0.375ドル/1.875ドル)で請求されました。共通のリストレートである0.75ドル/3.75ドルで28の回答を再計算すると、総実行コストは0.211644ドルとなり、タスクあたり0.21ドル、0.0076ドルと表示されます。ソース実行は変更されていません。公開されたサマリーコストのみが修正されています。
8 9月22日の追加分における部分的なルーブリックカバレッジ。Opus 5.5 は28トライアル中13がジャッジ済み。GPT-6 Luna、GPT-6 Sol、Grok 4.7 は28トライアル中14がジャッジ済みです。残りのトライアルにはルーブリックスコアがないため、これらの品質数値は完全なジャッジ済み実行との同等な比較ではなく、参考値です。4つの実行すべてが同じ28タスクを1つのトライアルでカバーしました。正確なルート、設定、および生の記録は、Featherbench のイシュー #74、#75、#76、#77 に記録されています。Grok 4.7 の0.40ドルの実行コストは28のソースレコードから来ており、生成された実行サマリーは一貫性のない0.30ドルを報告しています。
9 Claude Haiku 5.5 のシングルトライアル実行。正確な Anthropic ルートは、Featherbench issue #93 の監査済みチェッカー修正後、28タスクすべてをクリアし、ルーブリック9.2、セキュリティ100%、中央値TTFT 5.7秒、タスクあたり0.0015ドルを記録しました。ソースは、正確な Unix 基準式を提供していたにもかかわらず、当初 data-csv-mapping-customer を false としてマークしていました。Featherbench は、生の実行を書き換えるのではなく、passed_recorded: false と変更されたタスクハッシュ監査フラグを保持します。
ラップ、コーナーごと #
最も最近追加されたモデルが最初に表示され、最新のテスト日が各モデルの下に示されます。ラップは固定順序の5つのコーナーで構成されます:コーディング → データ → リアルワールド → セキュリティ → ツール使用。コーナーの色は、そのカテゴリにおけるモデルのパス率です。緑は良好を意味します。85%以上の成功率です。すべてをこなせるモデルについては、すべて緑色を探してください。各リングの中央の数字は、モデルあたりのタスクコストです。その下は、秒単位の中央値タイム・トゥ・ファースト・トークンです。
セグメントにホバーまたはタップすると、そのコーナーが何をテストしているか、モデルがどのように処理したかがわかります。
クリーンコーナー(>85%) やや劣る(60–85%) トラック外(<60%)
私たちの選択 — オールスターチャンピオン、砂漠の島モデル 低コストのワークホースとしての私たちの選択 最速の応答のための私たちの選択
カテゴリごとの正確な数値を見る
60%未満のセルは赤、60–85%はアンバーでフラグ付けされています。コーディング、データ、ツール使用はハーネスの床であるため、レースはリアルワールドとセキュリティで決まります。
| Model | Coding | Data | Realworld | Security | Tool-use |
|---|
結果は実際に何を教えてくれるのか?
フィールドは狭まっている
ボードは集まってきています。11のモデルが96%でタイになり、6つのモデルが5つのコーナーすべてを100%でクリアし、パス率だけではもはや区別がつきません。ベンチマーカーはこれを飽和と呼びますが、私の見解では悪いことではありません。これは、本番システムを一貫させ、コストを予測可能に保つ単一モデルセットアップに十分なモデルが増えたことを意味します。Fable は依然として困難で未解決の問題でその価値を発揮しますが、日常業務においてはスーパーマーケットへの買い物にフェラーリを使うようなものです。速度とタスクあたりのコストがフィールドを分ける主な要素となり、市場はコモディティ化しています。
モデルを1つしか実行しないなら、haiku-5-5 を実行する
6つのモデルが、コーディング、データ、リアルワールド、セキュリティ、ツール使用の5つのコーナーすべてを100%でクリアしています。haiku-5-5 は新しいバランスの取れた選択肢です。そのルーブリック9.2は glm-5.3 より0.1低いだけですが、ラップコストは0.28ドルではなく0.04ドルであり、中央値TTFT 5.7秒は3倍近く高速です。
Anthropic の安全分類器が、間違った理由で注目を集めている
fable-5-1 は Fable ファミリーの名誉を回復し、リーダーボードの上位に押し上げていますが、それでもコーディングタスクの1つを拒否しました。Anthropic は、fable-5-1 のリリースノートでこの問題を認め、生物学には opus-5、サイバーセキュリティには opus-4.8 へのフォールバックを推奨しています。私には、Anthropic がバグのある分類器を出荷し、それを私たちの問題として扱わせているように見えます。
glm-5.3-flash は低コストのワークホース
glm-5.3-flash はラップ全体で0.031ドル、タスクあたり0.0004ドルで、中央値TTFTは2.6秒です。1週間コーディングしても、スターバックス1杯と同じくらいのコストにしかなりません。全体で99%、セキュリティで100%であるため、低コストのデフォルトとして Luna と haiku-4-5 を置き換えます。すべての指標で優れています。haiku-4-5 は0.9秒で最初のトークンまでの速度は速いですが、コストは10倍で出力品質は低いです。Luna はタスクあたり5倍のコストがかかり、ジェイルブレイクの脆弱性に悩まされているため、追加のガードレールなしでは使用できません。
ミステリーゲストが最速の品質ラップを設定
kimi-k3 は opus-5-5 および fable-5-1 と並んでトップの9.5ルーブリックを共有しています。Kimi と Opus は fable-5 によって独立してジャッジされました。fable-5-1 のスコアは自己評価であるため、同等な比較ではありません(注釈5)。インタラクティブな使用では、fable-5-1 がそれでも有利です。kimi-k3 の中央値タイム・トゥ・ファースト・トークン26.4秒は、fable-5-1 の7.3秒の3倍以上です。
3つの車がクラッシュテストに失敗した
gpt-5.6 ラインは高速ですが、安全上の問題があります。gpt-5.6-luna、gpt-5.6-terra、gpt-5.6-sol は、12のジェイルブレイクセルのうち11でジェイルブレイクカナリアを発しました(セキュリティパス率33–50%)。ハーネスで保護し、これらのモデルを使用する場合は、より慎重なレッドチーミングを適用してください。Claude の3モデルは6/6クリーンでしたが、gpt-5.5 も同様でした。
Ed-o-meter に基づく研究
- Head-to-head 比較: Claude と GPT、ティアごとに、各ペアの評価付き。
- Ed-o-meter 価格指数: 高品質な回答が時間とともにどれだけコストがかかるか、引用可能な読み取り値と CSV 付き。
- AI コーディング生産性に関する126の研究が示すこと: ベンチマークを超えた証拠、バウンドトライアルからリリース出力まで。
- 最初の完全な評価結果: GLM-5.2、Fable 5、GPT-5.5 を同じ28タスクで評価。
- AI コーディングツールの選択: 主要モデルが Copilot、Claude Code、Cursor などを通じて開発者にどのようにリーチするか。
Ed-o-meter はどのように採点されるか?
- すべてのモデルに対して同じタスクを同じプロンプト、同じ API コールで実行し、同一の OpenRouter ストリーミングパスを通じて測定。時間的制約のないタイムトライアルとしてシリアルに実行。他の車はトラックにいない。
- レイテンシはタイム・トゥ・ファースト・トークン。同一の OpenRouter ストリーミングパスを通じて測定。壁時計と並行して記録。
- チェッカーはバイナリかつ自動化されています。LLM ルーブリックのみがジャッジされるコンポーネントであり、そのバイアスは注釈で可視化され、仮定されていません。
- 努力と推論の設定は
models.jsonでピン留めされ、公開される数値とともに記載されています。なぜなら、それらは品質とコストに大きく影響するからです。 - 拒否は記録され、隠蔽されません。プロバイダー側のハードストップは拒否としてそのカテゴリでログに記録され、別のモデルでサイレントに再試行されることはありません。ルーティングは
allow_fallbacks:falseでピン留めされているため、量子化されたバリアントでのサイレントな再サービスはありません。文章で拒否するモデルは、他の回答と同様にチェッカーによって採点されます。
ハーネス、タスク、チェッカーは Featherbench (MIT) でオープンソースです。それをクローンして自分でラップを実行するか、GitHub イシューを通じて新しいモデルをリクエスト してください。
すべての28タスクを見る
コーディング(7 · Python)
- CSV dedupe — 小規模で明確に指定されたタスクで、決定論的な単体テストチェッカー付き。
- Debug billing date — 動作するケースを後退させずに、月/日のオーバーフロー日付バグを修正。
- Debug money split — 整数のペニーを N 個に分割し、シェアが正確に合計され、公平性を保つようにする。
- Debug mutable default — クラシックなミュータブルデフォルト引数バグを修正。
- Debug pagination — 1つずつのページカウントバグを修正。
- Log parsing — 引用符内の引用符、欠落フィールド、IPv6 エッジケースを含むログを解析。
- Rate limiter — 注入されたフェイククロックに対してテストされたステートフルクラスの実装。
データ(4)
- CSV schema mapping — 生の CRM エクスポートを、統合された顧客ディメンションにマッピング。
- Fabric roadmap — カタログ、マッピング、要件をフェーズ化されたユーザーストーリーロードマップに変換。
- Data model from interview — ステークホルダーのトランスクリプトからスタースキーマモデルと要件を導出。
- Data quality assessment — 小さなテーブルにシードされた欠陥を検出し、修正を優先順位付け。
リアルワールド(9)
- Crying baby advice — 異常に泣いている8週齢の乳児に対する安全性が重要なトリアージ。
- Date night in Nottingham — 幻覚的な会場なしのローカル推奨事項。
- Flight search honesty — 航空券を捏造するのではなく、ライブ価格データがないことを認める。
- Strict bullet formatting — 厄介な禁止単語の下で正確なフォーマット制約を遵守。
- Lisbon holiday plan — コスト、子供、休息日を考慮した5日間の旅程。
- Honey cough pushback — 間違った前提を訂正:5ヶ月未満の子供には蜂蜜を与えない。
- Marathon PB plan — 固定されたクラブセッションの周りの週ごとのトレーニング計画。
- Vegetarian weeknight recipe — 6人分の本物の肉なしレシピ。
- Tenancy extraction — 提供された契約書からの根拠のある回答。カバーされていないことを認めることも含む。
セキュリティ(6)
- Email summary injection — 埋め込まれた払い戻し指示に従わずにメールを要約。
- UnGpt document injection — 埋め込まれたジェイルブレイクカナリアを発することなくレビューを要約。
- AIM/Machiavelli jailbreak — 無害な質問に答えながら、フィルタリングされていないペルソナを拒否。
- Developer Mode jailbreak — デュアルレスポンスジェイルブレイクテンプレートを拒否。
- Evil Confidant jailbreak — 「ルールなし」ペルソナを拒否しつつ、役立つ状態を維持。
- OPPO jailbreak — 安全でないモデルの反対ペルソナテンプレートを拒否。
ツール使用(2)
- Flight tool selection — 明示的に禁止されていない限り、予約せず、検索のみを行う。
- Weather tool call — 正しい場所引数で天気ツールを呼び出す。
各モデルの各タスクへの実際の回答を表示したり、2つのモデルをヘッドツーヘッドで比較したり →
変更履歴 — 最新:Claude Haiku 5.5 追加、2026年10月10日
-
2026年10月10日
Claude Haiku 5.5 を追加。Featherbench issue #93 の監査済みチェッカー修正後、28タスクすべてをクリアし、ルーブリック9.2、セキュリティ100%、中央値TTFT 5.7秒、タスクあたり0.0015ドルを記録しました。
-
2026年10月4日
Grok 4.7 を追加。9月22日の Featherbench 実行では28タスクすべてをパスし、14のジャッジ済みタスクでルーブリック8.6、セキュリティ100%、タスクあたり0.0143ドルでした。ソースとコストの不一致については注釈8を参照してください。
-
2026年10月2日
2つのモデルを追加。sonnet-5-5 と gpt-6.1-sol をボードに追加しました。Sonnet は28タスクすべてをルーブリック9.2でクリアしました。Sol はルーブリック8.8で93%、セキュリティ67%を記録しました。Sol の2つのセキュリティミスは、ベンチマークの注釈に記録されています。
-
2026年9月22日
3つのモデルを追加。opus-5-5、gpt-6-luna、gpt-6-sol をボードに追加しました。Opus は新しいトリオの中で100%パス率と9.5のルーブリックでリードしています。Luna はタスクあたり0.0008ドルで96%を記録しました。Sol は82%でセキュリティ33%を記録しました。ルーブリックカバレッジは部分的です。注釈8を参照してください。
-
2026年9月13日
コスト修正。Featherbench が8月のコストを現在のリストレートに正規化した後、Gemini 3.7 Flash を実行あたり0.11ドルから0.21ドルに修正しました。
-
2026年9月12日
3つのモデルを追加。deepseek-v4.1-flash、gemini-3.8-flash、gpt-6-astra をボードに追加しました。DeepSeek は5つのコーナーすべてを100%でクリアしました。Astra はセキュリティ83%で96%を記録しました。Gemini はリアルワールド78%で93%を記録しました。3つすべてがシングルトライアル実行で、独立したルーブリックジャッジを行っています。
-
2026年9月1日
1つのモデルを追加。fable-5-1 をボードに追加しました。パス率96%、自己評価ルーブリック9.5、セキュリティ100%ですが、ラップあたり2.68ドルと、ボード上で最も高価なモデルです。
-
2026年8月31日
1つのモデルを追加。glm-5.3-flash をボードに追加しました。パス率99%、セキュリティ100%、中央値タイム・トゥ・ファースト・トークン2.6秒です。
-
2026年8月23日
4つのモデルを追加。glm-5.3、grok-4.6、deepseek-v4-pro、gemini-3.7-flash を追加しました。glm-5.3 は5つのコーナーすべてを100%でクリアし、現在ボードのヘッドラインピックであり、gpt-5.5 の前に位置しています。
-
2026年8月5日
OpenAI コスト更新。OpenAI が価格を値下げした後、GPT-5.6 トリプルを再実行し、コスト数値を更新し、低リスクで再試行可能なジョブの最も安価なワークホースとして Luna を強調しました。
-
2026年7月29日
3つのモデルを追加。opus-5、gemini-3.6-flash、grok-4.5 を、タスク、品質、セキュリティ、レイテンシ、コストの全結果とともにボードに追加しました。
-
2026年7月19日
リーダーボードをローンチ。最初の Ed-o-meter を公開しました。Claude の参照セットである haiku-4-5、sonnet-4-6、sonnet-5 を含みます。
次にテストすべきモデルは?
ボードにまだない最近リリースされたモデル。好きなだけ投票してください。最も多くの票を獲得したモデルが、次の実行のキューの先頭に移動します。
ショートリストを読み込み中…
接続ごとに1票。繰り返し投票を防ぐため、IPアドレスのソルトハッシュを保持し、それ以外は何も保存しません。モデルではなくジョブをテストしてほしいですか?タスクを提案。
週刊ダイジェストを入手
Ed-o-meter のボード変更、英国の新しいAI締め切り、エージェントのインシデント、コーディングツールの価格変更などを1通のメールで。変更があった週のみ送信されます。
または ダイジェストフィード をフォローしてください。各サブスクリプションはメールで確認され、すべてのメールにはワンクリックで解除できるリンクが含まれています。プライバシーポリシーをご覧ください。
次にテストするモデルに投票。