クローズドAIモデルが価格性能のフロンティアを支配

クローズドAIモデルが価格性能のフロンティアを支配

VillageのLLM Atlasは、価格性能のフロンティア、すなわちあらゆる価格帯で最も強力なAIモデルをマッピングしています。

クローズドモデルがあらゆる予算帯をほぼ独占

［画像: LLM Atlasのキャパビリティスコアとタスクあたりの推定コストの散布図。2026年6月30日までおよび2026年10月31日までにリリースされた全モデルについて、高負荷時のGPT-5を基準とした相対値。価格性能のフロンティアが描かれている。6月には、フロンティア上の19点の内の8点がオープンウェイトであり、DeepSeek-V4-Flash、GLM-5.2、Gemma 4 E4B IT、Hy3プレビュー、Llama 3 8B Instructが含まれ、オープンモデルはGPT-5のコストの1%から3倍の予算帯の41%で最良の選択肢であった。10月31日には、21点中5点がオープンウェイトであり、すべてフロンティアの安価な半分（DeepSeek V4.1 Flash、Gemma 4 E4B IT、Llama 3 8B Instruct、MiMo-V2.6-Flash）に位置し、予算のシェアは3%に低下した。］

• オープンウェイトモデルは3%の予算帯で最良の選択肢です。 そのほとんどは安価なエンドに位置し、GoogleのGemma 4 E4BとXiaomiのMiMo-V2.6-Flashが占めています。
• 6月には41%でした。 DeepSeek V4 Flash単独で、約3分の1の予算帯で最良の選択肢となり、ZhipuのGLM-5.2がそのすぐ上に位置しました。
• OpenAIの2つのリリースがそのほとんどを取り戻しました。 9月のGPT-6 Lunaと10月のGPT-6.1 Terraは、AnthropicのClaude Haiku 5.5と共に、かつてオープンモデルが勝利していた予算帯を現在カバーしています。

オープンモデルは以前、価値でリードしていた

［画像: 2024年の各四半期末と2026年10月31日時点での、高負荷時のGPT-5のタスクあたりコストの1%から3倍までのログスケールで均等に分布した予算帯において、予算を超えない最も能力の高いモデルがオープンウェイトであった割合。Q1 2024: 6%; Q2 2024: 42%; Q3 2024: 19%; Q4 2024: 32%; Q1 2025: 7%; Q2 2025: 7%; Q3 2025: 52%; Q4 2025: 30%; Q1 2026: 26%; Q2 2026: 41%; Q3 2026: 20%; 2026年10月31日: 3%。］

• 現在のシェアは測定した中で最低です。 2024年以降の各四半期末において、オープンモデルは少なくとも6%の予算帯を占めていました。
• ピークは単一のリリースから来ました。 DeepSeek-V3.2-Expは、2025年9月にリリースされた週に、ほぼ半数の予算帯で最良の選択肢でした。
• どれも長続きしませんでした。 各ピークの後、クローズドラボがより安価なティアをリリースしたため、オープンシェアは次の四半期までに約半分以上に減少しました。

オープンモデルは価値で言えば断続的に勝利します。強力で安価なリリース（通常はDeepSeekから）が広い予算帯を獲得しますが、次のクローズドモデルがそれを下回るまでです。最新のクローズドリリースは、オープンモデルよりも安価かつ強力であるため、その範囲は価格帯の最も低い部分に縮小しました。

なぜクローズドラボが価値で勝利している可能性があるのか

このパターンに合致する3つの説明があります。

• クローズドラボは自社のフロンティアモデルを蒸留できます。 最も強力なモデルを持つラボは、その出力を社内で使用してより安価なモデルをトレーニングできます。今日の安価なクローズドティアは、Claude Opus 5.5の2週間後にClaude Haiku 5.5がリリースされたように、そのフラッグシップモデルの数週間後に続きました。オープンラボは、クローズドラボの利用規約が通常、競合他社をその出力でトレーニングすることを禁止しているため、自社の、より弱いモデルから始める必要があります。
• クローズドラボはファミリー全体をリリースします。 OpenAIのGPT-6およびGPT-6.1モデル（Luna、TerraからSol、Astraまで）は、フロンティアの21点の内の11点を占めており、1世代でほぼすべての価格帯をカバーします。
• クローズドラボはより安価にサービスを提供できる可能性があります。 OpenAI、Anthropic、Googleは、Googleは自社チップで、巨大なスケールで推論を実行しており、各タスクのコストを下げることができます。ほとんどのオープンモデルラボは、はるかに少ないトラフィックをサービスしています。

これをどのように構築したか

この調査では、VillageのLLM Atlasを使用しています。これは、公開ベンチマーク結果から各モデルと推論設定のキャパビリティスコアを推定し、別のコストモデルと組み合わせて、評価者の実行からタスクあたりのコストを推定します。詳細は方法論で説明されています。コストは、高負荷時のGPT-5に対する相対値です。各日付について、それまでにリリースされたすべてのモデルを取得し、1%からGPT-5のコストの3倍までのログスケールで均等に分布した201の予算帯それぞれで、最も能力の高いモデルを見つけます。スコアは2026年10月31日時点のものです。Atlasは新しい結果が到着すると更新されます。

コストは評価者がホストされたAPIを通じて支払ったものを反映しており、オープンモデルは独自のハードウェアで実行する方が安価な場合があります。少なくとも10のベンチマークファミリーでスコアリングされたモデルに限定するか、予算をGPT-5のコストの3%から1倍に絞ると、同じパターンが得られます。それを0.3%から10倍に広げると、非常に安価なエンドで小さなオープンモデルが依然として勝利するため、今日のシェアは16%に上昇します。

---