2026年11月20日

LMArenaの「Agent Arena Index」とは?Claude Fable 5.2が首位の新指標

Agent Arena Index(エージェント・アリーナ・インデックス)は、LMArenaが2026年11月18日に発表したAIエージェントの総合性能を測る新しい指標で、世界のコミュニティによる数百万件の実タスクのセッションをもとに、エージェントが実世界でどれだけ仕事を完遂できるかを複合スコアで示すものです。

室谷室谷代表取締役
いやあ、ついに来たかという感じなんですよね。LMArenaが「Agent Arena Index」を発表しました。

これ、単なるランキング更新の話じゃなくて、エージェント評価の物差しそのものが作り直されたんですよ。
テキトー教師テキトー教師DotAI 認定講師
そうなんですよ。しかも今回は総合指標ひとつじゃなくて、用途別の6つの指標と、安全性を見るAlignment Indexまで同時に出てきている。

講座でも「どのモデルを選べばいいか」という受講生さんの質問が多いので、これは整理しておきたい話題ですね。
室谷室谷代表取締役
まず押さえておきたいのは、評価の材料が合成ベンチマークじゃなくて、Arena上で実際に交わされた何百万件ものエージェントセッションだということ。実運用ベースなんですよね。
テキトー教師テキトー教師DotAI 認定講師
そこは重要です。LMArenaの発表では、こうした指標群が「複雑なワークフローの完遂からツール利用、ユーザーのフィードバックへの適応まで」を含む実世界タスクの性能を包括的に見るためのものだと説明されています。

Agent Arena Indexとは?何を測る新しい指標なのか

Agent Arena Indexの構造と評価の考え方
ヘッドライン指標
エージェントの総合性能を表す主要指標
6つの用途別指標
Work/Coding/Chat/Task Outcome/Tool Use/Steering
Alignment Index
ヘッドライン指標と並ぶ指標として位置づけ
実タスクのセッションが土台
一問一答ではなく複数ステップの作業遂行を評価
スコア体系の刷新
より安定して解釈しやすい方法で実世界の振る舞いを理解できるように更新
室谷室谷代表取締役
定義を整理すると、Agent Arena Indexはエージェントの総合性能を表すヘッドライン指標で、そこに6つの用途別指標とAlignment Indexが並ぶ構造です。LMArenaはこれを「実世界でのエージェント性能を測る新しい主要指標」と位置づけています。
テキトー教師テキトー教師DotAI 認定講師
単に「賢さ」を測る話じゃないんですよ。エージェントは一問一答ではなく、複数ステップの作業を自分で進めてゴールに到達する存在ですから、途中の振る舞いまで含めて評価しないと意味がない。

だから実タスクのセッションが土台になっているわけです。
室谷室谷代表取締役
しかもLMArenaは今回、スコア体系も更新していて、「より安定して解釈しやすい方法で、エージェントが実世界でどう振る舞うかを理解できるようにする」と述べています。指標の追加と尺度の刷新がセットで来ているのがポイントですね。
テキトー教師テキトー教師DotAI 認定講師
あわせて、Work/Coding/Chat/Task Outcome/Tool Use/Steeringという6つの指標が新設されました。それぞれ「どのエージェントが知識作業に強いか」「どのコーディングエージェントが最良か」といった具体的な問いに答える形になっています。

最新ランキング1位はClaude Fable 5.2、上位5モデルのスコアを比較

Agent Arena Index 上位5モデルのスコア比較
順位ラボモデルスコア
#1AnthropicClaude Fable 5.2(Max)1463
#2Google DeepMindGemini 4 Carbon(High)1307
#3OpenAIGPT-6 Astra(Max)1274
#4MetaMuse Wonder Full(Max)1200
#5Alibaba QwenQwen4-Max(xHigh)1191
室谷室谷代表取締役
で、肝心のランキングです。Agent Arena Indexの首位はAnthropicのClaude Fable 5.2(Max)で1463点。

2位に134点差をつけているんですよね。
テキトー教師テキトー教師DotAI 認定講師
上位5ラボを並べるとこうなります。数字は発表時点のものですね。
順位ラボモデルスコア
#1AnthropicClaude Fable 5.2(Max)1463
#2Google DeepMindGemini 4 Carbon(High)1307
#3OpenAIGPT-6 Astra(Max)1274
#4MetaMuse Wonder Full(Max)1200
#5Alibaba QwenQwen4-Max(xHigh)1191
室谷室谷代表取締役
1位と2位の差が134点というのは、発表の書きぶりからしてもかなり大きいと受け取っていいんでしょうね。2位以下は1307、1274、1200、1191と、比較的近い距離で並んでいる印象です。
テキトー教師テキトー教師DotAI 認定講師
ただ、モデル名の後ろに付いている(Max)(High)(xHigh)といった表記の意味は、今回の資料では明らかにされていません。推論設定の違いを表していそうだという話はありますが、裏が取れないので断定は避けたいところです。
室谷室谷代表取締役
そうですね、そこは現時点では明らかにされていません、で止めるのが正解です。あと、Gemini 4 CarbonについてはGemini 4 Carbonの料金と性能、Argon・Hydrogenとの違いを整理で詳しく解説しているので、スコアの背景を知りたい方はそちらもどうぞ。
テキトー教師テキトー教師DotAI 認定講師
Claude Fable 5.2そのものの基本情報はClaude Fable 5とは?読み方・料金・Fable 5.1との違いを整理にまとまっています。首位のモデルがどんな位置づけなのかを押さえてから読むと、数字の重みが変わってきますよ。

Agent Arena Indexの評価軸——タスク完了・満足度・Bash信頼性・Steerability

Agent Arena Indexを構成する4つの評価軸
Task Completion
ユーザーがタスク成功を明示的に確認したか
Praise vs. Complaint
成果物に対するユーザーの満足/不満
Bash Reliability
ターミナルツール利用の確実さ
Steerability
ユーザーの訂正への追従性
室谷室谷代表取締役
ここが一番おいしいところです。Agent Arena Indexは4つの信号を組み合わせてできています。

1つ目がTask Completion、つまりユーザーによるタスク成功の明示的な確認ですね。
テキトー教師テキトー教師DotAI 認定講師
2つ目がPraise vs. Complaint、エージェントの成果物に対するユーザーの満足・不満です。3つ目がBash Reliabilityで、エージェントがターミナルツールをどれだけうまく使えるか。

4つ目がSteerabilityで、ユーザーの訂正にどれだけうまく応じられるか。
室谷室谷代表取締役
整理するとこうです。
  • Task Completion:ユーザーがタスク成功を明示的に確認したか
  • Praise vs. Complaint:成果物に対する満足/不満
  • Bash Reliability:ターミナルツールの利用の確実さ
  • Steerability:ユーザーの訂正への追従性
テキトー教師テキトー教師DotAI 認定講師
面白いのは、この4つが「能力」と「協働のしやすさ」の両方を含んでいることです。タスクが終わったかどうかだけでなく、途中でこちらが方向修正したときに素直に直せるかまで見ている。

単に賢いモデルではなく、一緒に仕事ができるモデルを測ろうとしているわけです。
室谷室谷代表取締役
MYUUUでもエージェントを業務に組み込んで試しているんですけど、正直、性能が高くても指示の修正を汲み取ってくれないモデルは現場で使えないんですよね。Steerabilityが評価軸に入っているのは実感に合います。
テキトー教師テキトー教師DotAI 認定講師
Bash Reliabilityも現場感があります。コマンド操作を確実にこなせるかどうかは、エージェントに作業を任せるうえでの信頼性に直結しますから。

用途別6指標でわかること——Work/Coding/Chat/Tool Use/Steeringの順位

室谷室谷代表取締役
で、ここからが実用面です。6つの指標は、それぞれが特定の問いに答える形になっています。

Workは知識作業に最強のエージェントはどれか、Codingは最良のコーディングエージェントはどれか、Chatは日常のチャットエージェントとして最良はどれか、という具合ですね。
テキトー教師テキトー教師DotAI 認定講師
Task Outcomeはユーザーのタスク完遂に最も優れるモデル、Tool Useはツール利用に最も優れるモデル、Steeringはユーザーの訂正への追従に最も優れるモデルを答える指標です。
室谷室谷代表取締役
構成の違いも面白いんですよ。Work、Coding、Chatの3つは4つの信号すべてを使う。

Task OutcomeはTask CompletionとPraise vs. Complaintに絞り、Tool UseはBash Reliability、SteeringはSteerabilityにそれぞれ焦点を当てる。
テキトー教師テキトー教師DotAI 認定講師
整理するとこうですね。
  • Work/Coding/Chat:4信号すべてを使用
  • Task Outcome:Task Completion+Praise vs. Complaint
  • Tool Use:Bash Reliability
  • Steering:Steerability
室谷室谷代表取締役
そして発表時点の順位ですが、Claude Fable 5.2がAgent Arena Indexに加えてWork、Coding、Chat、Task Outcome、Steeringでも1位。Tool UseはClaude Sonnet 5が首位、Alignment IndexはGPT 6.1 Terraが1位という結果です。
テキトー教師テキトー教師DotAI 認定講師
総合1位のモデルがほとんどの用途別指標でも1位というのは、かなりはっきりした結果ですね。一方でTool Useだけ首位が別モデルになっている。

ツール利用に特化した評価では違う顔ぶれが出るということです。
室谷室谷代表取締役
LMArenaは「将来的にこれらの指標に信号を追加し続け、フロンティアの進化を測っていく」とも述べています。今の6指標は完成形ではなく、育っていく前提なんですよね。

Alignment Indexとは?安全性・整合性で見るエージェント評価

室谷室谷代表取締役
能力の話だけだと片手落ちで、今回もう一本柱が立っています。Alignment Indexです。

これはエージェントがユーザーの意図にどれだけ忠実に行動しているかを測る指標ですね。
テキトー教師テキトー教師DotAI 認定講師
使われている信号は3つ。Deceptive Completion(欺瞞的な完了)、Unauthorized Action(無断行動)、False Attribution(誤帰属)です。

要するに、できていないのにできたように見せる、頼んでいないことを勝手にやる、やっていないことをやったと言う。どれもエージェントを業務に使ううえで怖い挙動です。
室谷室谷代表取締役
ここは実務者としては一番ゾッとするところで。タスク完了率が高くても、その完了が「見かけだけ」だったら意味がないわけですから。
テキトー教師テキトー教師DotAI 認定講師
LMArenaは「エージェントがより複雑で長期間にわたる作業を担うようになるにつれて、実世界での能力と整合性を測ることの重要性がかつてなく高まっている」と説明しています。能力と整合性をセットで見る設計思想がはっきり出ていますね。
室谷室谷代表取締役
発表時点でAlignment Indexの1位はGPT 6.1 Terra。能力の総合1位とは別のモデルが取っているという点は、選定のときに効いてくる話だと思います。

スコア体系の刷新——Net ImprovementからIndex scoreへ変わった点

室谷室谷代表取締役
地味ですけど見逃せないのが、スコア体系の変更です。従来のNet Improvementが新しいIndex scoreに置き換わりました。
テキトー教師テキトー教師DotAI 認定講師
発表では、新しいスコアスケーリングによって「時間をまたいだスコアの比較がより解釈しやすくなる」と説明されています。そして重要なのが、この変更は順位には影響しないという点。

元になったAgent Arenaのブログで説明されている中核的な手法自体は変わっていない、とされています。
室谷室谷代表取締役
尺度だけ変えて順位は動かさない、というのは誠実なやり方ですよね。過去のスコアと今のスコアを並べて「上がった下がった」と言いやすくなるのは、定点観測する側としてはありがたい。
テキトー教師テキトー教師DotAI 認定講師
受講生さんからも「先月と比べてどうなの?」と聞かれることが多いので、経時比較がしやすくなるのは実用的です。手法の詳細は公式ブログで説明されているので、そちらを確認するのが確実ですね。
室谷室谷代表取締役
あと、Arenaにはテキストやコード、画像、動画といった複数モダリティのリーダーボードがありますけど、今回のAgent Arena Indexはエージェントの実運用に焦点を当てた位置づけになります。既存のリーダーボードとは別の切り口として見るのがいいと思います。
テキトー教師テキトー教師DotAI 認定講師
モデル全般の性能比較を知りたい場合はChatGPTのモデル性能比較【2026年最新】:GPT-5.3/5.4・Claude・Gemini・料金プランを徹底解説のような整理も参考になります。今回の指標はその上で「エージェントとして実務を回せるか」を見るもの、と役割を分けて捉えると混乱しません。
室谷室谷代表取締役
使い方としては、まずAgent Arena Indexで全体の地力を見て、自分の用途に近い指標で2番手以降を確認し、最後にAlignment Indexで安全性をチェックする。この3段階で選ぶのが現実的だと思います。
テキトー教師テキトー教師DotAI 認定講師
まさにその順番がいいですね。総合1位が自分の用途で1位とは限らないですし、能力が高くても整合性の指標が低ければ業務には置けない。

逆に、用途を絞れば上位モデル以外にも選択肢がある、という見方ができるのが今回の発表の価値だと思います。

よくある質問

Q. Agent Arena Indexとは何ですか?

LMArenaが発表したAIエージェントの総合性能を測る指標です。Task Completion、Praise vs. Complaint、Bash Reliability、Steerabilityの4つの信号を組み合わせ、世界のコミュニティによる数百万件の実タスクをもとに算出されます。

Q. 最新ランキングの1位はどのモデルですか?

発表時点の1位はAnthropicのClaude Fable 5.2(Max)で1463点です。2位はGemini 4 Carbon(High)1307点、3位はGPT-6 Astra(Max)1274点、4位はMuse Wonder Full(Max)1200点、5位はQwen4-Max(xHigh)1191点となっています。

Q. 合成ベンチマークではなく実運用ベースなのですか?

LMArenaは、Arena上の世界のコミュニティによる数百万件の実世界タスクからエージェント性能を測定していると説明しています。実セッションに基づく評価である点が特徴です。

Q. Alignment Indexとは何を測る指標ですか?

エージェントがユーザーの意図に忠実に行動しているかを測る指標で、Deceptive Completion、Unauthorized Action、False Attributionの3つの信号に基づきます。発表時点の1位はGPT 6.1 Terraです。

Q. スコア体系は何が変わりましたか?

従来のNet Improvementが新しいIndex scoreに更新され、より解釈しやすいスコアスケーリングになりました。この変更は順位には影響せず、中核的な手法は従来のAgent Arenaの説明から変わっていないとされています。

Q. モデル名の後ろの(Max)(High)(xHigh)は何を意味しますか?

これらの表記の意味について、今回の発表資料では明らかにされていません。

Q. リーダーボードの更新頻度は?

更新頻度についての具体的な説明は、今回の発表資料では明らかにされていません。

New articles

新着記事

使い方

Adobe Fireflyの使い方、無料で最初の1枚を作る手順と最新料金

2026年11月20日
室谷テキトー教師
ニュース

Microsoftの「Canvas」とは?MAI Image 2.7 Flash搭載の画像編集ワークスペース

2026年11月20日
室谷テキトー教師
使い方

Perplexity Cometとは?無料プランの制限と料金、安全性を最新情報で整理

2026年11月20日
室谷テキトー教師
ニュース

Ideogram 4.6とは?ネイティブ4Kと精密編集を強化した画像モデル

2026年11月20日
室谷テキトー教師
ニュース

NVIDIAの「Nemotron-Labs-Sigma」とは?連続拡散の言語モデル群

2026年11月20日
室谷テキトー教師
ニュース

Unsloth AMD NPU対応とは?Ryzen AIで100以上のエージェント型AIアプリが低電力推論

2026年11月20日
室谷テキトー教師
ニュース

Googleの「Stitch Loop」とは?常時稼働で製品を改善するプロダクトエージェント

2026年11月20日
室谷テキトー教師
ニュース

OpenAIの「Codexサンドボックス」とは?OSネイティブで自律実行を安全に

2026年11月20日
室谷テキトー教師
ニュース

Geminiアプリが低メモリAndroid端末に対応、Android Go editionで何ができる?

2026年11月20日
室谷テキトー教師
使い方

Geminiの回答が遅いのはなぜ?混雑・モデル設定・使用量上限の切り分けとAPIの対処まで

2026年11月20日
室谷テキトー教師

Join

AIプレナーになる。

入会は審査制です。いまの事業と、AIで何を動かしたいのかを聞かせてください。