10モデルを性能×コストで実測比較。AI APIの選び方【2026年8月】
モデルが増えすぎて、どれを選べばいいか分からない
ChatGPT（GPT-5.6）、Claude、Gemini、Grok、Qwen、Kimi——。2026年に入って、まともに使えるAPIモデルは10を超えました。「どれもすごい」と言われる一方で、どれを選ぶかで月額コストが10倍以上変わるのが今のAI市場です。
私も最近、Qwen CloudのToken Planと従量課金、Kimi 3の設定を一通り入れてみました。せっかくなので、主要10モデルを同じ12タスクで実測し、性能とコストの両面からランキングを作ってみました。すべて実測ベースの数字です。
結論: 選ぶべきモデルはこれ
| 目的 | 選ぶモデル | 理由 |
|---|---|---|
| コスト最優先 | DeepSeek V4 Flash | 2位の約9倍のコスト効率 |
| コスパ×品質のバランス | Grok 4.3 / Qwen 3.7 Plus | 品質95点台を維持しつつ低コスト |
| 品質最優先 | GPT-5.6 Terra | 12タスク全完璧。唯一、日付も正確 |
| コードレビュー特化 | Kimi K3 / Claude Opus 5 | コード領域は最上級 |
詳しい数字はこの後すべて出します。「安く大量に回すならDeepSeek、バランスならGrokかQwen、品質で決めるならGPT-5.6」——これが今回の結論です。
テスト方法: 12タスクの実務適性バッテリー
評価には、私が普段使っている12タスクの統一テストバッテリー（model-skill-battery）を使いました。計算、英訳、要約、JSON生成、Pythonコード生成、分析質問、多段指示、ブログ要約、定型レポート、コードレビュー、X投稿文、監視レポートの12項目です。
判定は3段階。
- ○: 正答かつ完了（finish=stop）
- △: 内容は正しいが不完全・冗長
- ✗: 空応答または誤答
機械判定のあとに、日付の正確さ・JSONの形式・出力の冗長性を内容ベースで再判定しています。単なるベンチマークスコアではなく、実際のワークフローで使えるかを基準にしました。
性能ランキング: 総合点トップはGPT-5.6 Terra
| モデル | ○ | △ | ✗ | 総合点 | 判定 |
|---|---|---|---|---|---|
| GPT-5.6 Terra | 12 | 0 | 0 | 100 | フラッグシップ級 |
| Grok 4.3 | 11 | 1 | 0 | 95.8 | フラッグシップ級 |
| Qwen 3.7 Max | 11 | 1 | 0 | 95.8 | フラッグシップ級 |
| Qwen 3.7 Plus | 11 | 1 | 0 | 95.8 | フラッグシップ級 |
| Qwen 3.8 Max | 10 | 2 | 0 | 91.7 | フラッグシップ級 |
| Qwen 3.7 Flash | 10 | 2 | 0 | 91.7 | フラッグシップ級 |
| DeepSeek V4 Flash | 10 | 1 | 1 | 87.5 | 実用十分 |
| Claude Opus 5 | 10 | 1 | 1 | 87.5 | 実用十分 |
| Gemini 3.5 Flash | 10 | 1 | 1 | 87.5 | 実用十分 |
| Kimi K3 | 8 | 2 | 2 | 75.0 | コード特化 |
タスク別で見えた特徴
- コード生成・コードレビュー: GPT-5.6 Terra、Kimi K3、Qwen 3.7 Maxが最上級。Kimiはコード特化モデルとして高品質でした。
- JSON構造化出力: GPT-5.6 Terraが唯一、実行日の日付も正確に出力。他のモデルは日付を誤るか、拒否しました。
- 短文生成（X投稿など）: Qwen系とGPT-5.6 Terraが安定。DeepSeekとKimiは出力トークン不足で空応答になりました（上限を上げれば改善します）。
- 監視レポート・要約: 全モデルで差が小さい。ここはどのモデルでも安心して使えます。
コスト効率ランキング: DeepSeekが圧倒的1位
性能だけ見ればGPT-5.6 Terraが最強ですが、実際にAPIを使うならコストも外せません。実測のトークン消費量と、2026年8月時点の各社公式API単価を使って、12タスクあたりのコストを計算しました。
| 順位 | モデル | 品質 | 12タスク費用 | 効率指数 |
|---|---|---|---|---|
| 1 | DeepSeek V4 Flash | 87.5 | 約$0.001 | 100.0 |
| 2 | Grok 4.3 | 95.8 | 約$0.013 | 11.3 |
| 3 | Qwen 3.7 Plus | 95.8 | 約$0.017 | 8.4 |
| 4 | Qwen 3.7 Flash | 91.7 | 約$0.019 | 7.2 |
| 5 | GPT-5.6 Terra | 100.0 | 約$0.022 | 6.7 |
| 6 | Gemini 3.5 Flash | 87.5 | 約$0.023 | 5.6 |
| 7 | Qwen 3.7 Max | 95.8 | 約$0.080 | 1.8 |
| 8 | Kimi K3 | 75.0 | 約$0.101 | 1.1 |
| 9 | Claude Opus 5 | 87.5 | 約$0.146 | 0.9 |
※効率指数は「品質÷コスト」をDeepSeek V4 Flash=100として正規化した値です。Qwen 3.8 MaxはToken Planプレビュー限定のため単価不明で対象外。
DeepSeek V4 Flashのコスト効率は、2位のGrok 4.3の約9倍。 入力が$0.14/100万トークン、出力が$0.28/100万トークンという価格設定が効いています。一方、Claude Opus 5は出力が$25/100万トークンで、汎用用途には割高です。
実務判断: どう使い分けるか
ここまでを踏まえて、私の実務判断をまとめます。
1. コスト最優先ならDeepSeek V4 Flash
大量バッチ処理や、品質より数を回したい用途はDeepSeek一択です。12タスク全体で約$0.001と、実質タダ同然。この価格で87.5点取れるのは驚異的です。
2. コスパ×品質ならGrok 4.3かQwen 3.7 Plus
品質95.8点を維持しつつ、GPT-5.6 Terraの約半分以下のコスト。日常の対話・ブログ生成・分析にはこの2つが最適です。特にQwen 3.7 PlusはToken Plan（定額制）なら、さらに実質コストが下がります。
3. 品質で決めるならGPT-5.6 Terra
12タスクすべてで完璧な応答。特にJSONの日付を実行日で正確に出すのは他モデルとの最大の差です。構造化出力や日付に依存する処理では、この信頼性は大きい。
4. コードレビューはKimi K3かClaude Opus 5
コード生成・レビュー領域は、Kimi K3とClaude Opus 5が最上級の品質でした。ただし汎用用途では割高なので、「コード領域だけ特化で使う」のが正しい使い方です。
モデル選びで外せない3つの注意点
1. 「今日の日付」は大半のモデルで誤る
今回のテストで、日付を要求したタスクはGPT-5.6 Terra以外すべて失敗しました（誤った日付を返すか、拒否）。日付が必要な処理では、モデルに生成させず、アプリ側から日付を注入・検証するのが安全です。
2. 推論モデルは出力トークン上限に注意
DeepSeek V4 FlashやKimi K3は、回答前に「思考」でトークンを消費します。出力上限が小さいと空応答になります。今回、X投稿文タスクで両モデルとも空応答になりましたが、上限を上げれば改善します。短文生成には `max_tokens` を1,200以上に設定しましょう。
3. 定額制（Token Plan）は使い方次第で最強
Qwen 3.7 Max / PlusはToken Plan（月額定額制）で使えます。大量に使うなら従量課金より実質コストが下がるので、「どのくらい使うか」で選ぶ方式を変えるのがポイントです。
まとめ: 正解は「1つに絞らない」
2026年のAIモデル選びで重要なのは、「最強モデルを1つ決める」ことではなく、「用途に応じて使い分ける」ことです。
- 大量バッチ → DeepSeek V4 Flash
- 日常タスク → Grok 4.3 か Qwen 3.7 Plus
- 品質・構造化出力 → GPT-5.6 Terra
- コードレビュー → Kimi K3 か Claude Opus 5
この組み合わせなら、品質を保ちながらコストを抑えられます。まずは「安く回せるDeepSeek」と「バランスのいいQwen 3.7 Plus」の2つから試すのが、私のおすすめです。
なお、3モデル比較版の記事はこちらにあります。あわせてご覧ください。
Photo by Alex Knight from Pexels
