2025年におけるAIモデルの進化：意思決定者のためのガイド

2025年は、AIが専門的なツールキットとなった年である。このガイドでは、主なリリース、ベンチマーク、適切なモデルを選択するための推奨事項を取り上げている。

AI評価を理解する

モデルの比較に入る前に、これらのベンチマークが実際に何を測定しているかを理解するのに役立ちます。各評価をクリックして詳細をご覧ください：

エグゼクティブサマリー

意思決定者にとっての重要なポイント：

• コーディングタスクに最適： Claude Opus 4.5 が SWE-bench 検証で 80.9%でリード
• 数学的推論に最適： GPT-5.2 が AIME 2025 で完璧な 100% を達成
• マルチモーダル・アプリケーションに最適： Gemini 3 Proは、Video-MMMUで87.6%を達成
• 最高のコストパフォーマンス： DeepSeekモデルは、同等の性能を80～90%低いコストで提供
• オープンソースの展開に最適： Llama 4 Scoutは、Llamaライセンス（条件付き無料）のオープンウェイトで10Mのトークンコンテキストウィンドウを提供

「1つのモデルがすべてに適合する」時代は終わった。2025年、勝つための戦略は、特定のユースケースを特化したモデルに適合させることである。

2025年AIモデル・タイムライン

いつ、何が発売されたかは以下の通り：

Month	Company	Model	Key Innovation
January	DeepSeek	R1	Open-source reasoning model matching OpenAI o1
February	OpenAI	GPT-4.5	Research preview with improved EQ
February	xAI	Grok 3	Truth-seeking AI with advanced reasoning
March	Google	Gemini 2.5 Pro	1M token context, native multimodality
April	Meta	Llama 4	Open-weight, mixture-of-experts architecture
April	OpenAI	GPT-4.1	Coding-specialized, instruction following
May	DeepSeek	R1-0528	Major reasoning upgrade, 87.5% AIME score
July	xAI	Grok 4	#1 AI Index (73), 88.9% GPQA, 91.7% AIME
August	OpenAI	GPT-5	80% fewer hallucinations, unified model
August	DeepSeek	V3.1	Hybrid reasoning + base capabilities
September	Anthropic	Claude Sonnet 4.5	Efficient coding, 77.2% SWE-bench
October	Anthropic	Claude Haiku 4.5	Fast, affordable option
November	Anthropic	Claude Opus 4.5	Best coding model, 80.9% SWE-bench
November	Google	Gemini 3 Pro	95% AIME, multimodal leader
November	OpenAI	GPT-5.1	Adaptive reasoning, Codex-Max
December	OpenAI	GPT-5.2	100% AIME, 400K context window
December	Mistral	Large 3 / Devstral 2	Open-weight challenger, 72.2% SWE-bench

各社のディープダイブ分析

Anthropic Claudeファミリー

Anthropicは2025年にコードファーストAIに焦点を当てた。Claude 4 ファミリーはハイブリッドな応答を導入している：単純なクエリには即時生成、複雑なクエリには拡張思考。

Claude Opus 4.5（2025年11月）は、コーディング・ベンチマークをリードしている。コード生成とバグ修正の業界標準であるSWE-bench Verifiedにおいて、Opus 4.5は80.9%を記録し、GPT-5（74.9%）とGemini 2.5 Pro（63.8%）を上回った。

印象的なのは、ベンチマークスコアだけではない。Anthropic社によると、Opus 4.5は、76%少ない出力トークンを使用しながら、Sonnetの最高のSWEベンチパフォーマンスを達成している。トークンのコストがかさむ企業展開では、この効率性はコスト削減に直結する。

主な仕様：

• コンテキスト・ウィンドウ：200,000トークン
• 出力制限：64,000トークン
• 価格: 100万トークンあたり入力5ドル/出力25ドル
• 強み：複雑なコーディング、エージェント型ワークフロー、コンピューター制御

Claude Sonnet 4.5（2025年9月）は、ほとんどのプロダクションワークロードにとってスイートスポットである。100万トークンあたり3ドル/15ドルで、SWEベンチで77.2%を達成し、GPT-5を凌ぐコーディングタスクを低価格で実現。

最適な用途： ソフトウェア開発チーム、コードレビューの自動化、複雑なエージェントシステム。

OpenAI GPTファミリー

OpenAIの2025年は、急速な反復の年だった。2月のGPT-4.5から始まり、12月のGPT-5.2で頂点に達する5つの主要モデルをリリースした。

GPT-5.2（2025年12月）は、Gemini 3とClaude Opus 4.5からの競争圧力に対するOpenAIの対応策である。3つのバリエーションがある：

• Instant：日常的なクエリに最適化されたスピード
• Thinking：複雑な推論、コーディング、分析
• Pro：困難な問題に対する最大限の精度

傑出した成果：AIME 2025で100%—この困難な数学ベンチマークで満点を達成した最初のモデル。また、ARC-AGI-2でも54.2%を記録し、本物の推論タスクにおいてClaude Opus 4.5（37.6%）を大きく上回っている。

GPT-5.1（2025年11月）には適応型推論が導入され、このモデルはタスクの複雑さに基づいて思考時間を動的に調整する。Codex-Maxバージョンは、特にソフトウェア工学をターゲットにしており、SWE-benchで77.9%を記録した。

GPT-5（2025年8月）は、o3より幻覚が80%少なく、GPT-4oより45%少ない。

GPT-5.2の主な仕様：

• コンテキスト・ウィンドウ：400,000トークン
• 出力制限: 128,000トークン
• 知識カットオフ：2025年8月
• 価格：100万トークンあたり1.75ドル/14ドル（Thinking）、21ドル/168ドル（Pro）
• 強み：数学、推論、膨大な文脈

最適な用途： 複雑な分析、金融モデリング、大量のドキュメントを取り込む必要がある研究。

Google Gemini

グーグルのGeminiファミリーは、2025年後半にヘッドラインを独占した。Gemini 3 Pro（2025年11月）は、複数のベンチマークでトップランキングを達成—Video-MMMUなどのマルチモーダルタスクでリードし、推論リーダーシップではGPT-5.2と僅差で競っている。

Gemini 3 Proは、マルチモーダル能力と推論能力の飛躍を象徴している：

• ツールなしでAIME 2025で95%（コード実行で100%）
• GPQA Diamondで91.9%—Gemini 2.5の86.4%から上昇
• マルチモーダル理解のためのMMMU-Proで81%
• Video-MMMUで87.6%—ビデオ理解度トップ

このモデルは、スパースMoE（Mixture-of-Experts）アーキテクチャを採用しており、トークンを特化したサブネットワークにルーティングすることで効率化を図っている。Deep Thinkモードにより、推論の拡張が可能になり、ARC-AGI-2のスコアを45.1%に押し上げた。

Gemini 2.5 Pro（2025年3月）は、低価格で1Mトークンコンテキストウィンドウを備えており、コスト重視のアプリケーションに最適。

主な仕様（Gemini 3 Pro）：

• コンテキストウィンドウ：100万トークン
• 出力制限: 64,000 トークン
• 知識カットオフ：2025年1月
• 価格設定：100万トークンあたりインプット2ドル/アウトプット12ドル
• 強み：マルチモーダル、推論、エージェント型ワークフロー

最適な用途： 文書分析、ビデオ/オーディオ処理、科学的推論、Google Workspace統合。

Meta Llama 4

2025年4月に発表されたMetaのLlama 4は、オープンウェイトモデルへのコミットメントを続けている。このシリーズには2つのリリース済みバリエーション—ScoutとMaverick—があり、計画されていたBehemoth（2兆パラメータ）は複数の遅延と「内部パフォーマンスの不振」の報告により宙に浮いた状態となっている。

Llama 4 Scoutは、前例のない1,000万トークンのコンテキスト・ウィンドウを提供する。APIコストをかけずに膨大なデータセットを処理する必要がある研究機関や企業にとって、これは大きな変革だ。

Mixture-of-Expertsアーキテクチャは、モデルが1,090億の総パラメータを持っているにもかかわらず、1回の推論でアクティブになるパラメータがわずか170億であることを意味する。このため、生のパラメータ数から想像するよりも、セルフホストの方が効率的である。

主な仕様：

• コンテキスト・ウィンドウ：最大1000万トークン（Scout）
• 価格：無料（オープンウェイト、Llamaライセンス、条件付き）
• 強み：オープンソース・デプロイメント、膨大なコンテキスト、ベンダーロックインなし

最適な用途： セルフホスティング機能を持つ組織、研究機関、プライバシーを重視するアプリケーション。

DeepSeek：破壊者

DeepSeekが1月に発表したR1は、OpenAI o1の推論とわずかなコストで一致した。このオープンソースの中国製モデルは、AIの経済性に関する前提を覆した。

DeepSeek R1-0528（2025年5月アップデート）は、パフォーマンスをさらに押し上げた：

• AIME 2025：87.5%（70.0%から上昇）
• Codeforces評価：~1930（~1530から上昇）
• MMLU: 90.8%

価格設定が本当のポイントだ。100万トークンあたり0.55ドルの入力/1.68ドルの出力で、DeepSeek R1は、同等の推論タスクに対して、Claude Opus 4.5よりも約90%低コストだ。

DeepSeek V3.1（2025年8月）は、推論とベースモデルのベストを組み合わせたもの。SWE-bench Verifiedにおいて、V3.1のスコアは66.0%であり、Gemini 2.5 Proと同等（100万トークンあたり0.27ドル/1.10ドル）。

主な仕様：

• コンテキストウィンドウ：128,000トークン
• 価格: 100万トークンあたり0.27～0.55ドルのインプット/1.10～1.68ドルのアウトプット
• 強み：コスト効率、オープンソース、競争力

最適な用途： コスト重視の導入、大量のアプリケーション、欧米のプロバイダーに代わる選択肢を模索している企業。

xAI Grok

イーロン・マスクのxAIは2025年にブレイクアウトし、2月のGrok 3から7月にはGrok 4に進み、スコア73でAI指数の1位に躍り出た。

Grok 4（2025年7月）は大きな飛躍を意味する。xAIのColossusスーパーコンピュータ上に構築—200,000のNVIDIA GPUを持つ世界最大のAIトレーニングクラスタ—以下のような成果を上げている：

• AIME 2025で91.7%（Grok 4 Heavyは100%に達する）
• GPQA Diamondの87.5%（Grok 4 Heavy: 88.9%）—トップレベルの科学的推論
• AI指数73点—世界最高評価モデル

このモデルには3つのモードがある：高速応答のMini、バランスの取れたパフォーマンスのStandard、推論の深さを最大化するHeavy。すべてのモードは、リアルタイムの情報のためにX（Twitter）と深く統合されている。

強力な推論機能を備えたより手頃なオプションとして、Grok 3（2025年2月）が引き続き利用可能。

主な仕様（Grok 4）：

• コンテキスト・ウィンドウ：256,000トークン
• 価格: 100万トークンあたり入力3ドル/出力15ドル
• 強み：推論、リアルタイムX統合、最小限のガードレール

最適な用途： 研究アプリケーション、メディア分析、リアルタイムのニュース分析、フィルタリングの少ない出力を求める組織。

Mistral AI

フランスのAI企業は2025年を力強く締めくくった。Mistral Large 3（2025年12月）は、マルチモーダル機能と大規模なスケールをオープン・ウェイトのエコシステムにもたらす。

Mistral Large 3は、1推論あたり410億のアクティブ・パラメーターと256Kのコンテキスト・ウィンドウを持つmixture-of-expertsアーキテクチャを採用している。このモデルは、テキスト、画像、文書をネイティブに受け入れる。

Devstral 2はMistralのコーディングに特化したバリアントで、**SWE-bench Verifiedで72.2%**を達成し、GPT-5と競合し、Claudeファミリーの性能に近づいている。

主な差別化要因：Mistral Large 3はApache 2.0ライセンスの完全オープンウェイトで、Hugging Faceからダウンロード可能。企業は制限なくセルフホスト、ファインチューン、商用デプロイが可能。

主な仕様（Mistral Large 3）：

• アーキテクチャ：41Bアクティブ・パラメーター（MoE）
• コンテキスト・ウィンドウ：256,000トークン
• 価格: 100万トークンあたり入力$2 / 出力$6 (API)、無料 (セルフホスト)
• 強み：オープンウェイト、欧州データ主権、マルチモーダル

最適な用途： 欧州の企業でデータレジデンシーが必要な場合、オープンウェイトのマルチモーダルモデルを求める組織、コーディング支援。

ベンチマーク対決

2025年モデルの完全比較

この表は、2025年に発表された主要モデルを主要評価ベンチマークで比較したもの：

Model	Company	SWE-bench	AIME 2025	MMLU-Pro	GPQA	Context
GPT-5.2 Pro	OpenAI	55.6%*	100%	~93%	93.2%	400K
Claude Opus 4.5	Anthropic	80.9%	~83%	~90%	~85%	200K
GPT-5.1 Codex-Max	OpenAI	77.9%	94%	~92%	88.1%	128K
Claude Sonnet 4.5	Anthropic	77.2%	~78%	86.5%	83.4%	200K
Gemini 3 Pro	Google	76.2%	95%	~91%	91.9%	1M
GPT-5	OpenAI	74.9%	94.6%	~92%	~86%	128K
Devstral 2	Mistral	72.2%	~80%	~88%	~80%	256K
Grok 4	xAI	~70%	91.7%	~90%	87.5%	256K
DeepSeek V3.1	DeepSeek	66.0%	~85%	~89%	~82%	128K
Grok 3	xAI	65.0%	82%	~88%	~80%	128K
Gemini 2.5 Pro	Google	63.8%	86.7%	~90%	84%	1M
DeepSeek R1-0528	DeepSeek	57.6%	87.5%	90.8%	81.0%	128K
Llama 4 Scout	Meta	~55%	~75%	~85%	~75%	10M
GPT-4.1	OpenAI	54.6%	~80%	~88%	~78%	128K

*GPT-5.2はSWE-Bench Proバリアントを使用。太字はカテゴリーリーダーを示す。

Humanity's Last Exam

Humanity's Last Exam (HLE) は、AIの推論能力を人間の専門知識に対して測定する最も野心的な試みです。Scale AIが世界中の1,000人以上の協力者と共同で作成したこのベンチマークは、数学、物理学、化学、生物学、人文科学、社会科学にわたる2,500の質問を含んでいます。

HLEがユニークな理由：質問は単純な情報検索やパターン認識では解決できないように特別に設計されています。各問題は、真の理解と統計的相関を区別するような、本物の推論、専門知識、多段階の思考を必要とします。

方法論に関する重要な注意： HLEのスコアは、モデルが外部ツール（コード実行、ウェブ検索）を使用するかどうかによって大きく異なります。以下のスコアは、特に記載がない限り、ツールなしで報告されています。ツールを有効にすると、一部のモデルは大幅に高いスコアを達成します。例えば、Grok 4はツールありで50.7%、ツールなしで26.9%を達成したと報告されています。

このベンチマークは2024年後半にリリースされ、当時10%を超えるモデルはありませんでした。2025年12月時点で、ツールなしの最高スコアは37.5%（Gemini 3 Pro）、Gemini 3 Deep Thinkは**41.0%**を達成しています。これは、最も先進的なAIシステムでさえ、多様な分野にわたる専門家レベルの推論に苦戦していることを明確に示しています。

重要な理由： HLEは上限ベンチマークとして機能します。つまり、現在のAI能力がどこで終わるかを示します。AIMEやGPQAでは上位モデルが人間の専門家のパフォーマンスに近づいたり超えたりしますが、HLEは推論能力の根本的なギャップを明らかにします。複雑な研究や分析タスクにAIを評価する組織にとって、HLEのパフォーマンスは飽和したベンチマークよりも実世界の能力をより良く予測します。

出典： Scale AI HLE Leaderboard, Artificial Analysis HLE

2025年までのパフォーマンスの進化

このインタラクティブな比較を使用して、ユースケース別にモデルを検索：

価格比較

100万トークンあたりのコスト（米ドル）：

Model	Input	Output	Notes
DeepSeek V3.1	$0.28	$0.42	Lowest cost
Devstral 2	$0.40	$2.00	Budget coding
DeepSeek R1	$0.55	$1.68	Best reasoning value
GPT-5	$1.25	$10.00	Solid all-rounder
Gemini 2.5 Pro	$1.25	$10.00	Budget multimodal
GPT-5.2	$1.75	$14.00	400K context
Gemini 3 Pro	$2.00	$12.00	Premium multimodal
Mistral Large 3	$2.00	$6.00	Open-weight multimodal
GPT-4.1	$2.00	$8.00	Budget coding
Claude Sonnet 4.5	$3.00	$15.00	Coding sweet spot
Grok 4	$3.00	$15.00	Top-tier reasoning
Claude Opus 4.5	$5.00	$25.00	Premium coding
GPT-5.2 Pro	$21.00	$168.00	Maximum accuracy
Llama 4	Free	Free	Self-hosted
Mistral (self-hosted)	Free	Free	Open-weight

価値分析： DeepSeek V3.1 は、一般的なタスクで最高のパフォーマンス・パー・ドルを提供する。コーディングでは、Claude Sonnet 4.5がパフォーマンスとコストのバランスを取っている。スケールの大きな推論には、GPT-5.2 Thinking が 400K コンテキストを競争力のある価格で提供する。

戦略的推奨事項

ソフトウェア開発チーム向け

プライマリ： Claude Sonnet 4.5またはClaude Opus 4.5

• 日常的なコーディング支援には Sonnet 4.5 を使用
• アーキテクチャの決定や複数ファイルのリファクタリングには Opus 4.5 を使用
• Opus 4.5 のトークン効率は、トークン単価の高さを相殺する

顧客向けアプリケーション

プライマリ： GPT-5.2 ThinkingまたはGPT-5.2 Instant

• GPT-5.2はOpenAIの焦点である幻覚の減少を継続している
• 大容量、低レイテンシのニーズにはInstantを使用
• 複雑なクエリの精度が計算コストに見合う場合はThinkingを使用

ドキュメントとメディア分析

プライマリ： Gemini 3 Pro または GPT-5.2 Thinking

• Gemini 3 Proは、1Mのコンテキストを持つマルチモーダル理解（87.6% Video-MMMU）でリードしている
• GPT-5.2の400Kコンテキストと強力な推論は、ドキュメントを多用するワークフローに最適
• ビデオ/画像解析にはGeminiを、テキストの多いドキュメントにはGPT-5.2を選択

大量かつコスト重視のアプリケーション向け

プライマリ： DeepSeek V3.1 または R1

• API コストが重視される大容量のユースケースの場合、DeepSeek モデルでは 80～90% のコスト削減が可能
• 欧米の代替製品と比較して競争力のあるパフォーマンス
• コンプライアンスとデータレジデンシー要件を考慮すること

プライバシーが重視される場合、またはセルフホストデプロイの場合

プライマリ： Llama 4

• 外部APIにデータを送信できない組織にとって、Llama 4は主要なオープンウェイトオプション
• Scoutの10Mトークンコンテキストは、他のオープンモデルでは不可能なユースケースを可能にする
• ライセンス費用やベンダーロックインなし

テキストを超える：動画と画像の生成

2025年には、ビデオ、画像、音声を生成する、テキストを超えたAIモデルも大きな進歩を遂げた。

Google Veo 3 / 3.1

GoogleのVeo 3（2025年5月）は、動画と同期した音声（対話、効果音、音楽）をネイティブに生成することで、動画生成を再定義した。I/O 2025では、ユーザーは数週間以内に数千万の動画を生成した。

Veo 3.1（2025年10月）では、よりリッチなオーディオ生成が追加され、映画的な理解が向上した。動画は高解像度で8秒まで。

アクセス：

• Gemini API、Geminiアプリ（AI Pro/Ultraプラン）、Vertex AI経由で利用可能
• すべての出力には、コンテンツの信頼性を示すSynthIDウォーターマークが含まれている

OpenAI Sora 2

OpenAIのSora 2（2025年）は、動画生成能力の大幅な飛躍を表している。主な改善点：

• 物理学的な正確さ： オブジェクトの永続性とリアルなモーションの改善
• シンクロナイズされたオーディオ： ダイアログと効果音のネイティブ生成
• 操作性： シーンの一貫性を持つマルチシーン命令

仕様：

• 最大解像度1080p
• 最大20秒の長さ
• 複数のアスペクト比（ワイドスクリーン、垂直、正方形）

アクセス：

• ChatGPT PlusおよびProサブスクリプションで利用可能
• 上位プランではより多くのクレジットと解像度オプションを提供

Nano Banana / Nano Banana Pro

謎のNano Bananaモデルは2025年8月にLMArenaに登場し、写実的な「3Dフィギュア」画像で流行した。後にGoogleは、これがGemini 2.5 Flash Imageであることを明らかにした。

Nano Banana Pro（2025年11月）は、Gemini 3 Proをベースに、テキストレンダリングとワールドナレッジを改良したもの。主な特徴：

• シームレスな出力への複数画像の融合
• リビジョン間の主題の一貫性
• 自然言語による写真編集
• 最大4K解像度

アクセス： Geminiアプリ、Google AI Studio、Vertex AI。

2026年を形作る主要トレンド

• 一般化より専門化 — 「1つのモデルですべてを支配する」アプローチは、タスクに特化したモデルに取って代わられつつある。企業が複数のモデルを導入し、タスクの種類に基づいてリクエストをルーティングすることが期待される。

• コンテキストウィンドウは拡大し続ける — 1年で128Kトークンから1,000万トークンへ。この傾向は今後も続き、コードベース解析、法的文書レビュー、ビデオ理解などの新しいアプリケーションが可能になる。

• オープンソースが格差を縮める — DeepSeekとLlama 4は、オープン・モデルがプロプライエタリなモデルと競争できることを実証した。これは価格設定に圧力をかけ、企業に選択肢を与える。

• エージェント機能の成熟 — Claudeが「エージェント型」AIとコンピュータ制御を強調していることは、2026年の方向性を示唆している。

結論

2025年におけるAIモデルの展望は、具体性が重視される。評判ではなく、タスクによってモデルを選択すること。

ビジネスリーダーにとって、アクションアイテムは明確だ：

1. タスクの種類別にAIのユースケースを監査する
2. 各ユースケースを最適なモデルに適合させる
3. インテリジェント・ルーティングによるマルチモデル戦略を検討する
4. コスト重視またはプライバシー重視のワークロードのためのオープンソースオプションの評価

モデルは改良され続ける。競争上の優位性は、これらを戦略的に展開することから生まれる。

---

ソース： Anthropic Claude Opus 4.5, OpenAI GPT-5, OpenAI GPT-5.1, OpenAI GPT-5.2, Google Gemini 3, Google DeepMind Gemini, DeepSeek R1, xAI Grok 4, Mistral Large 3, Artificial Analysis, LLM Leaderboard, VentureBeat GPT-5.2