2026年8月7日、第三者評価機関の最新ランキングでアリババの新型モデルが世界1位に輝いた。Qwen3.8 Max が Artificial Analysis の「Agentic Index（エージェンティック指数）」で総合首位を獲得し、中国製モデルとして初めて「AIに自律して作業させる」能力で米国のライバルを上回った。2位以下には OpenAI の GPT-5.6 Sol や Anthropic の Claude Fable 5 が続いている。
このニュースは Hacker News（HN）で急速に拡散した。投稿からわずか数時間で 391 ポイント、251 件のコメントが殺到。世界で最も目が肥えたエンジニアが集まるコミュニティで、最も多くの共感を集めたコメントは「中国が追いついた。色がこのニュースの本質だ」というものだった。
評価基準が変わった：試験問題の刷新
まず、このランキングを運営する機関について説明しよう。Artificial Analysis はモデルの販売を行わず、全モデルを同一の標準環境でベンチマーク評価する独立評価機関だ。過去数年間は知識問答や数学的推論といった「ペーパーテスト型」の評価——質問に答えさせ、その正解率を競う方式——を採用していた。
しかし今年6月、同機関は評価軸を根本から変更した。新たな Index が測定するのは「エージェント能力（Agentic Capability）」だ。モデルに実際のコンピュータ環境を与え、自らウェブで情報収集し、コードを書き、ソフトウェアを操作して、複数のステップからなるタスクを最初から最後まで完遂させられるかを評価する。対象範囲は 9 業界・44 職種に及び、機械による採点システムがタスク成果物の正確性を厳格に検証する。総合スコアは、実際の業務タスク評価と銀行シナリオにおけるマルチステップツール操作評価の2つを重み付けして算出される。
図：Artificial Analysis Agentic Index ランキング（2026年8月7日時点のスクリーンショット）。出所：artificialanalysis.ai
Qwen3.8 Max は 58.4 点を獲得し、GPT-5.6 Sol の 57.8 点、Claude Fable 5 の 56.6 点を抑えて首位に立った。ただし首位の座は極めて僅差であり、Anthropic のフラッグシップ機 Opus 5 との差は 1 点未満で、ここ数日も首位がめまぐるしく入れ替わっている。エンジニアリング的視点から言えば、トップモデル間の実作業能力は拮抗しており、どのモデルも絶対的な首位を維持できているわけではない。
単一の首位にとどまらず、ランキング上位には中国製モデルがずらりと並ぶ。トップ 5 のうち 2 席、トップ 13 のうち 4 席を中国勢が占めており、アリババの Qwen のほか、Moonshot AI の Kimi、DeepSeek、Zhipu AI の GLM がランクインしている。わずか 2〜3 年前まで、この種のベンチマーク上位は米国企業の一強状態だった。
問題に答えられるかという時代から、実際に仕事をやり遂げられるかという時代へ。テストの点数が良くても仕事ができるとは限らない。だが仕事を完遂できるということは、知識が真に実践へ結びついている証拠だ。
対話型と実務型の違いはどこにあるのか
両者の決定的な違いは主に 3 つの点にある。
第一に、マルチステップの計画立案能力（マルチステッププランニング）。チャットは 1 回の応答で終わるが、実務は一連の連続したアクションである。例えばインターンに仕事を依頼する場面を想像してほしい。「3 つの航空会社で航空券を比較し、最安値を選び、旅程をメールで送信した上でホテルを予約する」——各ステップにおいて最終目標を見失わずに記憶し続ける必要がある。一般的なチャットモデルは、作業手順の途中で当初の目的を見失いがちだ。
第二に、ツール呼び出し能力（ツールコーリング）。人間が作業する際に検索エンジン、電話、アプリを使い分けるのと同様に、AI エージェントも自らブラウザを立ち上げ、コマンドラインを操作し、スプレッドシートを更新する。Qwen3.8 Max は「コンピュータ操作」の評価で 86.1 点を獲得し、GPT-5.6 Sol の 83.2 点を上回った。複数のコーディングアシスタント環境においても一貫したパフォーマンスを示しており、特定のツール環境に依存せず、モデル自体に高い適応力が備わっていることが実証された。
図：Qwen3.8-Max の様々な作業環境におけるパフォーマンス比較。出所：qwen.ai 公式ブログ
第三に、作業中の自己監視と軌道修正能力。一歩進むごとに自身の出力を振り返り、画面レイアウトが崩れていれば修正し、出力の方向性が外れていれば自ら軌道修正する。この「自らの作業を監視し続ける」フィードバックループこそが今世代モデルの大きな特徴であり、数時間に及ぶ連続作業でも脱線せずにやり遂げられる理由だ。
実際の現場でどこまで使えるのか
アリババは実証実験のデータをいくつか公表している。ここでは特徴的な 3 つの実績を紹介する。
1 年間の EC 運営シミュレーション：10 万ドルの初期資金を持たせたモデルに複数のオンラインショップを同時運営させた。152 社の詐欺業者を含む約 600 社のサプライヤーとの交渉、台風による物流途絶、セール時の注文殺到に対応させた結果、1 年後の最終残高は 41.6 万ドル（4.16 倍）に達した。これは 2 位のモデルより 38% 高く、前世代のフラッグシップモデルと比較して 152% の向上となった。
半導体設計：8,298 個のロジックゲートからなる暗号化チップの初期回路を入力したところ、モデルは「コード変更→シミュレーション→バグ修正」のサイクルを自律的に 500 回実行。最終的にゲート数を 678 個まで削減し、チップ面積を 81% 縮小させた。
アルゴリズムコンテスト：526 の人間チームが参加するアルゴリズムコンテストに 24 時間独立して参加し、87% の人間チームを打ち破った。ルール読解、モデル調整、45 回に及ぶ提出判断のすべてを完全に自動で行った。
図：Qwen3.8-Max 公式パフォーマンス比較図（GPT-5.6 Sol、Claude Opus 4.8 などとの比較）。出所：qwen.ai 公式ブログ
指示通りの数値はアリババ独自の公表値であり、第三者による完全な再検証はこれからだ。エンジニアリングの定石通り、技術的な方向性は信頼できるが、性能差の正確な倍率については慎重な見極めが必要だ。
優秀だが「おしゃべり」でコストがかかる
首位獲得には相応の代償が伴う。評価機関のデータによると、Qwen3.8 Max は従来モデルが 14 ターンで完了していた同等のタスクにおいて、平均 64 ターンのやり取りを必要とした。入力トークン量は約 15 倍に跳ね上がり、出力トークン数は 1.45 億トークンに達した。より確実な作業遂行の代償として、出力が冗長になり計算資源の消費が増大している。
生成速度についても中位にとどまる。Gemini 3.6 Flash の毎秒 213 トークンに対し、Qwen3.8 Max は毎秒 67 トークンだ。エージェント評価の全ラウンドを完走するのにかかった計算コストは 1,741 ドルに上った。
「高い作業能力」と「コスト効率」の間にはまだ隔たりがある。ただし API 価格面では、入力 100 万トークンあたり 2 ドル、出力 6 ドルと、同等の米国製モデルと比較して大幅に安価に設定されている。さらにアリババは来週モデルウェイト（重みデータ）をオープンソース化すると発表した。Max クラスのフラッグシップモデルがオープンソース化されるのは初のことだ。オープンソース化により自社環境へのデプロイが可能となり、利用コストはさらに引き下げられる見込みだ。
コミュニティでは何が議論されているか
上位陣のスコアが接近したことで、Hacker News のコメント欄では熱い議論が交わされている。一派は「蒸馏（ディスティレーション）」の影響を指摘する。スコアが縮小しているのは、中小規模モデルが大型モデルの出力を学習データとして利用しているからだという主張だ。これに対し、「他社のモデル出力を学習に使うことは違法ではなく、人間の学習プロセスも同様だ」と反論する声もある。
また、あるエンジニアは現実的なコスト感覚を明かした。15 ドルで DeepSeek を契約して複雑なプロジェクトを完遂させた後、毎月 200 ドル払っている OpenAI のサブスクリプションを見直して後悔したという。個人の体験談をそのまま全体に当てはめることはできないが、こうした声の広がり自体が市場の期待値を確実に変えつつある。
法律上の論争も浮上している。過去に米大手の訴訟において罰金支払いに同意しつつも罪を認めなかった経緯を引き合いに出し、「盗用したものをさらに再利用することはどう評価されるべきか」といった議論も存在する。また、スコアの接近は大規模言語モデルの能力が一時的な飽和状態（プラトー）に達しつつある兆候だとする見方もある。飽和か否かは、今後の評価ベンチマークがどれほど難易度の高い試験問題を提示できるかにかかっている。
一般ユーザーの AI 活用はどう変わるか
今回の競争において、一般的なユーザーにとって最も重要な変化はランキングの数値そのものではない。
過去 2 年間、AI が提供してきたのは「答え」だった（文章の作成や質問への回答）。しかし今や、AI は「成果」を提供する段階に入りつつある。大量の領収書を渡せばスプレッドシートにまとめてメール送信し、「出張に行く」と伝えれば自律的に航空券を検索・比較して予約まで完了させる。こうしたエージェント機能がスマートフォンアプリに標準搭載されるのは、もはや時間の問題だ。
ランキングの順位は今後も変動し続けるだろう。しかし目指すべき方向はすでに明確だ。AI の次の時代は、「最後まで仕事を完遂できるモデル」が主役となる。
参考リンク：
- Artificial Analysis: Agentic Index ランキング
- HN 議論 (item?id=49200652)
- アリババクラウド / Qwen 公式ブログ
- MarkTechPost 報道記事
- VentureBeat 評価報道
