判断モデルの選び方を4つの質問で診断 主な18モデルの点と費用も
執筆・監修: 佐々木 航公開 更新 7 分で読めます
TypeSafeが9月15日にJevを出してから2か月で、評価の会社Artificial Analysisの表に並ぶ判断モデルは、13社の18個になりました。点の差は最大で17点。100万件を判断させる費用は14ドルから863ドルまで、約60倍の開きがあります。
判断モデルは、文章を書く代わりに、決まった選択肢ごとの確率を返すAIです。問い合わせの振り分けや投稿の判定のように、答えの形が決まった仕事を速く安くこなします。仕組みと言語モデルとの違いは判断モデルとは?で紹介しました。ただ、どれを選ぶかは点の順位だけでは決まりません。データの置き場所や、扱う入力によって候補が変わるからです。
4つの質問で絞る
1答えは、決まった選択肢や「はい・いいえ」、点数で返せる?
いいえ言語モデルへ。説明の文章を書かせる仕事や、知識と推論が要る問いは、判断モデルの苦手な分野です
はい → 2へ
2データを社外のAPIに送れない?
はい重みを公開したモデルを自社で動かす。点ならMammoth 27B、速さならElephant 9B、画像も読ませるならClef
いいえ → 3へ
3音声や動画も判定する?
音声と動画Gemini Decision 1。PDFも読み、1回に1,000問まで
音声d1.2かd1.2-ultra。問いそのものも声で渡せる
文章と画像だけ → 4へ
4何をいちばん優先する?
正確さd1.2-ultra(74.8点・100万件133ドル)
釣り合いDrex Max v1.1(72.6点・103ドル)
費用d1.2(68.7点・63ドル)かDecider Flash v1.3(64.1点・34ドル)
速さJev 1.14(1件0.09秒)かElephant 9B(0.08秒)
点と費用、時間は、Artificial AnalysisのDecision Index v2.1の値(11月17日に閲覧)。重みの公開と、扱える入力は各社の発表によります。
1つ目の質問で「いいえ」になる仕事は、意外に多いかもしれません。製品の仕様や法律を踏まえて答える問いは、選択肢にできても知識が要ります。11月3日時点の評価(v1)でも、判断モデルは知識と推論の項目で言語モデルに及びませんでした。
2つ目で「はい」なら、候補は重みを公開しているモデルに限られます。Basetenのmammoth-1とelephant-1は、表ではMammoth 27BとElephant 9Bの名前です。ライセンスはMITで、重みはHugging Faceにあります(Basetenの記事)。CloudflareのClefはApache 2.0で、画像も読め、Ollamaでも動かせる作りです(Clefの記事)。
3つ目で音声を選ぶなら、Liquid AIのd1.2が新しい候補です。聞こえた音の種類や、話している言語を当てる試験では、95〜97%に正しく答えました(d1.2の記事)。動画まで扱うGemini Decision 1は、共通の入力を26万2,144トークンまで送れます。
4つ目の正確さと費用は、多くの場合引き換えになります。ただ、首位のd1.2-ultraは100万件133ドルで、3位のSubQ Snap 1.2の137ドルより安い。上位の中では、費用の面でも有力な候補です。
18モデルの点、費用、速さ
| モデル | 点 | 100万件 | 1件 |
|---|---|---|---|
| d1.2-ultraLiquid AI・音声も | 74.8 | $133 | 0.22秒 |
| Drex Max v1.1Nace.AI | 72.6 | $103 | 0.28秒 |
| SubQ Snap 1.2Subquadratic | 72.6 | $137 | 0.16秒 |
| GLiDE v1.2Fastino | 72.5 | $780 | 0.28秒 |
| Mammoth 27BBase Labs・重みを公開 | 71.4 | $264 | 0.11秒 |
| Decider v1.3Perplexity | 70.4 | $68 | 0.29秒 |
| d1.2Liquid AI・音声も | 68.7 | $63 | 0.15秒 |
| Elephant 9BBase Labs・重みを公開 | 66.4 | $92 | 0.08秒 |
| Jev 1.14TypeSafe | 66.2 | $156 | 0.09秒 |
| Gemini Decision 1Google・音声と動画も | 66.0 | $345 | 0.21秒 |
| Decider Flash v1.3Perplexity | 64.1 | $34 | 0.18秒 |
| Microsoft-Decision-1Microsoft | 62.1 | $143 | 0.27秒 |
| Mercury DecideInception | 62.1 | $70 | 0.24秒 |
| Celeris-1.1 DecisionCeleris | 62.0 | $14 | 0.06秒 |
| Drex 2.0Nace.AI | 61.6 | $200 | 0.25秒 |
| ClefCloudflare・重みを公開 | 60.3 | $863 | 0.35秒 |
| GPT-6 LunaOpenAI・Decisions API | 60.2 | $339 | 0.21秒 |
| Clef-OmniCloudflare | 57.8 | $529 | 0.19秒 |
Artificial AnalysisのDecision Index v2.1の値(11月17日に閲覧)。費用は評価の問いを100万件解かせたときの米ドルで、時間は1件あたりの平均です。重みの公開は各社の発表によります。
表の上のほうでも、費用の差は大きいままです。GLiDE v1.2は72.5点で3位とほぼ並びますが、100万件の費用は780ドルで、Drex Max v1.1の約8倍です。逆に、Celeris-1.1 Decisionは点では下のほうでも、14ドルと0.06秒で、費用と速さでは表のどれよりも上でした。
同じ表に言語モデルを並べると、Claude Haiku 5.5(推論の強さはMax)が76.5点、GPT-6 Luna(Max)が75.7点で、どちらも判断モデルの首位を上回ります。ただし、100万件の費用はそれぞれ6,218ドルと1,548ドル。1件に32.3秒と11.4秒かかります。点の測り方はv2の記事で紹介しました。
すでにOpenAIやGoogle、Microsoftと契約しているなら、まずその中で試す手もあるでしょう。OpenAIのDecisions APIで動くのは、GPT-6 Lunaです。入力100万トークンあたり0.10ドルで、1回に400問まで送れ、共通の入力のキャッシュ割引も使えます(Decisions APIの正式公開の記事)。GoogleのGemini Decision 1も同じ0.10ドルで、音声や動画、PDFまで読めるのが強みです(Gemini Decision 1の記事)。Microsoft-Decision-1は、Microsoft FoundryとOpenRouterで使えます。
ただ、3つとも点は60〜66点で、首位のd1.2-ultraとは約9〜15点の差があります。件数が多く、点の差が困る仕事なら、契約先を増やしてでも上位を試す価値はありそうです。
日本語の仕事に使う前に
ここからは編集部の見方です。表の点は英語の問いで測ったもので、日本語での点を示した判断モデルはまだほとんどありません。Googleは、日本語を含む英語以外の知識問題でGemini Decision 1が86.0%だったと示しましたが、言語ごとの値は出していません。
そのため、まず過去の問い合わせや書類を数百件用意し、正答率と、確率の当たり具合を自分で測るのが確実でしょう。確率が当たっていれば、「9割を切ったものだけ人が見る」といった線を引けます。100万件の費用も、評価の問いの長さで出した値なので、自社の文書の長さで計算し直してください。
表の判断モデルは、現時点ではYOBITSUGI AIの対応モデルに含まれていません。YOBITSUGI AIでは、Claude HaikuやGPT-6 Lunaのような言語モデルに、振り分けや分類を頼めます。
出典
- Artificial Analysis Decision Index v2.1(Artificial Analysis・2026年11月17日に閲覧)
- d1.2: State-of-the-Art Omnimodal Decision Models(Liquid AI・2026年11月16日)
- The top ranked decision models in the world: mammoth-1 and elephant-1(Baseten・2026年10月22日)
- Clef is available on Ollama's cloud(Ollama・2026年10月19日)
- Gemini Decision 1(Google・2026年11月11日)
- OpenAI API Changelog(OpenAI・2026年10月22日の項)