3つのラボがわずか5週間以内にそれぞれ主力モデルを発表し、それ以来、リーダーボードは動き続けています。AlibabaのQwen3.7-Max-Preview、OpenAIのGPT-5.5、AnthropicのClaude Opus 4.7は現在、重要なあらゆるベンチマークのトップに位置しており、それらの間で選択することは見た目よりも困難です。ある見出しが繰り返し報じられています。「Qwen3.7-MaxはArtificial Analysis Intelligence Indexで1位にランクされた」。この主張は事実ですが、文脈が必要であり、実際にどのモデルをベースに開発すべきかという問いには結論を出していません。
この比較では、推論、コーディング、コンテキストウィンドウ、価格、可用性、レイテンシーの観点から、これら3つのモデルを並べて検証します。ベンダーのマーケティングと独立したベンチマークは異なる情報を提供するため、ここでのすべての数値は明記された情報源に基づいています。自分で違いをテストしたい場合は、コミットする前にApidogで3つのモデルAPIすべてを並行して実行し、1つのワークスペースで応答、トークン使用量、レイテンシーを比較できます。
TL;DR
生のベンチマークインテリジェンスでは、GPT-5.5がArtificial Analysis Intelligence Indexで60を記録してリードし、Qwen3.7-Max-Previewは全体で57でリーダーボードの1位を占め、Claude Opus 4.7も57を記録しています。LM Arenaの人間による評価品質では、Claude Opus 4.7が勝利しています。実際のコーディングでは、差は僅かです。GPT-5.5がSWE-bench Verifiedでトップになり、より困難なSWE-bench ProではOpus 4.7がリードしています。予算とオープン性では、Qwenが価格面で優位に立っています（ただしプレビュー版のみという注意点があります）。トークン効率の高いエージェント作業にはGPT-5.5、大規模コードベースのエンジニアリングや対話品質にはOpus 4.7、そしてコストと1Mトークンウィンドウが最も重要であればQwen3.7-Maxを選択してください。
3つのモデルを概観
ベンチマークの前に、各モデルが実際にどのようなものかを見てみましょう。リリース状況の違いだけでも、各スコアの読み方は変わってきます。
Qwen3.7-Max-Preview
Qwen3.7-Maxは、Alibabaの主力推論モデルで、2026年5月中旬にプレビューされ、Alibaba Cloud Summitで発表されました。拡張思考を使用し、1.0Mトークンのコンテキストウィンドウを持ち、エージェントコーディング、ツール使用、長文コンテキスト推論を優先事項として構築されています。重要なキーワードは「プレビュー」です。2026年5月下旬現在、公開APIエンドポイントもオープンウェイトもありません。アクセスはAlibaba Cloud Model StudioおよびQwen Studioを介して行われます。
一つ注目すべきニュアンスとして、AlibabaはQwen3.7-Plusはオープンソースとして出荷される一方、Qwen3.7-Maxはプロプライエタリのままであると述べています。これはQwenの以前の完全オープンなアプローチからの転換であり、オープン性が決定要素の一部である場合は重要です。
GPT-5.5
GPT-5.5 はOpenAIのエージェントに焦点を当てた推論モデルで、2026年4月23日にリリースされました。Claude Opus 4.7への直接的な対抗であり、ターミナル利用、ブラウザタスク、ツール呼び出しといった自律的なワークフローに強く傾倒しています。OpenAIはこれをいくつかの労力ティア（公開されているArtificial Analysisの数値はxhighバリアントを使用）で提供しており、APIでは1Mトークンのコンテキストウィンドウを、Codex内ではより小さな400Kウィンドウを備えています。現在、OpenAI APIを通じて一般に利用可能です。
Claude Opus 4.7
Claude Opus 4.7はAnthropicの現在の主力モデルで、2026年4月16日にOpus 4.6の直接アップグレードとしてリリースされました。Anthropicは、特に大規模なコードベースにまたがる最も困難なタスクなど、高度なソフトウェアエンジニアリングを中心に位置付けています。適応推論を実行し、1.0Mトークンのコンテキストウィンドウを持ち、Anthropic API、Amazon Bedrock、Google Vertex AIを通じて一般に利用可能です。この3つの中で、本番環境での実績が最も長く、そのスコアを裏付ける独立した投票データが最も多くあります。
推論と知能のベンチマーク
「Qwen #1」という見出しの由来はここにあるため、注意深く読む価値があります。
Artificial Analysis Intelligence Index
Artificial Analysis Intelligence Indexは、推論、知識、数学、コーディングをカバーする10の評価の加重平均から構築された複合スコアです。2026年5月下旬時点のArtificial Analysisによると、3つのモデルの順位は以下の通りです。
- Qwen3.7-Maxは**57**点を獲得し、全体のリーダーボードで**218モデル中1位**にランクされています。
- GPT-5.5 (xhigh)は**60**点を獲得し、3つのモデルの中で最高スコアです。
- Claude Opus 4.7 (max)は**57**点を獲得し、追跡されているクラスで**3位**にランクされています。
したがって、一般的な主張のどちらの半分も技術的には真実ですが、わずかな矛盾があります。Qwen3.7-Maxは確かにArtificial Analysisの全体リーダーボードで1位の座を保持しています。しかし、GPT-5.5はより高いインデックススコアである60を記録しています。このギャップは、リーダーボードが同じティアのモデルをどのようにランク付けするか、およびArtificial Analysisが推論バリアントをどのようにグループ化するかによるものです。あるモデルが全体リストのトップに立つ一方で、別のモデルが異なる追跡グループでより高い生の数値を記録する可能性があります。正直な要約としては、GPT-5.5が最高の測定された知能スコアを持ち、Qwen3.7-Maxが公開リーダーボードの最上位に位置しているということです。この特定のインデックスでは、Opus 4.7がわずかに遅れているものの、これらをほぼ共同リーダーとして扱うべきです。
Qwenに関するもう一つの注意点です。Artificial Analysisは、Qwen3.7-Maxが評価中に97Mの出力トークンを生成したと指摘しており、これは約26Mという平均をはるかに上回っています。これは多弁な推論モデルです。この多弁さはトークンコストとレイテンシーを膨らませ、ベンチマークから本番環境へ移行する際には無視できない要因となります。
LM Arena 人間選好度 Elo
ベンチマークは固定されたタスクにおける正確性を測定します。LM Arenaは異なるものを測定します。それは、人間がブラインドで並べて比較したときに、どの応答を好むかです。現在のLM Arenaテキストリーダーボードは、Intelligence Indexとは異なる結果を示しています。
- Claude Opus 4.7は**約1,492 Elo**で、全体で**4位**にランクされており、13,000以上の投票に裏付けられています。
- GPT-5.5は**約1,478 Elo**で、**11位**にランクされています。
- Qwen3.7-Max-Previewは**約1,475 Elo**で、**14位**にランクされており、4,000票未満でまだ予備評価とされています。
この逆転は注目に値します。最高のベンチマークスコアを持つモデル（GPT-5.5）は人間による選好度ではリードしておらず、プレビューモデル（Qwen）は安定した評価を得るには投票数が少なすぎます。ここで勝利したのはOpus 4.7であり、これはAnthropicのOpusモデルが学術ベンチマークで遅れをとる場合でも、LM Arenaのテキスト、ビジョン、ドキュメントのランキングでトップになる傾向があるという広範なパターンと一致しています。もしあなたの製品が会話型であり、品質がテストスイートではなくユーザーによって判断されるのであれば、このギャップは十分に考慮する価値があります。Eloスコアは投票が蓄積するにつれて変動するため、特定の数値を引用する前にライブボードを確認してください。
コーディング能力
これら3つのラボはすべて、これらのモデルをコーディングツールとして売り出しているため、コーディングベンチマークは重要です。
実際のGitHub問題を解決する標準テストであるSWE-bench Verifiedでは、2026年5月時点のSWE-benchリーダーボードトラッキングによると、GPT-5.5が**88.7%**でトップの座を獲得し、Claude Opus 4.7が**87.6%**で僅差で追従しました。これはわずかな差であり、両方の数値が優れています。
より困難なテストでは状況が変わります。より厳しい実リポジトリのプルリクエストタスクを使用するSWE-bench Proでは、Claude Opus 4.7が約64%でリードし、GPT-5.5の59%を上回っています。Opus 4.7は、大規模なコードベースにわたる広範なアーキテクチャ推論が必要なタスクでも優れた性能を発揮する傾向があります。一方、GPT-5.5は、無人ターミナルおよびシェルワークフローで圧倒的な強さを見せ、Terminal-Bench 2.0で大差をつけてリードし、はるかにトークン効率が高いです（同等のタスクで出力トークンが約72%少ないと報告されています）。両ベンダーが報告する10のベンチマークのうち、独立した評価ではOpus 4.7が6つ、GPT-5.5が4つで先行していました。
Qwen3.7-Max-Previewは、評価がより困難です。2026年5月下旬現在、Arena Eloデータはありますが、SWE-benchのような標準化されたコーディングベンチマークは公開されていません。LM Arenaのカテゴリボードでは、ソフトウェア＆ITで9位、コーディングで10位にランクされており、これは強力ですが、制御されたSWE-benchの実行の代わりにはなりません。Qwenのコーダーティアモデルは、同じファミリーで70%を超えるSWE-bench Verifiedスコアを記録しているため、その能力は説得力がありますが、Max-Previewの数値はまだ公開されていません。今日Qwen3.7-MaxのSWE-benchの数値を述べることは推測になるため、ここでは省略します。
コーディングに関する実践的な読み取り：ターミナル駆動型およびコスト重視の自動化にはGPT-5.5、大規模コードベースのエンジニアリングおよび最も複雑なプルリクエストにはOpus 4.7です。特にIDE統合型コーディングエージェントを比較している場合は、Cursor Composer 2.5とOpus 4.7、GPT-5.5の比較でそのワークフローについてさらに詳しく説明しています。
コンテキストウィンドウ
長いコンテキストは、リポジトリ全体、長いドキュメントセット、または数時間にわたるエージェントのトレースを単一の呼び出しに含められるかどうかを決定します。
- **Qwen3.7-Max**: Artificial Analysisによると1.0Mトークン。
- **Claude Opus 4.7**: Artificial Analysisによると1.0Mトークン。
- **GPT-5.5**: APIでは1Mトークンですが、Artificial Analysisでは実効ウィンドウは約922Kと測定されています。Codexの統合では400Kが上限です。
これは、見出しレベルではほぼ三つ巴の戦いです。3つすべてが約100万トークンを提供し、これは約1,500ページ分のテキストに相当します。実際の違いは細部にあります。GPT-5.5のAPIウィンドウは他のモデルと一致しますが、Codex内で作業する場合、その半分以下しか利用できないため、実際にどのインターフェースを呼び出しているかを確認してください。また、長く宣伝されているウィンドウは、そのウィンドウの奥深くでの信頼性の高い呼び出しとは同じではありません。長文コンテキストの正確性がユースケースの中心である場合、見出しの数値を信頼するのではなく、深さでの検索をテストしてください。
価格設定
3つのうち1つは価格が公表されていないため、コストの比較は不均衡になります。
Artificial Analysisによると、GPT-5.5 (xhigh)は**入力トークン100万あたり$5.00、出力トークン100万あたり$30.00**で、キャッシュされた入力は$0.50です。Claude Opus 4.7 (max)は**入力100万あたり$6.25、出力100万あたり$25.00**で、キャッシュされた入力も$0.50です。したがって、Opus 4.7は出力が安く、GPT-5.5は入力が安いため、どちらが有利かは入力と出力の比率に完全に依存します。長いプロンプトで短い応答を求めるワークロードはGPT-5.5に有利であり、生成量が多いワークロードはOpus 4.7に有利です。
Qwen3.7-Max-Previewは、2026年5月下旬現在、API価格が発表されていません。参考までに、前世代のQwen3.6-Max-Previewは、Alibaba Cloudを通じて入力100万トークンあたり約$1.30、出力100万トークンあたり$7.80で価格設定されていました。Qwen3.7-Maxがその範囲に収まる場合、米国の両モデルを大幅に下回ることになります。これは合理的な予想であり、確定価格ではないため、慎重に計画してください。表示価格がどうであれ、Qwenの多弁さを覚えておいてください。平均が26Mであるベンチマークで97Mトークンというのは、実際の請求額がトークンあたりのレートが示唆するよりも速く増加することを意味します。
トークン費用が主な制約である場合、紙の上で最も安価なモデルが常に実際に最も安価であるとは限りません。出力量、キャッシュ、再試行動作がすべて数値に影響します。CLIからエージェントのトークンコストを削減する方法に関する私たちのガイドでは、料金表よりも重要な要素について説明しています。
可用性とオープン性
このカテゴリには明確なランキングがあり、モデルを排除する可能性が最も高い要素です。
- **GPT-5.5**は現在、OpenAI APIおよびCodexを通じて一般に利用可能です。プロプライエタリで重みは公開されていませんが、安定しており、本番環境対応です。
- **Claude Opus 4.7**は、Anthropic API、Amazon Bedrock、Google Vertex AIを通じて一般に利用可能です。こちらもプロプライエタリで本番環境対応であり、3つの中で最も広範なクラウドプラットフォームのリーチを持っています。
- **Qwen3.7-Max-Preview**はプレビュー版のみです。公開APIエンドポイントはなく、オープンウェイトもありません。アクセスはAlibaba Cloud Model StudioおよびQwen Studioに限定されています。Alibabaは、Plusティアはオープンソースになるが、Maxは非公開のままであると述べています。今日の生産システムにとっては、プレビュー状態は実際の障害となりますが、評価やロードマップの計画には問題ありません。実践的な方法を知りたい場合は、Qwen 3.7 APIの使用方法に関する私たちの詳細な説明が現在のアクセスについてカバーしており、APIが安定するまでの間、Qwenチャットインターフェースを通じてQwen 3.7を無料で利用する方法に関する別のガイドもあります。
まとめ：GPT-5.5とOpus 4.7はどちらも出荷準備ができています。Qwen3.7-Maxはまだです。
レイテンシー
ユーザーと接するあらゆるもの、または多くの連続した呼び出しを行うエージェントループにとって、速度は重要です。
Artificial Analysisによると、**Claude Opus 4.7の初回トークン生成時間は約27秒**であり、**GPT-5.5 (xhigh)は約101秒とより遅い**です。出力スループットでは、GPT-5.5が1秒あたり約65.9トークンを生成するのに対し、Opus 4.7は49.4トークンです。2つの点に注意してください。第一に、これらは最も高度な推論ティアの数値であり、両モデルの低労力バリアントははるかに高速に応答し、ほとんどの本番環境展開では最大労力で実行されません。第二に、GPT-5.5は開始は遅いですが、開始すると高速にストリーミングされる一方、Opus 4.7は開始は速いですが、ストリーミングは遅いです。チャットUIの場合、初回トークンが速い方が通常はより良い体験に感じられますが、大量生成の場合は生の処理能力が勝ります。
Qwen3.7-Maxについては、Artificial Analysisに速度やレイテンシーに関するデータは公開されていません。97Mトークンという多弁さの数値から、モデルが答えを出すためにより多くのトークンを生成する性質上、生の処理能力に関わらず、推論が重いプロンプトではエンドツーエンドの時間が長くなると予想されます。
完全比較表
| 項目 | Qwen3.7-Max-Preview | GPT-5.5 | Claude Opus 4.7 |
|---|---|---|---|
| ベンダー | Alibaba | OpenAI | Anthropic |
| リリース | プレビュー、2026年5月中旬 | 2026年4月23日 | 2026年4月16日 |
| AAインテリジェンスインデックス | 57 (全体で1位 / 218) | 60 (最高スコア) | 57 (クラスで3位) |
| LM Arena テキストElo | 約1,475 (14位、予備) | 約1,478 (11位) | 約1,492 (4位) |
| SWE-bench Verified | 未公開 | 88.7% | 87.6% |
| SWE-bench Pro | 未公開 | 約59% | 約64% |
| コンテキストウィンドウ | 1.0Mトークン | APIで1M / 実効約922K / Codexで400K | 1.0Mトークン |
| 入力価格（1Mあたり） | 未発表 (Qwen3.6-Max: 約$1.30) | $5.00 | $6.25 |
| 出力価格（1Mあたり） | 未発表 (Qwen3.6-Max: 約$7.80) | $30.00 | $25.00 |
| 出力速度 | 未公開 | 約65.9 tok/s | 約49.4 tok/s |
| 初回トークン生成時間 | 未公開 | 約101秒 (xhigh) | 約27秒 |
| 可用性 | プレビューのみ (Model Studio / Qwen Studio) | 一般提供 (OpenAI API, Codex) | 一般提供 (Anthropic API, Bedrock, Vertex) |
| オープンウェイト | なし (Maxはプロプライエタリ; Plusはオープン予定) | なし | なし |
| 推論モデル | あり (拡張思考) | あり (拡張思考) | あり (適応推論) |
情報源：Artificial Analysisモデルページ、LM Arenaテキストリーダーボード、SWE-benchリーダーボードトラッキング、およびベンダー発表。すべて2026年5月下旬時点のものです。プレビュー段階のQwenの数値は確定しておらず、ベンチマークとEloの数値は変動するため、引用する前にライブボードで確認してください。
実世界のユースケース
ベンチマークは出発点に過ぎません。人々が実際に実行するさまざまな作業において、これら3つのモデルがどのように振る舞うかを見ていきましょう。
自律型コーディングエージェントの構築
GitHubの問題を解決し、ターミナルコマンドを実行し、長いエージェントループ全体でトークン予算内に収まるモデルが必要な場合、GPT-5.5が最適です。SWE-bench Verifiedでトップを飾り、Terminal-Benchを圧倒し、その72%のトークン効率の優位性は数千のエージェントステップで積み重なります。コードベースが大きく、シェルスループットよりもアーキテクチャ推論が重要である場合、Opus 4.7も強力な代替選択肢となります。
大規模レガシーコードベースのリファクタリング
ここでのタスクは、数百のファイルにわたる推論、広範なメンタルモデルの保持、そしてPR品質の変更の生成です。Claude Opus 4.7はSWE-bench Proおよび広範なコードベースタスクでリードしており、その1Mトークンウィンドウは実際のコンテキストを読み込むことを可能にします。これはその最も強力な単一のユースケースです。
長文ドキュメント分析と研究の統合
長大な契約書、研究論文、または議事録の投入はほぼ互角です。3つすべてが約1Mトークンを提供します。Opus 4.7の高いLM Arenaでの評価は、人間が好むより簡潔な要約を示唆しています。Qwen3.7-Maxはウィンドウサイズが一致し、価格設定されればコスト面で他を上回る可能性が高いでしょう。現在の生産ドキュメントパイプラインにはOpus 4.7またはGPT-5.5が適しており、プレビューアクセスで問題ないコスト重視の社内ツールにはQwenを試す価値があります。
顧客対応チャットとアシスタント
エンドユーザーが出力を判断する場合、LM Arena Eloが最も関連性の高い指標です。Opus 4.7は人間による選好度で3つのモデルの中でリードしており、これはユーザー満足度を最も直接的に追跡する指標です。GPT-5.5も優れた次善の選択肢であり、特にその高速ストリーミングが知覚される応答性を向上させる場合に有効です。
大量かつコストに敏感なワークロード
毎日数百万のトークンを処理する分類、抽出、または大量生成において、価格が最重要です。Qwen3.7-Maxが前身モデルの料金に近い価格で提供される場合、明確な選択肢となるでしょう。APIと価格が公開されるまでは、トークンの構成に応じてGPT-5.5（入力が安価）またはOpus 4.7（出力が安価）が有利です。どちらを選択するにしても、これらのモデル間では出力量が大きく異なるため、料金表を信頼するのではなく、実際のリクエストあたりのコストを検証してください。
ユースケース別のおすすめ
迅速な決定ガイド：
- **コーディングエージェントおよびターミナル自動化に最適**: GPT-5.5。SWE-bench Verifiedで最高のスコア、最高のターミナル性能、そして大幅に最もトークン効率が良い。
- **大規模コードベースのエンジニアリングに最適**: Claude Opus 4.7。SWE-bench Proおよび広範なアーキテクチャタスクでリードし、完全な1Mトークンウィンドウを持つ。
- **会話型およびユーザー向け製品に最適**: Claude Opus 4.7。3つのモデルの中でLM Arena人間選好度Eloが最高。
- **生のベンチマーク知能に最適**: GPT-5.5。Artificial Analysis Intelligence Indexで最高の60スコア。
- **予算と長文コンテキストに最適（ただし注意点あり）**: Qwen3.7-Max-Preview。1Mトークンウィンドウと、おそらく低価格だが、まだ本番環境APIがないプレビュー版のみ。
- **現在利用可能なオールラウンダー**: GPT-5.5とOpus 4.7のどちらか。どちらも一般提供されており、どちらも優れており、適切な選択はトークンコストを最適化するか、人間が好む品質を最適化するかによる。
4番目の候補が評価に加わる場合、Googleのモデルも検討する価値があります。Gemini 3.5とは何かを別途カバーしており、その三つ巴の対決のために、Gemini 3.5 vs GPT-5.5 vs Opus 4.7の直接比較があります。
3つのモデルすべてを自分でテストする方法
ベンチマークは一般的なものであり、あなたのワークロードは特定のものです。モデルの選択を決定する最も速い方法は、同じプロンプトを各APIに送信し、応答、トークン数、レイテンシーを直接比較することです。
Apidogを使えば、その並列テストが簡単になります。各モデルのチャットエンドポイント用にリクエストを1つずつ作成し、共有ワークスペースにドロップし、同じ入力に対して実行します。3つの異なるコンソールやスクリプトを操作する代わりに、完全な応答を検査し、応答時間を測定し、トークン使用量を一箇所で追跡できます。リクエストを再利用可能なテストシナリオとして保存すれば、モデルが更新されるたびに比較を再実行できます。これら3つのモデルの進化の速さを考えると、頻繁に再実行することになるでしょう。Apidogをダウンロードして、最初の複数モデル比較を設定してください。
結論
ここに唯一の勝者はいません。いずれか一つを挙げる記事は単純化しすぎています。正直なまとめは以下の通りです。
- **GPT-5.5**は最高のベンチマーク知能（Artificial Analysis Intelligence Indexで60）を持ち、SWE-bench Verifiedでトップ、そして最もトークン効率が高いです。コーディングエージェントやコスト重視の自動化に最適です。
- **Claude Opus 4.7**はLM Arenaの人間選好度で勝利し、より困難なSWE-bench Proでリードし、最も広範なクラウド可用性を持っています。大規模コードベースのエンジニアリングやユーザー向け製品に最適です。
- **Qwen3.7-Max-Preview**はArtificial Analysisのリーダーボードで1位を保持し、コンテキストウィンドウでは他のモデルと同等であり、価格設定されれば最も安価になる可能性が高いでしょう。しかし、現時点ではプレビュー版のみであるため、まだ製品選択ではなくロードマップ候補です。
- 「Qwenが1位にランクされた」という見出しは正確ですが、部分的です。Qwenは全体リーダーボードでトップですが、GPT-5.5はより高い生のスコアを記録しています。両方を読んでください。
- ベンチマークの数値とElo評価は週ごとに変動します。コミットする前に、ライブボードで確認してください。
適切なモデルは、あなたの実際のプロンプト、トークン構成、レイテンシー予算において最も優れたものです。決定する前に、Apidogで3つのモデルすべてを同じリクエストでテストしてください。リーダーボードから推測する1ヶ月よりも、半日の並列テストの方がはるかに優れています。