【2026年7月最新】Kimi K3ベンチマーク徹底比較 — Fable 5・GPT-5.6 Sol・GLM-5.2との実力差を検証

2026年7月16日、Moonshot AIは新モデルKimi K3を公開しました。パラメータ数2.8兆、100万トークンのコンテキストウィンドウ、ネイティブ画像・動画認識を備えたオープンウェイトモデルです。公開から24時間以内に、Arenaのフロントエンド開発リーダーボードで第1位、Artificial AnalysisのIntelligence Indexで第3位を獲得し、テック業界に大きな反響を呼んでいます。

本記事では、Kimi K3のベンチマークスコアを、AnthropicのClaude Fable 5、OpenAIのGPT-5.6 Sol、Zhipu AIのGLM-5.2と項目別に比較します。さらに、モデル性能だけでは解決できない「AIエージェント活用の本質」についても考察します。

総合知能指数：Artificial Analysis Intelligence Index

Artificial Analysisは、GDPval-AA v2、Terminal-Bench 2.1、SciCode、Humanity's Last Exam、GPQA Diamondなど9つの評価を統合した総合知能指数を公開しています。189モデル中のランキングは以下の通りです。

• Claude Fable 5（max） — 60点（上位2%）
• GPT-5.6 Sol（max） — 59点（上位2%）
• Kimi K3 — 57.1点（上位3%）
• Claude Opus 4.8 — 約57点（上位3%）
• GPT-5.5 — 約55点（上位4%）

Kimi K3はフロンティアモデルの水準に到達していますが、総合指数ではFable 5とGPT-5.6 Solに約3点差で及びません。ただし、この差は歴史的に見ても小さい範囲です。

Arenaリーダーボード：ブラインド比較で第1位

Arenaは、どのモデルかを知らされないユーザーが出力を比較し勝者を選ぶ方式のリーダーボードです。Text Arena、Code Arena、Agent Arenaの3部門ではFable 5が首位を維持していますが、フロントエンドWeb開発部門ではKimi K3が1,679点で首位を獲得しました。Fable 5は1,631点、GPT-5.6 Solは1,618点です。

前世代のKimi K2.6は1,515点で18位でした。

1世代で164点の上昇と18ランクの躍進は、他社モデルでも類を見ない成長幅です。Arena共同創業者のAnastasios Angelopoulos氏は「今年最大のリリースかもしれない」「オープンソースの中国モデルがクローズドな米国モデルを超える瞬間だ」と評しました。

コーディング性能：K3が最も力を発揮する領域

• ProgramBench — K3：77.8%（第1位）、GPT-5.6 Sol：77.6%
• Terminal-Bench 2.1 — K3：88.3%、GPT-5.6 Sol Ultra：91.9%、Fable 5：88.0%
• SWE Marathon — K3：42.0%（第1位）、GPT-5.6 Sol：39.0%
• DeepSWE — K3：67.5%、GLM-5.2：46.2%
• SWE-bench Verified — K3：60.4%、Fable 5：95.0%
• FrontierCode Diamond — Fable 5：29.3%、GPT-5.6 Sol：5.7%

長時間にわたるコーディングタスク（SWE Marathon、ProgramBench）ではK3が首位です。一方、SWE-bench Verified（95.0%対60.4%）や高難度問題（FrontierCode Diamond）ではFable 5が依然として大幅にリードしています。K3はコーディング全般で強いものの、最難関問題への対応力ではFable 5に及びません。

知識・推論性能

• BrowseComp（長時間情報検索） — K3：91.2、GPT-5.6 Sol：92.2
• GPQA Diamond（大学院レベル科学推論） — K3：93.5%
• Humanity's Last Exam — K3：44.3%、Fable 5：59.0%（ツールなし）/ 64.5%（ツールあり）

BrowseCompではGPT-5.6 Solとほぼ互角の91.2を記録。GPQA Diamondでは93.5%と、大学院レベルの科学的推論で高い正答率を示しています。総合的な知識タスクではFable 5がリードを維持しています。

エージェントタスク

実世界の業務自動化ベンチマーク8項目中4項目でK3が首位を獲得しました。AutomationBench、SpreadsheetBench 2などの実務タスクで高い性能を発揮しています。一方、コンピュータ操作タスク（OSWorld 2.0）ではGPT-5.6 Solが62.6%で圧倒的なリードを保っています。

専門家・業界関係者の反応

K3の公開後、X（旧Twitter）では賛否両論の反応が広がりました。

高い評価を示した専門家

• Aaron Levie（Box CEO） — 「AI構築企業にとって大きな勝利。安価なフロンティアモデルがエンタープライズAI活用を拡大させる」
• Gavin Baker（投資家） — 「AIの転換点。モデル層の競争激化は、クローズドAIスタートアップ以外のすべての企業に恩恵をもたらす」
• Anastasios Angelopoulos（Arena共同創業者） — 「今年最大のリリースかもしれない」
• Theo Browne（開発者/YouTuber） — 「Kimi K3は『これまでで最高のモデル（ときどき）』。3Dおよびビジュアルコーディングはオープンウェイトモデルで最も優秀」

慎重な見解を示した専門家

• Ethan Mollick（ウォートンスクール教授） — 「複雑な統計監査タスクではK3に誤りが見られた」と注意を促す
• Patrick Moorhead（テックアナリスト） — 「2025年のDeepSeekのときと驚くほど似た過剰反応」
• David Sacks（大統領科学技術諮問委員会共同議長） — K3のフロントエンド開発首位に「懸念」を表明。米国の自主規制がAI競争力に影響する可能性を指摘

価格比較：K3の破壊力

ベンチマーク性能が拮抗するなか、K3の価格設定は明確な差別化要因です。

• Kimi K3 — 入力 $3.00/100万トークン（キャッシュ時 $0.30）、出力 $15.00/100万トークン
• GPT-5.6 Sol — 入力 $5.00、出力 $30.00（27.2万トークン超は $10/$45に上昇）
• Claude Fable 5 — 入力 $10.00、出力 $50.00
• GLM-5.2 — 入力 約$1.00、出力 約$5.00

K3はFable 5の入力価格の30%、出力価格の30%でフロンティア水準の性能を提供します。さらに、キャッシュ利用時の入力価格は$0.30と90%の割引があり、大規模リポジトリのコードレビューや10万ページ超のドキュメント分析が現実的なコストで実現可能です。7月27日にはModified MITライセンスでモデルウェイトが完全公開される予定で、セルフホスティングによりAPI費用をゼロにすることも可能になります。

モデル性能だけでは解決できない、AIエージェント活用の本質

ここまで紹介したベンチマークはすべて、モデルを単体で評価した結果です。1つのプロンプトに対して1つの応答を返し、そのスコアを測定する。しかし、実際の業務はそのようには進みません。

実際の業務では、AIエージェントは先週のチーム会議で決まったことを覚えている必要があります。顧客管理システムからデータを取得し、カレンダーを確認し、フォローアップメールを起案し、送信前に上長の承認を待つ必要があります。営業部門とエンジニアリング部門では異なる用語が使われていることを理解し、過去の修正指示から学習して同じ間違いを繰り返さない必要があります。

K3もFable 5もGPT-5.6 Solも、モデル単体ではこれらの課題を解決できません。モデルは「脳」です。しかし、記憶を持たず、文脈を理解せず、実行手段を持たない脳は、高速な自動補完エンジンにすぎません。

Kylonが実現するAIエージェントの真価

• 持続するメモリ — 会話やチャンネルをまたいで、チームの決定事項、業務の優先順位、過去の経緯を記憶し続けます。6月5日に修正されたQ4売上目標は、7月でも8月でも、関連するすべてのチャンネルで参照可能です
• 権限とアイデンティティ — 各エージェントに固有のID、ツールセット、権限境界を設定できます。営業チーム用エージェントは顧客管理システムにアクセスできますがコードベースにはアクセスできません。エンジニアリング用エージェントはステージング環境にデプロイできますが、本番環境には人間の承認が必要です
• 1,000以上のツール連携 — Gmail、Slack、GitHub、Notion、Salesforce、Google Sheets、Ahrefs、PostHogなどとOAuth認証で安全に接続。重要な操作には人間の承認フロー（Human-in-the-Loop）を設定可能です
• 自動化ワークフロー — スケジュール実行、Webhookトリガー、複数ステップのプロセスを確実に実行します。「毎朝9時に最新のSEOデータを取得して要約する」は、プロンプトではなく、自動で動くワークフローです
• 蓄積するスキル — 「日本語ブログ記事の書き方」「競合分析の手順」「リード処理のフロー」といった再利用可能なスキルパッケージをエージェント間で共有できます。業務ノウハウが属人化せず、組織の資産として蓄積されます
• 人間とエージェントの協働 — 自動化ではなく協働が設計思想です。エージェントが提案し、人間が承認する。エージェントが起案し、人間が仕上げる。エージェントが監視し、人間が判断する。モデルの性能を最大限に活かしつつ、意思決定は人間が行います

K3やFable 5やGPT-5.6を評価するとき、あなたが評価しているのはエンジンです。Kylonを使うとき、あなたが評価しているのは、そのエンジンにメモリ、文脈、ツール、判断力、説明責任を加えた上で、チームが何を達成できるかです。

モデルは今後も進化し続けます。毎四半期、どこかの企業がベンチマークを更新する新モデルを公開するでしょう。それは競争の性質です。本当の問いは「どのモデルが最強か」ではありません。「あなたのチームはAIとどう働くか」です。Kylonは、その問いに答えるために設計されたワークスペースです。