【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。パラメータ数は2.8兆です。100万トークンのコンテキストウィンドウを備えます。ネイティブの画像・動画認識にも対応する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位を獲得しました。Artificial AnalysisのIntelligence Indexでは第3位の水準に達しました。

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。あわせて、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論点を整理します。

総合知能指数：Artificial Analysis Intelligence Index

Artificial Analysisは、GDPval-AA v2、Terminal-Bench 2.1、SciCodeなど9評価を統合した総合知能指数を公開しています。Humanity's Last Exam、GPQA Diamondも評価対象です。189モデル中の順位は、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達しました。一方、総合指数ではFable 5とGPT-5.6 Solを約3点下回りました。ただし、この差は歴史的に見れば小さい範囲にとどまります。

KYLON公式LINE

仕事で使える生成AI情報を、LINEで毎週チェック

重要な生成AIニュースと、企業での活用事例をコンパクトにお届けします。営業、顧客対応、採用、バックオフィスで使える実務のヒントも、週ごとにまとめます。

Kylon公式LINEを友だち追加

登録は無料です。配信停止はいつでもLINE上で設定できます。

Arenaリーダーボード：ブラインド比較で第1位

Arenaは、モデル名を伏せた状態でユーザーが出力を比較し、勝者を選ぶ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。一方、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位にとどまりました。

1世代で164点上昇し、順位も18ランク上げたことが明らかになりました。この成長幅は、他社モデルと比べても例を見ない水準です。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%

長時間のコーディングタスクでは、K3が強みを示しました。SWE MarathonとProgramBenchでは首位を獲得しています。一方、SWE-bench VerifiedではFable 5が95.0%、K3が60.4%でした。高難度問題のFrontierCode Diamondでも、Fable 5が大幅に上回りました。K3はコーディング全般で高い性能を示す一方、最難関問題への対応では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、K3は91.2を記録しました。GPT-5.6 Solとほぼ同水準です。GPQA Diamondでは93.5%に達し、大学院レベルの科学的推論でも高い正答率を示しました。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では、8項目中4項目でK3が首位を獲得しました。AutomationBenchやSpreadsheetBench 2などの実務タスクで高い性能を示しています。一方、コンピュータ操作タスクのOSWorld 2.0では、GPT-5.6 Solが62.6%で大きくリードしました。

専門家・業界関係者の反応

K3の公開後、X（旧Twitter）では評価と慎重論の双方が広がりました。

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
• Theo Browne（開発者/YouTuber） — 「K3は素晴らしいモデルだが、コストパフォーマンスは素晴らしくない。トークン単価はSolの半分でも、トークン消費量が2倍なのでコストは同じ。Solは2倍速いので、同じ費用で4倍速く仕事が終わる」と実測データに基づく分析を投稿

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のトークン単価はFable 5の30%です。ただし、実際のタスクコストは単純な単価比較ほど低くありません。開発者のTheo Browne氏がX上で指摘した分析が注目を集めています。

トークン単価の罠：実際のタスクコスト

K3は出力が冗長になりやすいモデルです。Artificial AnalysisのIntelligence Index評価では、K3は1億3,000万の出力トークンを生成しました。GPT-5.6 Solは7,000万、Fable 5は8,700万です。同じタスクセットで、K3の出力トークン量はSolの約1.9倍に達しました。

出力コストは、K3が$15/100万トークン × 1億3,000万 ≒ $1,950です。GPT-5.6 Solは$30/100万 × 7,000万 ≒ $2,100です。Fable 5は$50/100万 × 8,700万 ≒ $4,350です。K3はFable 5より確実に安価です。一方、GPT-5.6 Solとのタスク当たりのコスト差は、ほぼゼロにとどまります。

K3の処理速度は約62トークン/秒です。GPT-5.6 Solの約半分にとどまります。トークン消費量の多さも踏まえると、Solは同等のコストで約4倍速くタスクを完了します。Theo Browne氏は「K3は素晴らしいモデルだが、素晴らしいコストパフォーマンスではない。K3のトークン単価がSolの半分でも、Solのトークン消費量がK3の半分なので、実際のコストは同じになる」と指摘しています。

K3の価格が真に有利な場面

キャッシュ利用時の入力価格は$0.30です。90%の割引により、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も現実的なコストで実行できます。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す。セルフホスティングにより、API費用をゼロにする選択肢も生まれます。

Kimi K3とは？基本情報まとめ

Kimi K3（キミ・ケースリー）は、中国のAIスタートアップMoonshot AIが2026年7月16日に公開した大規模言語モデル（LLM）です。「Kimi」はMoonshot AIのAIアシスタントブランド名です。K3は第3世代のフラッグシップモデルにあたります。

• 開発元：Moonshot AI（月之暗面）、中国・北京
• パラメータ数：2.8兆（世界初のオープン3兆パラメータ級モデル）
• コンテキストウィンドウ：100万トークン
• 対応モダリティ：テキスト、画像、動画のネイティブ認識
• ライセンス：Modified MIT（2026年7月27日にウェイト完全公開予定）
• API利用：platform.kimi.ai からAPIキーを取得。入力 $3.00/100万トークン、出力 $15.00/100万トークン
• 使い方：kimi.comでチャット利用、またはAPI経由でアプリケーションに組み込み。Cloudflare Workers AI、OpenRouterなどのサードパーティでも利用可能

Kimi K3の詳しいコスト分析については、「Kimi K3の本当のコスト」で、トークン単価と実際のタスクコストの違いを解説しています。AIエージェント全般の比較については、「AIエージェント比較2026」をご覧ください。

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

ここまでのベンチマークは、いずれもモデル単体を評価した結果です。1つのプロンプトに1つの応答を返し、そのスコアを測定します。しかし、実際の業務はこのような単発の処理だけでは完結しません。

実務では、AIエージェントは先週の会議で決まった事項を把握する必要があります。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ます。フォローアップメールを起案し、上長の承認を待つ場面もあります。部門ごとの用語の違いを理解することも必要です。過去の修正指示を踏まえ、同じ誤りを繰り返さないことも求められます。

K3、Fable 5、GPT-5.6 Solはいずれも、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」に相当します。しかし、記憶、文脈、実行手段を持たないモデルは、高速な自動補完エンジンにとどまります。

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
• 3,000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。業務ノウハウの属人化を防ぎ、組織の資産として蓄積します
• 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、Fable 5、GPT-5.6を評価する際に見ているのは、エンジンの性能です。Kylonで評価するのは、そのエンジンにメモリ、文脈、ツール、判断、説明責任を加えたときに、チームが何を達成できるかです。

モデルは今後も進化を続けます。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。これは競争の性質です。本質的な問いは「どのモデルが最強か」ではありません。「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。