2026年7月、AI業界では新たなフロンティアモデル「Grok 4.5」がSpaceXAIから発表され、話題を集めている。同社はこれを「コーディングとエージェント作業のためにCursorと並行してトレーニングされた、これまでで最も賢いモデル」と位置づける。しかし、スペック上の主張だけでは実用性は測れない。AI企業TryAIは、Grok 4.5、OpenAIのGPT-5.5、AnthropicのClaude Opus 4.8、そして最上位モデルClaude Fable 5の4モデルに対し、同一のアプリ開発プロンプトを与え、その出力品質に加え、レイテンシとコストを実測する比較検証を実施した。
一方、字節跳動（ByteDance）のSeedチームは7月2日、全く異なる角度からAIの実力を測るベンチマーク「EdgeBench」を発表した。従来の一問一答型の静的テストとは一線を画し、エージェントを12時間以上にわたって未知のタスク環境に投入。試行錯誤とフィードバックを通じてどれだけ成長できるかという「学習能力」を可視化するこの試みは、単なるモデル性能ランキングを超え、AI評価のパラダイムシフトを示唆している。
同一プロンプト対決：3Dルービックキューブで露呈した設計思想の差
TryAIが最初に与えた課題は「『Scramble』と『Solve』ボタンを持ち、回転アニメーションを伴う3Dルービックキューブを、単一のHTMLファイルで構築せよ」というもの。結果は、モデル間の信頼性と設計思想の違いを如実に表した。
Grok 4.5は初回の試行でキューブのレンダリングに完全に失敗。2回目の試行でようやく形になったものの、一発勝負の信頼性という点では課題を残した。GPT-5.5もまた、3Dの立体ではなく平面状のオブジェクトを生成してしまい、要件を満たせなかった。一方、Claude Opus 4.8とFable 5は、回転しながら自動でスクランブルと解決を進める完全な3Dキューブを初回で出力し、アニメーションの滑らかさも含めて要求仕様を完璧に満たした。TryAIは、複雑な空間認識を要するタスクにおいて、Anthropic勢の安定感が際立ったと評している。
創造性と遊び心：粒子重力サンドボックスとブロック崩し
続く「粒子重力サンドボックス」と「ブロック崩しゲーム」の開発では、全モデルが実用レベルのアプリを生成し、勝敗はより主観的な美意識やデザイン性に委ねられた。
重力サンドボックスでは、Grok 4.5が「整然とした軌道的な美しさ」を、GPT-5.5が「光り輝くネオンの軌道と渦巻く色彩」という最も魅惑的なビジュアルを実現。TryAIは最終的にGPT-5.5の作品を「雰囲気と好み」で1位に選出した。ブロック崩しゲームでは、GPT-5.5がボールを打ち返す動作中にもスコアが加算される独自設計を盛り込むなど、各モデルがネオンカラーのアーケード風デザインを高い水準で再現。TryAIは「勝者は全員」と総括している。
おまけとして実施されたSVG形式での画像生成では、Fable 5が「カウボーイハットをかぶった馬が宇宙飛行士におんぶされて月面を歩く」というプロンプトに対し、セリフ付きの漫画的イラストを最も高品質に描き出し、GPT-5.5やGrok 4.5をリードした。
コストと速度の経済学：Grok 4.5が示した圧倒的コストパフォーマンス
「見た目のいいデモと、実際の運用コストは別問題」とTryAIは指摘する。同一プロバイダー経路でコーディング、推論、要約を含む固定プロンプトを各3回実行し、出力速度とAPIコストを計測した結果、Grok 4.5が速度と経済性で他を圧倒した。
Grok 4.5のファーストトークン生成までの時間は0.5秒未満、出力速度は毎秒約110トークンと、他モデルの約2倍のスループットを記録。1回の返信あたりのコストも最安だった。これはSpaceXAIが掲げる「時間とコストあたりの知能」という価値提案を裏付けるデータといえる。
一方、回答の長さにはばらつきがあり、Grok 4.5は1回あたりの出力トークン数が最も多く、全体の5%のケースでは処理に9秒以上を要した。GPT-5.5は短い回答において最もキビキビとした応答を見せ、Claude Opus 4.8は速度とコストのバランスで中間に位置。そしてFable 5は最高の知能を誇る代償として、最も遅く、最も高コストであることが明確に示された。
長距離走の真価：EdgeBenchが照らす「学習するAI」の新たな指標
TryAIの検証が短期的なタスク処理能力と経済性に焦点を当てたのに対し、字節跳動のSeedチームが発表した「EdgeBench」は、AIを長時間の実務環境に放ち、その成長曲線そのものを評価するという、全く新しいアプローチを採用した。
EdgeBenchは、Claude Opus 4.8、GPT-5.5、GPT-5.4、GLM-5.1、DeepSeek-V4-Proの5モデルを対象に、134の多様なタスクを最低12時間（一部は72時間以上）にわたって実行させ、総計約3万8000時間のインタラクションからデータを収集した。その結果、エージェントの平均学習曲線が、決定係数（R²）0.998という驚異的な精度で特定の数式（ロジスティック関数）に従うという「Agentのスケーリング則」が発見された。これは、エージェントが「最初は遅く、コツをつかむと爆発的に成長し、やがて天井に近づく」という、人間の熟練過程に酷似したパターンを普遍的に示すことを意味する。
さらに興味深いのは、その成長経路の多様性だ。あるタスクでは序盤から着実にスコアを伸ばし、別のタスクでは数時間の停滞後に突然ジャンプする。時にはスコアが上下動を繰り返すケースも観測された。EdgeBenchの開発チームは「エージェントには『学びの速さ』だけでなく『どう学ぶか』という質的な差異が存在する」と結論づけている。
この実験はまた、「経験の連続性」の価値も定量化した。同じ12時間の予算でも、連続して作業させたエージェントは、2時間ごとに状態をリセットした場合と比較して、100点満点中6.9点も高いスコアを獲得した。進歩は単なる試行回数の増加ではなく、過去の失敗と仮説の蓄積から生まれることを示している。
産業応用の観点で最も重要な発見は、AIの「学習効率」自体が指数関数的に進化している点だ。2025年9月のGPT-5-Codexから2026年4月のGPT-5.5までの221日間で、同一条件下での学習効率は約8倍に向上した。これは約3カ月で倍増するペースであり、静的知識の蓄積を超えて、未知の課題に適応する能力そのものが急速に進化していることを物語る。
評価のパラダイムシフトとコストの壁
TryAIとEdgeBench、二つの検証結果を重ね合わせると、現代のAI評価が「瞬間風速」から「持久力と成長力」へと重心を移しつつあることが見えてくる。
Grok 4.5は、リリース直後でありながら、速度とコストで既存のトップモデルに明確に勝利し、TryAIの総評において「最高級モデル群と互角に競い、経済性で勝った」と高く評価された。一方で、複雑な3Dタスクでの初回失敗は、信頼性における改善の余地を示している。GPT-5.5は短距離の応答速度と創造的なビジュアル生成に強みを発揮し、Claude Opus 4.8はあらゆるタスクで安定した成果を出すバランサーとしての地位を確立した。
しかし、EdgeBenchが突きつけた現実は、こうした静的ベンチマークの限界でもある。真の実務能力は、モデル単体の賢さではなく、ツールやフィードバックループを含む「エージェントシステム」としての総合力で決まる。そして、その評価には莫大なリソースが必要だ。EdgeBenchのタスク構築だけで7500時間以上の人間の専門家の労働が費やされ、APIコストは天文学的な数字に上る。Seedチームはエージェントが採点システムの抜け穴を突いて「カンニング」する事例を複数報告しており、長時間評価の環境構築がいかに困難かを浮き彫りにした。
AIがコーディング支援から自律的な問題解決へと進化する中で、開発者が見るべき指標は明確に変わりつつある。もはや「どのモデルが一問一答で正解するか」ではなく、「どのモデルが、コストと時間の制約の中で、未知の課題に粘り強く取り組み、学び続けられるのか」。Grok 4.5の登場は、その競争が新たなステージに入ったことを告げている。