開発元のAIモデル
数値表
| モデル・推論設定 | 解決率 | 費用／試行（USD） | 時間 |
|---|---|---|---|
| Grok 4.7 (xhigh) | 38.8 | 未収録 | 95分 |
| Grok 4.6 (high) | 19.7 | 10.8836 | 39分 |
| Grok 4.5 (high) | 12.4 | 6.3458 | 53分 |
Grok 4.5
Grok 4.7
Agents’ Last Exam v1：スコア
OpenAIが公表した同じ評価の設定別の値。
Agents’ Last Exam v1：1タスクの費用
OpenAIが公表した同じ評価の設定別の値。
MMMU-Pro (Vision)：スコア
OpenAIが公表した同じ評価の設定別の値。
MMMU-Pro (Vision)：1タスクの費用
OpenAIが公表した同じ評価の設定別の値。
AutomationBench 1.0.6：スコア
OpenAIが自社モデルを研究環境またはAPIで評価したAutomationBench 1.0.6のスコアです。全目標を達成したタスクの割合とは異なります。
AutomationBench 1.0.6：1タスクの費用
OpenAIがAutomationBench 1.0.6で公表した1タスクあたりの費用です。APIの100万トークン単価とは異なります。
OSWorld 2.1：スコア
OpenAIが公表した同じ評価の設定別の値。
OSWorld 2.1：1タスクの費用
OpenAIが公表した同じ評価の設定別の値。
SMS迷惑判定：正答率
正解ラベルと一致した件数を500件で割った割合です。SMSは2分類、Banking77は77分類です。汎用知識やコード生成の能力は測っていません。
SMS迷惑判定：処理時間 p50
500要求の処理時間を小さい順に並べた中央値です。ネットワーク・提供環境・出力形式を含みます。最初の応答までの時間（TTFT）ではありません。
SMS迷惑判定：処理時間 p95
500要求を昇順に並べ、floor(0.95 × (n − 1))番目を採った公開実装のp95です。遅い側の処理時間を示します。
SMS迷惑判定：1,000件の費用
評価時の費用合計を件数で割り、1,000倍した金額です。APIの100万トークン単価や自社運用の費用とは異なります。
Banking77問い合わせ分類：正答率
正解ラベルと一致した件数を500件で割った割合です。SMSは2分類、Banking77は77分類です。汎用知識やコード生成の能力は測っていません。
Banking77問い合わせ分類：処理時間 p50
500要求の処理時間を小さい順に並べた中央値です。ネットワーク・提供環境・出力形式を含みます。最初の応答までの時間（TTFT）ではありません。
Banking77問い合わせ分類：処理時間 p95
500要求を昇順に並べ、floor(0.95 × (n − 1))番目を採った公開実装のp95です。遅い側の処理時間を示します。
Banking77問い合わせ分類：1,000件の費用
評価時の費用合計を件数で割り、1,000倍した金額です。APIの100万トークン単価や自社運用の費用とは異なります。
T-Rex：60秒生存率
5シードのうち60秒間生存した割合です。物理プランナーとshieldの介入を含む結果で、モデル単体の正確さや他用途への性能を示しません。
T-Rex：処理時間 p50の中央値
APIのJevとローカルRTX 4090のCLMは実行条件が異なります。通信・実行環境を含むシステムの時間で、モデル単体の速度比較には使えません。
Terminal-Bench 4.1
Terminal-Benchは、AIエージェントがターミナルを使って作業を完了する能力を測るベンチマークです。4.1の解決率を0〜100%で示し、数値が高いほど多くの作業を完了できたことを表します。
Terminal-Bench 4.1：実行コスト
Terminal-Bench 4.1で報告された、330試行の評価にかかった合計費用です。単位は米ドル（USD）で、数値が小さいほど低コストです。APIのトークン単価や月額料金とは異なります。
Terminal-Bench 4.1：平均試行時間
Terminal-Bench 4.1で、1試行を終えるまでにかかった平均時間です。単位は秒で、数値が小さいほど短時間で試行を終えています。応答を返し始めるまでの待ち時間とは異なります。
Terminal-Bench-Science 0.1：スコア
OpenAIが公表した同じ評価の設定別の値。
Terminal-Bench-Science 0.1：1タスクの費用
OpenAIが公表した同じ評価の設定別の値。
難しいプロンプトの事実誤認率：事実誤認率
OpenAIが公表した同じ評価の設定別の値。
難しいプロンプトの事実誤認率：1タスクの費用
OpenAIが公表した同じ評価の設定別の値。
API料金
| 実行構成 | 種別・単価 | 適用条件・出典 |
|---|---|---|
| Grok 4.6 / xAI standard API | input: 2 USD / 1M tokens | 条件・出典Global API standard pricing below 200000 input tokens; long context, regional, and priority rates differ
モデルに対応する標準APIの単価。性能評価に使用された構成・実行費用とは別。（確認日 2026-09-27） docs.x.ai |
| Grok 4.6 / xAI standard API | output: 6 USD / 1M tokens | 条件・出典Global API standard pricing below 200000 input tokens; long context, regional, and priority rates differ
モデルに対応する標準APIの単価。性能評価に使用された構成・実行費用とは別。（確認日 2026-09-27） docs.x.ai |
| Grok 4.6 / xAI standard API | cache: 0.5 USD / 1M tokens | 条件・出典Global API standard pricing below 200000 input tokens; long context, regional, and priority rates differ
モデルに対応する標準APIの単価。性能評価に使用された構成・実行費用とは別。（確認日 2026-09-27） docs.x.ai |
| Grok 4.7 / xAI API | input: 2 USD / 1M tokens | 条件・出典xAI API us-east-1の標準料金（USD/100万トークン、200K以下）。200K超は別料金。ツール料金を含まない。Batch API非対応。（確認日 2026-09-30T00:32:14.566976Z） xAI Grok 4.7 API仕様・料金 |
| Grok 4.7 / xAI API | output: 6 USD / 1M tokens | 条件・出典xAI API us-east-1の標準料金（USD/100万トークン、200K以下）。200K超は別料金。ツール料金を含まない。Batch API非対応。（確認日 2026-09-30T00:32:14.566976Z） xAI Grok 4.7 API仕様・料金 |
| Grok 4.7 / xAI API | cache: 0.5 USD / 1M tokens | 条件・出典xAI API us-east-1の標準料金（USD/100万トークン、200K以下）。200K超は別料金。ツール料金を含まない。Batch API非対応。（確認日 2026-09-30T00:32:14.566976Z） xAI Grok 4.7 API仕様・料金 |