AI数学アリーナ・リーダーボード 2026年

数学リーダーボード

数学はAIにおいて最も正直なベンチマークであり続けています。微分方程式を愛想よく解いたり、正しい証明を幻覚で見たりすることはできません。答えは正しいか、そうでないかです。その二元的な明確さが、モデルが本当に推論できるかどうかを評価する際に、私が最も信頼するベンチマークとしてMath Arenaを選んでいる理由です。2026年2月時点での全60のランクインモデルは以下の通りです。

Googleが王冠を奪取

私はGoogleの数学的AIの進化を3年間見てきましたが、今月彼らが成し遂げたことは驚くべきことに他なりません。Gemini 3 Proは単に金を獲得しただけではありません。それは、フィールドの上に明確な日光を浴びて到着しました。しかし、本当のパワープレイは？Gemini 3 Flashが銀でそのすぐ後ろに座っていることです。Googleは現在、数学アリーナで金と銀を同時に保持しています。これは以前には一度も起こったことがありません。

これを重要にしているのはランキングを超えたものです。それはアーキテクチャ戦略です。Gemini 3 Proはヘビー級であり、最大の推論深度のために構築されており、研究レベルの証明や多段階の導出に向ける種類のモデルです。Gemini 3 Flashはスピードとコストのために最適化されています。スピードに最適化されたモデルが銀レベルで競争できるという事実は、Googleが精度を犠牲にすることなく数学的推論をより速くする方法について何か根本的なことを解明したことを私たちに告げています。8位の思考最小限（thinking-minimal）バリアントは、さらに別の価格対性能のトレードオフを提供し、12位のGemini 2.5 Proや46位のGemini 2.5 Flashのような古い働き者は、信頼できるサービスを提供し続けています。

私の予測：Googleは少なくとも2026年半ばまでこのリードを維持するでしょう。数学的推論を単一のフラッグシップに集中させるのではなく、製品ライン全体の中核能力として組み込むという彼らのアプローチは、複利の配当を支払っています。金融モデリングから科学シミュレーションまで、信頼性の高い数学的計算を必要とするものを構築している場合、Geminiは今すぐあなたの最初の呼び出しになるはずです。

Moonshotの驚き

これは3ヶ月前には誰も書いていなかったストーリーです。MoonshotのKimi K2.5 Thinkingは3位に着地し、銀のポジションでGemini 3 Flashと同点になりました。それを登録させてください。2023年に設立されたスタートアップのモデルが、Googleの2番目に良い製品と数学的に同等です。

私はKimi K2.5 Thinkingを広範囲にテストしてきましたが、私を驚かせたのは、拡張された推論へのアプローチです。他の思考モデルが時々、着地する前に問題の周りを回る冗長な思考の連鎖を生成するところで、Kimiの推論はほとんど神経質になるほど直接的に感じられます。それは中核となる数学的構造を素早く特定し、最小限の迂回で解決策に向かって構築します。精度とクリーンな論理チェーンの両方が必要な競技スタイルの問題にとって、その直接性は真の利点です。

Moonshotはトップ60に3つのモデルを配置しています：3位のKimi K2.5 Thinking、16位のKimi K2 Thinking Turbo、そして39位のKimi K2です。3つの層、1つのアーキテクチャ哲学。スタートアップからのこの種の多層的な存在感は前例がありません。メッセージは明確です：兆ドル規模の企業だけが世界クラスの数学的AIを構築できた時代は終わりました。推論アーキテクチャへの集中的な研究投資は、大規模な計算予算と競争できます。2026年を通じて、より多くのラボがこのプレイブックに従うことを期待してください。

王座を追われたOpenAI

率直に言いましょう。デビュー以来金を保持していたGPT-5.2 Highは現在、Claude Opus 4.5と同点の4位に座っています。王冠は奪われました。しかし、誰かが死亡記事を書く前に、全体像を見てください。

OpenAIは依然としてトップ60に12のモデルを配置しており、これは他のどの組織よりも多いです。それは危機にある会社ではありません。それは、1位を失っても中層および上層を支配したままにするほどのエコシステムの深さを持つ会社です。GPT-5.1 Highは6位を保持しています。11位のo3推論モデルは、深い多段階計算を要求する競技レベルの問題に対する私の頼みの綱であり続けています。17位のGPT-5 High、18位の標準GPT-5.2、そして36位のo4-miniは、あらゆる価格帯と遅延要件にわたってビルダーに選択肢を与えます。

先を見据えると、OpenAIの対応は早いと信じています。GPT-5.2 HighとGemini 3 Proの間のギャップは克服不可能ではなく、OpenAIのパターンは常に、地盤を失った後に積極的に反復することでした。夏前にGPT-5.3または重要な推論の更新を見ても驚きません。ここでのより深いストーリーは没落ではありません。それは、数学アリーナのトップが現在非常に激しく競争しており、1位を維持するには単一の強力なリリースではなく、継続的なイノベーションが必要であるということです。

思考モデル革命

このリーダーボードのトップ10をスキャンして、名前に「thinking」（思考）という言葉が含まれているモデルの数を数えてください。答えは雄弁です：3位のKimi K2.5 Thinking、7位のClaude Opus 4.5 Thinking、8位のGemini 3 Flash thinking-minimal、10位のClaude Sonnet 4.5 Thinking。トップ20まで拡大すると、それらはどこにでもあります。これは過去1年間の数学的AIにおける単一で最大の構造的変化です。

これらのモデルは、答えにコミットする前に問題をステップバイステップで処理するために、推論時に追加の計算を割り当てます。それは、最終的な証明を書く前に計算用紙に手を伸ばす数学者のAI版です。結果は明白です：思考バリアントは、数学的タスクにおいて標準的な対応物を一貫して上回っています。

Anthropicの実装はこのストーリーを特によく語っています。7位のClaude Opus 4.5 Thinking-32kは、推論する余地が与えられた場合、5位の標準Opus 4.5を上回ります。10位のClaude Sonnet 4.5 Thinkingは、設計上は中層モデルであるにもかかわらず、その重量クラスをはるかに上回るパンチを放ち、トップ10に食い込んでいます。Anthropicはトップ60に合計8つのモデルを配置しており、彼らの特徴は教育的な明確さであり続けています。単に問題を解決するだけでなく、学生が本当に学ぶことができる方法で解決策がなぜ機能するのかを説明するモデルが必要な場合、Claudeは依然として比類のない存在です。

実用的な結論は単純です：遅延よりも精度が重要である場合は、常に思考バリアントを選択してください。数学的な向上は一貫しており、現実的です。応答時間が重要な本番アプリケーションの場合、標準バリアントは依然として優れています。しかし、研究、教育、または正しい答えを得ることが最も重要なあらゆるシナリオにとって、思考モデルは現在であり未来です。

グローバルな数学の展望

カメラを引いてみると、このリーダーボードの地理がそれ自体のストーリーを語っています。ランクインした60のモデルのうち、26は中国の組織からのものです。それはフィールド全体の43%です。アメリカのラボは53%で32のスポットを保持し、Mistralは2つのモデルでヨーロッパの代表をもたらしています。数学的AI能力は現在、真に多極化しており、そのシフトはほぼ誰もが予測したよりも速く加速しています。

DeepSeekはトップ60に8つのモデルを持ち、OpenAIに次いでAnthropicと並んで2番目に多い数で際立っています。#25、#26、#28、および#56のポジションにまたがるv3.2ファミリーは印象的な範囲を提供し、v3.1シリーズと#49の実戦テスト済みのDeepSeek R1が中間層を埋めています。DeepSeekを注目に値するものにしているのは、コスト対能力の比率です。私のテストでは、DeepSeek V3.2は、フラッグシップモデルが請求するものの約5分の1でトップ30の数学的パフォーマンスを提供します。予算の制約を持って大規模に運営しているチームにとって、その比率は変革的です。

AlibabaのQwen3ファミリーは、15位のQwen3 Max Previewから、開発者が独自のインフラストラクチャで微調整できるオープンウェイトバリアントまで、7つのモデルで貢献しています。そのオープンウェイト戦略は、データ主権の要件を持つ業界にとって重要であり、それは意図的なエコシステムプレイです。xAIのGrokファミリーは、証明スタイルの問題でエレガントな近道を見つけ続けている13位のGrok 4.1 Thinkingを筆頭に、6つのモデルを配置しています。Z.aiのGLMシリーズは3つのスポットを保持し、Baiduは3つのERNIEバリアントで貢献しており、MeituanやTencentからのエントリーも見られます。

参加の深さと広さは、数学的AIがどこに向かっているのかを私に伝えています：これはもはや2、3のフロントランナー間のレースではありません。それはエコシステムであり、エコシステムは月ごとに豊かになっています。どの単一の国、会社、または研究の伝統も、もはや数学的推論の独占を主張することはできません。そして、これらのツールの上に構築している私たちにとって、その競争は起こり得る最高のことです。

私のフィールドガイド

オリンピックの問題から現実世界の工学計算まで、あらゆるものでこれらのモデルを何年もテストした後、ビルダーが私に尋ね続ける質問はこれです：実際にどのモデルを使用すべきですか？正直な答えは、あなたが何を構築しているかに完全に依存します。