同じ73点台のスコアでも、1タスクあたりの請求額が70元と2元では、使い道が変わります。DeepSeek V4.1 Flash-1017とMiniMax M3.1 Flashが相次いで登場し、ベンチマークの読み方が「何点取ったか」から「1点いくらで取ったか」に移りつつあります。Automation-Benchの首位はM3.1 Flash、コーディングのコスト効率はDeepSeekが上という住み分けです。
点数の内訳
| 評価 | M3.1 Flash | 比較対象 |
|---|---|---|
| Automation-Bench v1.0.6（600タスク） | 62.8（首位） | Opus 5より約12点、GPT-5.6 Solより16点以上、DeepSeek 60.5より上 |
| DeepSWE v1.1（max設定） | 73.7 | GPT-5.6 Sol 73.0／GLM-5.3 66.9／DeepSeek 77.0 |
| LOCA-Bench 256K | 60.3（首位） | GPT-5.6 Sol 60.0／Opus 5 53.7 |
| BankerToolBench | 76.2 | Opus 5と同点首位 |
| CyberGym | 82.2 | GPT-5.6 Sol 83.6／GLM-5.3 84.5 |
Automation-BenchはZapierが構築しオープンソース化した評価で、600のタスクはすべて実在企業の業務フローから採られています。営業、マーケティング、運用、カスタマーサポート、財務、人事。複数のSaaSをまたいで、仕事を端から端まで終えられるかを見ます。
ここでの62.8点は、単一の作業がうまいという話ではありません。複数のシステムを渡り歩いて工程を閉じられる、という意味です。日本の業務に置き換えれば、見積書を作り、承認を回し、請求システムに入力するところまでを、途中で人間に戻さずに終えられるか、という試験になります。
コストの桁が違う
DeepSWE v1.1で73点台を出すのに、M3.1 Flashは1タスクあたり2元未満。Claude Opus 5は同じ帯のスコアに70元超かかるという試算です。40倍以上の差があります。Automation-Benchでも、medium設定で1タスク約0.25元、max設定でも約0.3元。1,000件の業務タスクを流して、請求は300元前後という計算になります。
ただし比較の公平性には注意が要ります。各社が公表する数値は、設定（推論の強度、ツールの構成、リトライ回数）が揃っていません。同じ評価名でも、条件が違えば結果は動きます。
よくある質問
Q. 安いモデルだけで運用できますか。
A. 大部分は可能ですが、難所は残ります。設計判断や長い推論が必要な場面では、上位モデルに切り替える前提で組むのが現実的です。
Q. 日本の企業はどちらを選ぶべきですか。
A. 業務の自動化が目的ならM3.1 Flash、コード生成の量が目的ならDeepSeekが候補になります。日本語の出力品質は別途検証が必要です。
編集部の見解
この種の比較で見落とされがちなのは、安さが「試行回数を増やせる」ことに直結する点です。1タスク70円なら10回試すのを躊躇しますが、0.3円なら100回試せます。エージェントの品質は試行回数で決まる部分が大きいので、単価の差はそのまま成果の差になり得ます。
一方で、安さに引かれて検証を省略すると、後で高くつきます。最初に20タスクほど自社の実務から抜き出し、両方のモデルで回して手戻りを数える。この作業をやったチームとやらないチームで、3か月後の運用コストは倍以上違います。
my-best.ai 編集部
出典：36Kr「1位DeepSeek、2位MiniMax——中国勢Flash双子が暴走したベンチマーク」（寄稿：新智元、2026年10月20日）／Zapier Automation-Benchの公開データによる
あわせて読みたい
- MiniMax M3.1 Flash、100万トークンで出力200TPS──DeepSeekと48時間差の「双強」
- 匿名モデル「Space Bunny」の正体──200兆トークンを処理したMiniMax M3.1 Flash
- Flashモデルは「安い代替品」を卒業した──DeepSeekとMiniMaxが72時間で示したもの
本日の36Kr AI版の記事を日本語で整理したものです。最新記事の一覧から他のニュースも読めます。
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。