最近、「OpenClaw AI Agent ロビスター能力ランキング」という最新の評価結果がAI界で話題を呼んでいます。このランキングは、現実的なシナリオに焦点を当て、主要な大規模モデルがOpenClawフレームワーク下で実際のコード作成タスクを実行する成功率をテストし、開発者がAIエージェントを選択するための信頼性のある参考資料となっています。

image.png

標準化されたテスト方法の公開  

今回の評価では、一貫したOpenClawエージェントタスクセットが使用され、自動化されたコードチェックとLLMの知能評価による二重メカニズムによってスコアが付与されます。これにより、結果の客観性・再現性・人工的な介入のない状態が保証されます。すべてのモデルは同じフレームワークとタスク難易度で公平に競い合い、「誰が実際に正しいコードを作成して動作させることができるか」を真正に測定しています。

上位三強が明らかに  

最新のランキングによると、上位三強は以下の通りです:  

1. Gemini3Flash Preview  

2. MiniMax M2.1  

3. Kimi K2.5  

これらのモデルは複雑なコードエージェントタスクにおいて優れた性能を示し、成功率が他を圧倒しており、非常に高い実用的および導入可能な能力を示しています。

Claudeシリーズの爆発的な躍進  

続いてClaude Sonnet4.5、Gemini3Pro Preview、Claude Haiku4.5、Claude Opus4.6があります。そのうち、Claudeシリーズの3つのモデルは成功確率が90%を突破し、今回の評価における最大の勝者となりました。これは、長距離かつ多段階の推論コードタスクにおいて安定した支配力を示しています。

GPT-5.2とDeepSeekの予期せぬ表現  

Claudeシリーズの強さと対照的に、GPT-5.2は今回の評価で65.6%の成功率しか達成できず、順位が大幅に落ちています。一方、DeepSeek V3.2は約82%で安定しており、中流レベルに位置しています。この結果は、パラメータ数と実際のエージェント能力が完全に正比例しているわけではないことを改めて教えてくれます。フレームワークへの適合性とタスク実行効率こそが鍵となります。

AIbaseのコメント