知名度の低いAIモデル比較：MiMo、Qwen3.8 Max、GLM-5.3、Muse Spark

👁 115閲覧数

知名度は高くないものの、上位に入るAIモデルとして挙げられるのが、Artificial AnalysisのランキングでAnthropicとOpenAIのモデルに続き、Grok 4.7と並ぶ次の4モデルです。MetaのMuse Spark 1.3、XiaomiのMiMo-V2.6-Pro、AlibabaのQwen3.8 Max、Z.aiのGLM-5.3です。知能指数は45〜48ポイントで、出力トークンの料金はClaude Opus 5.5の3分の1から23分の1です。4モデルすべてに、16モデルのランキングと同じ13課題を与え、同じブラインド評価を行いました。10月8日からOpenRouterではStepFunのStep 5 Previewも利用できます。実測によるテストと仕様は別記事で紹介しています。Muse Sparkの後継モデルMuse Wonderは、10月12日に世界トップクラスのモデル群に加わりました。

01GLM-5.3の文章作成性能は？13課題のテスト結果と料金GLM-5.3を13課題で評価。総合63.6点、9課題を最短27秒で完了しました。Z.aiと他の提供元の結果や、USD料金を紹介します。読む →02Xiaomi MiMo-V2.6の性能・価格・ベンチマークを検証Xiaomi MiMo-V2.6 ProとFlashの価格やベンチマークを紹介。実施した文章生成テストでは、長文出力に課題が見つかりました。読む →

各モデルの概要とランキング順位

Artificial Analysisは、エージェント型タスク、プログラミング、科学的推論、一般知識など10種類のテストから指数を算出しています（バージョン4.3.2）。以下は2026年9月27日に確認した数値です。「AAタスク料金」は同サイトが示す指数内の1タスクあたりの平均料金で、私のテストの料金ではありません。

この表から読み取れる点は3つあります。Muse Sparkは上位モデルの中で最速で、毎秒214〜252トークンを処理します。xhigh設定のOpus 5.5（89トークン/秒）の2倍以上です。MiMo-V2.6-Proは指数のタスクを0.13 USDで実行し、max設定のOpusより46倍安価です。一方、Qwenは指数の計測で1億9000万トークンを生成したため、1タスクあたり5.41 USDと高額です。

ポーランド語テストの結果

OpenRouter経由で各モデルに、ポーランド語文章作成AIランキングと同じ13の指示を与えました。内容は文章作成9課題（記事、商品説明、メール、投稿、物語、タイトル、要約、翻訳、子ども向け文章）、校正2課題、ポーランドに関するクイズ2課題です。設定は全モデル共通で、effort=low、温度はデフォルト、トークン上限も同じです。回答は異なる企業の3人の審査員（Claude Opus 5.5、GPT-6 Sol、Gemini 3.1 Pro）がブラインド評価し、評価対象と同じ企業の審査員は除外しました。総合点は審査員評価70%、指示に含まれるルール20%、文章の衛生面（長いダッシュ、冗長表現など）10%で算出しています。

最初のラウンドから4モデルを基準モデルとして加えました。Claude Opus 5.5、GPT-6 Luna、Qwen3.8 Max、GLM-5.3です。今回の結果は前回から0.5〜1.3点の差にとどまり、順位も変わらなかったため、尺度は比較可能です（平均変動は+0.1点）。Muse Sparkは数時間遅れてテストしたため、同じ基準モデルを使った別の評価グループで審査しました。基準モデルの点は前回から1.0〜1.7点変わりましたが、順位は変わらず、尺度の変動は-0.15点でした。

* トークン上限をそろえた場合の点数。詳しくは後述します。Qwenの料金には、9月26日の最初の試行（空の回答、0.0366 USD）は含まれていません。
** 同じ基準モデルを使った別グループで評価（Opus 5.5 - 91.8、Luna - 81.8、Qwen - 77.5、GLM-5.3 - 62.7）。最初のラウンドの尺度に補正すると75.3点。

16モデルのランキングに当てはめると、Muse Spark（補正後75.3点）は11位で、Qwen（75.9点）のすぐ下、DeepSeek V4 Pro（74.1点）の上です。MiMoは69.1点で14位となり、Claude Sonnet 5（71.9点）とMistral Medium 3.5（68.0点）の間に入ります。Qwenは10位、GLMは下から2番目です。

Qwenの点数についての訂正。最初のラウンド（9月26日）では、商品説明の課題でQwenが6000トークンの上限まで推論を続け、空の回答を返しました。そのとき私は上限を引き上げて再試行し、審査員はその回答を評価しました。短い商品説明を考えるのに、モデルは推論だけで14,460トークンを使いました。他のモデルには2回目の機会を与えていないため、これは私の方法上の誤りです。この課題を未達成（審査員平均1点、ルール0/3）として計算すると、Qwenは68.2点となり、MiMo（69.1点）とほぼ同じで、Muse Spark（75.5点）を明確に下回ります。このラウンドでは、上限を上げた再試行は行っていません。MiMoの空のクイズ回答は文章作成の総合点には含めていません。文章作成ではT1〜T9のみを集計するためです。

回答から分かったこと

Qwen3.8 Maxは4モデル中唯一、指示に含まれる26のルールをすべて満たし、難しい校正も全問正解でした。審査員評価が高かったのは、インフレについて子ども向けに説明する文章（8.89）、物語（8.56）、SEOタイトル（8.56）です。最も低かったのは要約（6.22）で、「導入時期は決まっていない」とすべきところの文法ミスや、研修への言及漏れがありました。翻訳では慣用句をうまく訳していましたが、「オンボーディング」「フォローアップ」はそのまま残っていました。以下の例は、実際にポーランド語で行ったテスト回答を日本語に訳したもので、訳文を新たにテストしたものではありません。

Muse Spark 1.3の結果は最もばらつきました。慣用句を含む翻訳は8.67点で、「それは量子物理学ではない」「冷水を浴びせられた」といった表現が使われ、LinkedIn投稿は8.56点でした。一方、商品説明は3.44点。指定文字数に合わせようとして、仕様を丸ごともう一度繰り返しました。記事では「（これは一例です）」という注釈を20回付け、トルコ語とポーランド語が混ざった表現も使いました。審査員平均（6.78）と自然さ（5.63）はMiMoやQwenより低く、高得点の主な理由はルール順守（26項目中25項目）と文章の衛生面です。1000語あたりの長いダッシュは3個で、参加モデル中最少。冗長表現もありませんでした。文章作成以外ではほぼ完璧で、難しい校正は30点中29点、クイズは両方満点でした。テストはポーランド語で実施しており、ここに記した日本語は回答例の翻訳です。

MiMo-V2.6-Proは、評価グループ全体で最も優れた要約（9.44）を書き、Claude Opus 5.5の9.33点を上回りました。簡単な校正も全問正解でした。一方、物語は「いつも夕方にその匂いがした」「湿ったような」といった誤りのため5.0点。LinkedIn投稿には意味の分からない表現もありました。1000語あたりの長いダッシュは24.6個で、Opusの5.1個を大きく上回りました。引用した表現は、実際のポーランド語回答を日本語に訳したものです。

GLM-5.3は2回の実行とも、活用ミスや誤字が最も多く見られました。メールの両バージョンに「お詫びの範囲で」といった不自然な表現がありました。OpenRouter経由の翻訳は3.0点で、「屋根の上を進んだ」「四半期ごと」といった誤りがありましたが、Z.ai版は8.78点でした。Z.ai版の物語では「封筒が彼女から泳ぎ出た」「チーズケーキ」の誤りを審査員が指摘しました。1課題につき1回だけの試行では結果に大きなばらつきが出ますが、2バージョンの平均点は近いものでした。ここで紹介した表現は、ポーランド語での回答を日本語に訳した例です。

空の回答と推論の長さ

以前の中国系モデルのポーランド語テストでは、MiMo-V2.6-Proは5回、制限まで推論を続けても文章を返しませんでした。今回は他モデルと同じeffort=low設定で13課題中12課題に回答しました。ラボの指示はより短く、文章課題は500語以下だからです。空の回答になったのは難しいクイズで、9000トークンの推論に613秒を費やしても、文章は出ませんでした。他モデルより有利な条件になるため、MiMoだけ上限を引き上げることはせず、このクイズは未達成として扱いました。テストでMiMoが生成した全トークンの85%（3万3600トークン中2万8500トークン）が推論に使われました。

長文の問題が解消したかも確認しました。9月27日、900語の文章を求める以前の指示をeffort=lowで再度実行しましたが、9000トークンの推論、204秒の後に回答は空でした。料金は0.0079 USDで、状況は変わっていません。

Qwen3.8 Maxも推論に多くのトークンを使い、13課題で3万3000トークン、文章作成9課題にほぼ10分かかりました。Muse Sparkもeffort=lowで推論量が多く、1万7200トークン、出力の76%が推論でした。そのため、Artificial Analysisの計測では毎秒214〜252トークンと高速でも、文章作成9課題には135秒かかり、Opus 5.5とほぼ同じでした。GLM-5.3はeffort=lowでほとんど推論せず、テスト全体でも211トークンだったため、最速でした。

100万トークンあたりの料金

各社の税抜き料金。2026年9月27日に確認しました。

2回の評価にかかった料金は合計3.26 USDでした。MiMoとGLMのラウンドは1.66 USD（モデル回答と検査に0.07 USD、審査員に1.59 USD）、Muse Sparkのラウンドは1.60 USD（モデル回答に0.10 USD、審査員に1.50 USD）です。基準モデルの回答は最初のラウンドのものを使ったため、再評価分だけを支払いました。

各モデルの利用方法

• Muse Spark 1.3 - Meta Model APIは「グローバルで拡張アクセス可能」な公開プレビューとして提供されていますが、Metaは対象国一覧を公開していません。2026年9月には欧州のユーザーから、地域で利用できないという表示が出たとの報告がありました。OpenRouterではアカウント設定で18歳以上であることを確認すると利用できます。個人向けエージェントアプリのMuseは米国のみで動作します。詳しくはMuse Spark 1.3の記事をご覧ください。
• MiMo-V2.6-Pro - APIはmimo.mi.comで利用できます。XiaomiのFAQによるとMiMo Studioのチャットは無料です。OpenRouterには3つの提供元があり、Hugging FaceではMITライセンスの重みが公開されています。ポーランドからチャットを試せるかは確認していません。
• Qwen3.8 Max - Alibaba Cloud Model Studioの国際版とOpenRouterで利用できます。OpenRouterの提供元はAlibabaのみです。バージョン0902を無料のQwen Chatで選べるかは確認できませんでした。
• GLM-5.3 - Z.aiのAPI、月額18 USDからのGLM Coding Plan、OpenRouterの30以上の提供元から利用できます。chat.z.aiのチャットで使われるのは、公式サイトによればフルモデルではなくGLM-5.3-Flashです。

Metaのアプリを除けば、テストと同じようにOpenRouterのアカウントで4モデルを試すのが簡単です。Muse Sparkを使うには、先にアカウント設定で年齢確認が必要です。確認しないとOpenRouterから403エラーが返されます。上記のアクセス状況はポーランドで確認されたものを含み、日本からの利用可否を示すものではありません。日本での提供状況は各サービスの公式情報をご確認ください。

よくある質問

ポーランド語の文章作成に最も向いているのはどのモデルですか？

私のテストではQwen3.8 Maxが100点中76.4点で、Muse Spark 1.3（75.5点）をわずかに上回りました。トークン上限をそろえるとQwenは68.2点となり、Muse SparkとMiMo-V2.6-Pro（69.1点）を下回ります。いずれもGPT-6 Luna（81.5点）には及ばず、GPT-6 Lunaの料金はこれらのモデルの一部にすぎません。

MiMo-V2.6-Proは今もポーランド語の文章で応答が止まりますか？

短い指示ではまれです。effort=lowで13件中12件に回答し、空だったのは難しいクイズだけでした。900語の文章課題では今も9000トークンの上限まで推論し、回答を返しません。

Muse Spark 1.3はポーランドで利用できますか？

OpenRouterでは利用できましたが、アカウント設定で18歳以上であることを確認する必要がありました。確認前は403エラーが出て、確認後はテストを問題なく実行できました。MetaはポーランドからMeta Model APIを利用できると公式には確認していません。Museアプリは米国のみで動作します。これはポーランドでの確認結果であり、日本での提供状況を示すものではありません。日本からの利用可否は提供元にご確認ください。

ベンチマークと今回のテストで結果が違うのはなぜですか？

Artificial Analysisの指数は、主に英語で、最大限に推論させながら、エージェント型タスクやプログラミング、知識を測ります。私のテストはeffort=lowでのポーランド語文章作成を評価しています。日本語での性能を測ったテストではありません。

最も安いモデルはどれですか？

MiMo-V2.6-Proです。100万トークンあたりの料金は入力0.435 USD、出力0.87 USD。私の13課題のテストでは0.03 USDかかりました。

// 続きを読むNVIDIA RTX Spark発売、世界6都市でローンチイベント開催速報AIエージェントの意思決定モデル：ツール選択と追加質問ガイドAI吹き替えとは？ElevenLabsなどで動画の声を翻訳する方法ガイド