
金融245問のベンチマークによる9モデルの比較
Gemma 4 31B(ジェマ)は、Google DeepMindが出しているオープンウェイトモデルです。オープンウェイトモデルとは、学習済みモデルの重み(パラメータの値)が公開され、誰でもダウンロードして所有するパソコンやサーバーで動作させることができるモデルのことで、商用のモデルは重みを公開していません。
このモデルが商用のClaude Sonnet 5と同点で、費用は約1/40とされた根拠は、AlphaSenseが2026年8月5日に公開した記事です。対象は商用5モデルとオープンウェイト4モデルの計9モデルで、商用のうち4モデルがClaude、残る1モデルがGPT-5.6 Solとなっています。
実施したのは検索基盤を売る当事者のAlphaSense
比較したのは、金融・企業リサーチ向けの検索基盤を提供している当事者のAlphaSenseです。AlphaSenseは、主要なモデルが出るたびに実業務の課題で毎月検証を回すとしています。記事の公開は2026年8月5日で、ページの更新日は8月13日です。
AlphaSenseは、回答の質を左右するのはモデルの素の性能ではなく検索で集める資料(文脈)だと述べています。同じモデルがベクトル検索(文章同士の意味の近さで資料を探す方式)だけで自力検索すると、1問あたりの費用がAlphaSenseの検索基盤を使う場合の約3倍になるとしています。AlphaSenseの検索基盤を使った回答は、ベクトル検索のみの構成と比較して2対1を超える割合で選ばれました。
つまり記事の主眼は検索基盤の効果にあり、Gemma 4 31Bの比較はその一部です。全モデルを同じ索引済みの資料群の上で動作させているため、検索とモデルの違いを切り分けられる設計になっています。AlphaSenseは、索引より前の工程の価値は今回の数字に含まれず、報告した差は下限だとしています。
"A frontier model doing its own retrieval over our content with raw vector search (a good proxy for your typical market data/content MCP) costs roughly 3x more per question than the same model running in our harness with AlphaSense Search."/"the AlphaSense Search-powered answers are preferred more than 2:1 compared to the vector-RAG baseline, all other things being held equal."/"Every configuration, including all models across the vector-RAG baseline and AlphaSense Search alike, runs over the same indexed corpus."/"The gaps reported here are the floor, measuring just the search agent"(冒頭の要点/The Advantage This Benchmark Doesn't Measure 節)— AlphaSense より公式情報を見る →
245問は時点指定と複数資料をまたぐ金融の課題
設問はアナリストの実務を模した多段階の245問で、難度は意図して上げてあります。 多くの設問に「最新」「2026年7月時点」のような日付の指定があります。正解も根拠となる資料も短期間で変わるため、モデルは正解を暗記できません。
出典の条件を指定する設問も多く含まれます。文面は意図して崩してあり、次の4つが入っています。
- 誤字
- ティッカー(銘柄コード)だけの指定
- 言語の混在
- 矛盾した指示
設問は用途別に11種類あります。設問数の多い上位5つは次のとおりです。
- 企業リサーチ:53問
- 財務データとモデリング:42問
- 一般・その他:24問
- 決算・イベント:24問
- ディールとデューデリジェンス:17問
幅広い知識を問うテストではなく、金融リサーチという限られた領域の検証です。以降の相対回答品質とは、ベクトル検索のみの構成を1.0としたときの、回答品質の倍率を指します。
"The benchmark is based on 245 challenging, multi-step finance questions modeled on real analyst workflows: time-anchored, cross-source, and deliberately hard."/"Most questions have implicit or explicit date requirements"/"Typos, ticker-only references, mixed languages, and contradictory instructions are part of the workload."/"Company Research"/"Financial Data & Modeling"(Methodology 節/Appendix の Time Sensitivity/設問区分の表の行名)— AlphaSense より公式情報を見る →
Gemma 4 31BとSonnet 5は1.34で同点
Gemma 4 31BとClaude Sonnet 5の相対回答品質は、どちらも1.34です。また、順位は9モデル中の5位と6位でした。表の「商用」は重みを公開していないモデルで、「オープン」は公開しているモデルです。数字はすべて2026年7月の実行結果の中央値です。
| モデル | 種別 | 相対回答品質 |
|---|---|---|
| GPT-5.6 Sol | 商用 | 1.73 |
| Claude Opus 4.8 | 商用 | 1.60 |
| Claude Opus 5 | 商用 | 1.46 |
| Kimi K3 | オープン | 1.44 |
| Claude Sonnet 5 | 商用 | 1.34 |
| Gemma 4 31B | オープン | 1.34 |
| GLM-5.2 | オープン | 1.31 |
| Claude Haiku 4.5 | 商用 | 1.30 |
| Inkling | オープン | 1.29 |
トップのGPT-5.6 Solとは0.39の差
トップはGPT-5.6 Solの1.73で、2モデルとは0.39の差があります。AlphaSenseはGPT-5.6 Solを品質の基準線とし、品質と費用のバランスも良いと評価しています。
同じ表でAlphaSenseはSonnet 5を「堅実だが他の選択肢と比較して高い」とし、Gemma 4 31Bには「Sonnet 5の品質を約1/40の費用で」と添えています。ただし、同点という結果は上位の成績だったという意味ではありません。
"Today's quality bar; strong quality/cost balance"/"Solid worker but expensive compared to alternatives"/"Sonnet-5 quality at ~40x lower cost"/"Quality scores are medians from our July 2026 harness run, relative to the vector-RAG baseline of 1.0."(per-model 表の Note 列/表の下の注記)— AlphaSense より公式情報を見る →
オープンウェイトモデル4つは0.15の幅に収まる
オープンウェイトの4モデルは、Kimi K3(関連記事:Kimi K3とは?2.8兆パラメータの性能と料金とローカル運用の条件)の1.44からInklingの1.29まで、0.15の幅に入っています。 間に入るのは、Gemma 4 31Bの1.34とGLM-5.2の1.31です。
GLM-5.2はMITライセンスで公開されています。商用のSonnet 5(1.34)とHaiku 4.5(1.30)も、この幅の内側の値です。1.34どうしの同点は、順位の細かい優劣ではなく同じ水準にあると見るのが実態に合います。
"Competitive open-weight option"/"Fast, light"/"Promising fine-tuning base"(Results 節の per-model 表の Note 列)— AlphaSense より公式情報を見る →
約1/40は単価の差ではなく1問の費用の中央値
AlphaSense記事のグラフにあるコストは、検索で使ったトークンまで含めた1問あたりの合計額の中央値で、公表されているトークン単価ではありません。 トークンとは、AIが文章を処理するときの細かい単位で、利用料の計算のもとになります。
記事には1問あたりの金額(ドルや円)の記載がなく、あるのは比と順位だけです。「約1/40」から実際の円を割り出すことはできません。
トークン単価が安いKimi K3は1問の費用が高い
AlphaSenseは、トークンの単価は1問の費用と等しくないとしています。実際、Kimi K3はトークン単価がGPT-5.6 Solよりかなり安いのに、1問あたりの費用ではGPT-5.6 Solより高くなりました。 答える前に文脈を組み立てるのに、多くのトークンを使うためです。
AlphaSenseは、トークンを100万単位で買う一方で回答は課題単位で届けるため、重要なのは完了までに使うトークン数だとしています。GPT-5.6 Solはトークンの使い方が効率的で、総額ではKimi K3より安いです。
Claude Opus 5にも似た例があり、相対回答品質は前のOpus 4.8の1.60より低い1.46なのに、1問あたりの費用はOpus 4.8の数倍です。原因は検索の回数が多く文脈が長くなる「取りすぎ」だと、記事は指摘しています。単価表を並べただけでは、1問あたりの費用は読み取れません。
"Costs in the chart are median per-question totals including retrieval-loop tokens, not list token prices."/"Token price does not equal question cost."/"Kimi K3 is a lot cheaper per token than GPT-5.6 Sol, yet more expensive per question, because it spends many more tokens assembling context before it can answer."/"When you buy tokens by the million but deliver answers by the task, tokens-to-completion is the metric that matters."/"Opus 5 scores below its predecessor Opus 4.8 (1.46 vs. 1.60) at several times the per-question cost."(per-model 表の下の注記/A few datapoints deserve commentary 節)— AlphaSense より公式情報を見る →
Cerebrasで動作させると10〜20倍速い
Gemma 4はオープンウェイトなので、Cerebras(セレブラス)のハードウェア上で提供でき、Cerebras上では10〜20倍速く動作するとAlphaSenseはしています。 ただし何と比較した倍率なのかは、記事に明示がありません。Sonnet 5との速度差だとは言えません。
費用の約1/40と、速さの10〜20倍は別の数字です。AlphaSenseは、多くの課題で十分な品質と非常に低い遅延がそろえば、最上位モデルでは採算が合わない大量処理や対話型の用途が成り立つと見ています。
"Gemma 4-31B matches Sonnet 5 on answer quality at roughly 40x lower cost."/"where it runs 10–20x faster."/"The combination of good-enough quality for many tasks and very low latency unlocks high-volume and interactive use cases that would be uneconomical on frontier models."(Open weights will play a critical role 節の各文)— AlphaSense より公式情報を見る →
同点の読み方は採点の設計で変わる
同点という結果を信用できるかどうかは、誰がどのように採点したか次第です。 AlphaSenseは採点の手順を公開しています。
採点基準は回答より先に固定されている
AlphaSenseの採点基準は設問ごとに作り、モデルが回答を出す前に確定して凍結します。 作成者に見えるのは設問と基準日、時間感度と網羅感度という派生指標だけで、回答は見えません。
採点基準をモデルの回答より前に確定させるのは、採点者が出力に引きずられないようにし、欠かせない要件を漏れなく入れておくためです。基準の数は難度に応じて1問あたり1〜60で、各基準は7つの軸で判定され、重みは0を除く-5から+5の整数です。
採点基準は2種類あり、検索で集めた資料の根拠を採点する基準と、生成された回答を採点する基準は別々です。AlphaSenseの「出力の文章ではなく根拠を採点する」という説明は、資料の根拠を採点する基準についてのものです。どちらの採点も言語モデルが担当します。
"For each question, we generate an independent scoring rubric before any model produces an answer."/"Pre-registering rubrics is useful because it prevents graders from drifting toward whatever the models happen to output, and it lets us encode hard requirements up front."/"The generator sees only the question, the as-of date, and two derived signals (time-sensitivity and breadth-sensitivity)."/"A rubric is grading the evidence, not the prose of the output."/"There is a separate rubric that grades the generated answer"/"Retrieval quality and answer quality are graded independently by language-model judges."/"A rubric has 7 axes for each criterion (a question can have 1-60 criteria depending on difficulty)."/"Each criterion carries an integer weight from −5 to +5, never 0."(Methodology 節/What is a rubric? 節/How is a rubric evaluated? 節)— AlphaSense より公式情報を見る →
数値はベクトル検索のみの構成を1.0とした倍率
1.34は点数ではなく、ベクトル検索のみの構成を1.0としたときの倍率です。つまり、回答品質が基準構成の1.34倍だったという意味になります。ベクトル検索とは、文章同士で意味が近いかどうかを基準に、関連する資料を探す検索のことです。
数字は2026年7月の実行結果の中央値です。ベクトル検索のみの構成も、AlphaSenseの検索基盤も、全モデルが同じ索引済みの資料群の上で動作しています。AlphaSenseはこの条件を、検索とモデルの変数を切り分ける設計だとしています。
別の検索基盤を使った場合に同じ順位になるかは、AlphaSenseの記事に書かれていません。別の検索基盤での数字が記事に無いためです。
"Results are reported as relative scores (vector-RAG baseline = 1.0) and head-to-head preferences."/"Quality scores are medians from our July 2026 harness run, relative to the vector-RAG baseline of 1.0."/"Every configuration, including all models across the vector-RAG baseline and AlphaSense Search alike, runs over the same indexed corpus."/"That isolates the retrieval, harness, and model variables, which is a useful experimental design."(Methodology 節/Results 節の注記/The Advantage This Benchmark Doesn't Measure 節)— AlphaSense より公式情報を見る →
Sonnet 5の代替にする前にチェックすること
同点が出たのは、金融リサーチの課題で比較した相対回答品質という1つの指標だけです。Claude Sonnet 5の代わりにGemma 4 31Bを使う場合は、自分の業務でも同点になるかを先に調べる必要があります。
設問の種類ごとに勝つモデルが変わる
ほかを大きく引き離して勝つモデルはありません。 指標の抽出やスクリーニングや長文の統合といった設問の種類ごとに、勝つモデルは入れ替わります。AlphaSenseが報告した1対1の選好は、構成を変えるたびに次のように上がります。
| 構成の段階 | 選好 |
|---|---|
| 基準モデル(Opus 4.8)を固定し、検索層だけを替える | 1.7対1 |
| 検索層の上に最良のモデル(GPT-5.6 Sol)を選ぶ | 1.8対1 |
| そのモデルの周りのハーネス(クエリ生成・計画・検索スコアの引き継ぎ)を最適化する | 2.1対1 |
| 課題の種類ごとに最良のモデルへ振り分ける | 2.8対1 |
最も高いのは、課題ごとに最良のモデルへ振り分ける構成です。AlphaSenseは、この振り分けを費用の削減だけでなく、用途ごとに最良のモデルを使う手段だとしています。
"Holding the baseline model (Opus 4.8) constant and swapping only the retrieval layer moves preference to 1.7:1"/"Choosing the best frontier model (GPT-5.6 Sol) on top of AlphaSense retrieval pushes preference to 1.8:1."/"Leveraging the optimized AlphaSense harness around that model (i.e., query generation, planning, search score pass-through) gets to 2.1:1"/"routing each task to the best model for that task type reaches 2.8:1"/"No model wins more than a plurality of the benchmark questions."/"Different models win on different question types: metric extraction, screening, long-form synthesis."(Results 節/A few datapoints deserve commentary 節)— AlphaSense より公式情報を見る →
Gemma 4 31Bは補助役に使うのが現実的
AlphaSenseが有力と見るのは、Gemmaを最上位モデルの下で動作するサブエージェントとして使う方法です。 サブエージェントとは、親のAIエージェントから作業を割り振られて実行する別のAIエージェントのことです。
AlphaSenseは今後、検索を担う自社専用のモデルを訓練するとしています。次の作業は、これからも最上位モデルへ回す方針です。
- 計画
- 多段階の推論
- コーディング
- データ分析
- ExcelやPowerPointの生成
"Gemma is a great candidate for sub-agent delegation by a frontier lead model."/"Planning, deep multi-step reasoning, coding, data analysis, and Excel/PowerPoint generation stay routed to frontier models"(Open weights will play a critical role 節/What's Next 節)— AlphaSense より公式情報を見る →
自社業務の設問で両方に解かせる
検証の結果から言えることと言えないことは、次のとおりです。 表の左はAlphaSenseの記事に書かれた内容で、右はその内容だけでは言えない読み方です。
この検証から言えること・言えないこと
| 言えること | 言えないこと |
|---|---|
| 金融リサーチの245問で、相対回答品質が同点の1.34だったこと | 他の分野や用途でも同点になること |
| 検索を含む1問あたりの費用の中央値が、約1/40と報告されたこと | 単価表を比較して1/40になること |
| Cerebras上で10〜20倍速いと報告されたこと | その倍率をSonnet 5との速度差として読むこと |
| 課題ごとの振り分けで選好が2.8対1になったこと | 1モデルに固定してこの数字が出ること |
置き換えを考えるなら、自分の業務で実際に出る設問を用意し、同じ条件でSonnet 5とGemma 4 31Bの両方に解かせるのが筋です。記事の公開は8月5日ですが、スコアは2026年7月の実行結果なので、数字は7月時点のものとして確認する必要があります。
"Quality scores are medians from our July 2026 harness run, relative to the vector-RAG baseline of 1.0."/"Gemma 4-31B matches Sonnet 5 on answer quality at roughly 40x lower cost."(Results 節の注記/Open weights will play a critical role 節)— AlphaSense より公式情報を見る →
同点は1指標の結果で置き換えは自社の設問で試す
Gemma 4 31BとSonnet 5が同点の1.34になったのは、AlphaSenseが金融245問で比較した相対回答品質という1つの指標です。 約1/40は単価の差ではなく、検索を含めた1問あたりの費用の中央値でした。トップのGPT-5.6 Solとは0.39の差があります。置き換えは、業務で実際に出る設問を両方に解かせてから判断してください。
この検証は、自分のPC上でモデルを動作させる場合を対象にしていません。Gemma系列の関連記事は次のとおりです。
FAQ
- Gemma 4 31BはClaude Sonnet 5と同じ品質なのですか?
- この検証では、相対回答品質がどちらも1.34で同点でした。ただし同点なのは金融リサーチの245問で比較した1つの指標だけです。他の用途で同じ結果になるかは、この検証では示されていません。
- 1/40というコストは何を測った数字ですか?
- 検索のために使ったトークンまで含めた、1問あたりの合計額の中央値です。公表されているトークン単価ではありません。記事に金額の記載はなく、書かれているのは比だけです。
- 検証はどれくらいの規模ですか?
- アナリストの実務を模した245問で、9モデルを比較しています。日付の指定があり、複数の資料をまたぐ難しい設問です。誤字や言語の混在、矛盾した指示も意図して含まれています。
- 採点は誰がどのように行っているのですか?
- 設問ごとの採点基準は、モデルが回答を出す前に作ってそのまま凍結します。検索で集めた資料を採点する基準と回答を採点する基準は別で、どちらの採点も言語モデルが担当します。回答を見て基準が変わるのを防ぐための設計です。
- いちばん強いモデルを1つ選べばよいのでは?
- この検証の結果は、その考え方を支持していません。ほかを大きく引き離して勝ったモデルはなく、設問の種類ごとに勝つモデルが入れ替わります。課題ごとに最良のモデルへ振り分けた構成で、選好は2.8対1と最も高くなりました。



