要点: 主要なAIコーディングモデルを実際のマーキュリー・テクノロジー・ソリューションズ開発タスク — フロントエンドとバックエンド。ランキング：フェイブル > キミ K3 > クロード オーパス 4.8 > グロック 4.5 > コーデックス 5.5 > キミ 2.7 > クロード オーパス 4.6 > GLM 5.2 > ミニマックス。フェイブルが勝ちました。最大のモデルだからではなく、「完了」の姿を理解しているからです。
ジェームズです、マーキュリー・テクノロジー・ソリューションズのCEOです。 香港のサイバーポートにある私のオフィスから — 2026年7月17日
私は過去2週間、数ヶ月前にやるべきだったことをしていました：実際の作業に対してすべての主要なAIコーディングモデルをテストすることです。
ベンチマークではありません。LeetCodeでもありません。「リストをソートするPython関数を書いてください。」でもありません。実際の作業です。エッジケースを処理する必要があるReactコンポーネント。サードパーティサービスと統合する必要があるAPIエンドポイント。データを失うことができないデータベースのマイグレーション。実際に本番環境で壊れるものです。
私たちが学んだことはこれです。
方法論：ベンチマークなし、ただの戦闘
私たちは各モデルに同じタスクを与えました：
1. フロントエンド：リアルタイムデータビジュアライゼーション、エラーハンドリング、アクセシビリティ準拠を備えたレスポンシブダッシュボードを構築する
2. バックエンド:認証、キャッシング、負荷時の優雅な劣化を備えたレート制限APIを設計する
3. 統合:適切なTypeScript型、エラーバウンダリ、およびローディングステートを使用して2つを接続する
手取り足取りはしない。「ステップバイステップで考えてください」というプロンプトもなし。月曜日の朝にシニアエンジニアが受け取る仕様書だけ。
私たちは4つの次元で評価しました：
• 正確性： バグなしで動作しますか？
• 完全性： エッジケースを処理しますか、それともハッピーパスだけですか？
• 保守性: 他のエンジニアが6ヶ月後にこれを読んで修正できますか？
• スピード: プロンプトから出荷可能なコードまでの時間はどれくらいですか？
ランキング: 何が勝ち、なぜか
1. Fable — "完了"するダークホース
Fableは私たちのリストのトップに立ち、正直言って、これが来るとは思っていませんでした。最も注目されているモデルではありません。最大のパラメータ数を持っているわけでもありません。しかし、Fableが他の誰よりも優れている点は次のとおりです:"コンパイルされるコード" と "出荷されるコード" の違いを理解しています。
私たちのフロントエンドタスクでは、Fableは要求されることなくエラーバウンダリーを生成しました。ローディングスケルトンを追加しました。スクリーンリーダー用の適切なARIAラベルを含めました。バックエンドを求めたとき、レート制限を構築しましたとサーキットブレーカーとキャッシュが失敗したときのフォールバック戦略。
これは、構文を学んだばかりのジュニアエンジニアではなく、シニアエンジニアのように考えるモデルです。
速度も信じられないほどでした。Fableは私たちの3つのタスクスイートを12分で完了しました。次に速かったのはKimi K3で18分でした。
Fableが勝つ理由： それは、プロダクション準備が整ったコードを生成します。デモコードでもチュートリアルコードでもありません。初めてのプロダクション障害の後に考えるようなエッジケースを処理するコードです。
2. Kimi K3 — 信頼できる作業馬
Kimi K3は、実際にプロダクションコードのために信頼しているモデルです。Fableほど「賢く」ありません — あなたが考えもしなかった優雅な解決策で驚かせることはありません。しかし、バグで驚かせることもありません。
1Mのコンテキストウィンドウは本当に素晴らしい機能です。私たちはそれに全コードベース（47K行）を与え、機能を追加するように頼みました。パターンを理解し、慣習に従い、私たちのチームが書いたように見えるコードを生成しました。
Kimi K3が輝く場所： 長いコンテキストのタスク、レガシーコードのリファクタリング、大規模プロジェクト全体での一貫性の維持。「動作する」ことが「驚き」よりも重要なときに必要なモデルです。
トレードオフ：K3はグリーンフィールドタスクにおいてFableよりも遅いです。コンテキストを読み取り、パターンを理解し、適合するコードを生成するには時間がかかります。しかし、その時間は、3日後に謎の統合失敗をデバッグしているときに報われます。
3. Claude Opus 4.8 — 理論家
Opus 4.8は部屋の中で最も賢いモデルです。これは、なぜあなたのアーキテクチャが間違っているのかを説明し、3つのより良い代替案を提案し、トレードオフに関するホワイトペーパーを書くでしょう。また、単純なCRUDエンドポイントをイベントソーシングを用いた分散システムに過剰設計する可能性が最も高いモデルでもあります。
Opusの問題：あまりにも考えすぎです。30分で終わるはずのタスクに対して、Opus 4.8は設計文書に20分、実装に15分を費やし、その後、新しいパターンに合わせてコードベース全体をリファクタリングすることを提案します。
深い推論が必要なとき — 複雑なアルゴリズム、アーキテクチャの決定、セキュリティ分析 — Opus 4.8は比類がありません。しかし、金曜日までに出荷する必要があるとき、それは負担になります。
コスト現実チェック：Opus 4.8は高価です。「別のエンジニアを雇うべきかも」と思うくらい高価です。Aiderリーダーボードで1000タスクあたり65.75ドルで、プレミアムな問題に対するプレミアムなツールです。
4. Grok 4.5 — 注意点のあるスピードデーモン
Grok 4.5は速い。まるで、実際に速いです。フロントエンドのタスクを8分未満で生成しました。コードは動作しました。見た目も良かったです。
しかし、バックエンドをストレステストしたとき — 同時リクエストを送り、キャッシュの失敗をシミュレートし、エッジケースをテストしたとき — Grokのコードはひび割れ始めました。ハッピーパスは見事に処理しましたが、アンハッピーパスはあまりうまくいきませんでした。
Grokはプロトタイピングのモデルであり、生産用ではありません。午後にアイデアを検証する必要があるなら、Grokが役立ちます。午前3時にあなたのAPIがダウンしないと安心して眠りたいなら、他を探してください。
xAI要素：GrokのX/Twitterデータとの統合は、リアルタイムのコンテキストにおいて優位性を与えます。しかし、純粋なコーディングに関しては、その利点はより良いコード品質にはつながりません。
5. Codex 5.5 — スペシャリスト
Codex 5.5は、モデルを一つのこと、すなわちコード生成のために最適化した結果です。このリストの中で最も優れた純粋なコーダーです。構文は完璧です。パターンは慣用的です。変数名は実際に意味があります。
しかし、特定のアプローチを選んだ理由を説明するように頼んだり、技術的な決定のビジネスへの影響を考慮するように頼んだりすると、黙ってしまいます。Codexはコードを書きますが、コードについて考えることはありません。why it chose a particular approach, or to consider the business implications of a technical decision, and it goes silent. Codex writes code. It doesn't think about code.
Codexを使用するのは: あなたが正確に何を望んでいるかを知っていて、ただ早くタイプする必要があるときです。これは世界で最も高価なオートコンプリートであり、時にはそれがまさに必要なものです。
OpenAIエコシステム: Codex 5.5は、すでにOpenAIスタックにいるときに輝きます。ChatGPTとの統合、GPTスタイルの出力に対する親しみ、安定したAPI — これは快適な選択であり、大胆な選択ではありません。
6. Kimi 2.7 — 信頼できるベテラン
Kimi 2.7は、K3が存在する前に使用していたモデルです。信頼性が高く、一貫性があり、予測可能です。あなたの心を吹き飛ばすことはありませんが、コードベースを壊すこともありません。
正直な評価: K3にアクセスできる場合、2.7を使用する理由はありません。コンテキストウィンドウだけでも（256K対1M）、K3は異なるカテゴリのツールです。しかし、古いプランやレガシー統合を持つチームにとって、2.7は依然として完全に有能なエンジニアです。
価格は適正です：Aiderリーダーボードで1000タスクあたり1.24ドルで、Kimi 2.7は予算のチャンピオンです。最高ではありませんが、最高の価値を必要としないチームにとって。
7. Claude Opus 4.6 — 前世代
Opus 4.6は、洗練されていない4.8の輝きのプレビューのように感じます。考えすぎる傾向は同じですが、精度は低いです。同じ建築的野心ですが、バグが多いです。
スキップしてください。Anthropicエコシステムにいる場合は、直接4.8に進んでください。4.6と4.8の間のギャップは漸進的ではなく、異なるモデルクラスです。
8. GLM 5.2 — 地域の競争者
GLM 5.2は、あなたが聞いたことのない最高のモデルです — 中国にいない限り。中国語の要件を、どの西洋のモデルよりも優れた方法で処理し、地元のAPIエコシステム（WeChat、Alipay、DingTalk）への理解は本当に印象的です。
しかし、一般的な開発には？大丈夫です。素晴らしくはない。大丈夫です。コードは動作しますが、保守的です。現代的なパターンを提案しません。パフォーマンスの最適化もしません。2022年頃のコンパイルと実行ができるソリューションを提供します。
Zhipu AIの視点：GLMは、中国の主要なLLMラボの一つであるZhipu AIによって支えられています。中国市場向けに構築しているチームにとって、GLMの文化的および規制に対する認識は本物の利点です。他のすべての人にとっては、好奇心をそそるものです。
9. MiniMax — 進行中の作業
MiniMaxは私たちのリストの最下位に位置し、チームが明らかに努力しているので申し訳なく思います。しかし、努力することは出荷することではありません。
生成されたコードは...機能的でした。コンパイルされました。実行されました。しかし、他のすべてのモデルが捉えたエッジケースを見逃しました。エラーハンドリングは最小限でした。TypeScriptの型は緩かったです。パフォーマンスのためにリファクタリングを依頼したところ、コードが遅くなりました。
MiniMaxはそこに到達するかもしれません。しかし今のところ、プロダクション開発には準備が整っていません。
中国のLLMの状況：MiniMaxはQwen、DeepSeek、GLMを含む混雑した分野の一部です。その中で、差別化に苦労しています。MiniMaxとDeepSeek-V3.2（Aiderで74.2％）の間のコード品質のギャップは顕著です。
誰も話していないパターン
私が最も驚いたのは：最高のモデルは最大のモデルではないということです。
Fableは最大のパラメータ数で動作していません。Kimi K3は運用コストが最も高いわけではありません。しかし、両者は大きなモデルが見逃している何かを理解しています：出荷は能力ではなく、マインドセットです。
私たちのリストのトップにあるモデルは、1つの特性を共有しています：それは、他の誰かがメンテナンスしなければならないかのようにコードを生成します。彼らはコメントを追加します。彼らはエラーを処理します。彼らは、土曜日の午前2時にしか現れないエッジケースについて考えます。
失敗したモデルは？彼らはコーディングインタビューのようにコードを生成しました — 問題を解決し、テストに合格し、次に進む。それがソフトウェアの動作方法ではありません。それがソフトウェアの壊れ方です。
**出荷の原則：** 最良のコードは最も巧妙なコードではありません。元の著者が休暇中で、運用データベースが炎上しているときでも意味を持つコードです。
ベンチマークが示すこと（そして私たちが無視した理由）
私たちがベンチマークを使用しなかったことを言及しました。しかし、テストの後にそれらを確認し、私たちの経験がリーダーボードのデータと一致するかどうかを見ました。
Aider LLMリーダーボード（aider.chat/docs/leaderboards）は、興味深い物語を語っています：
| モデル | Aider スコア | 1K タスクあたりのコスト | スタイル | |-------|-------------|-------------------|-------| | GPT-5 (高) | 88.0% | $29.08 | diff | | o3-pro (高) | 84.9% | $146.32 | diff | | Gemini 2.5 Pro (32k 思考) | 83.1% | $49.88 | diff-fenced | | Grok 4 (高) | 79.6% | $59.62 | diff | | DeepSeek-V3.2-Exp | 74.2% | $1.30 | diff | | Claude Opus 4 (32k 思考) | 72.0% | $65.75 | diff | | Kimi K2 | 59.1% | $1.24 | diff | | Grok 3 Beta | 53.3% | $11.03 | diff | | GPT-4.1 | 52.4% | $9.86 | diff | | Claude 3.5 Sonnet | 51.6% | $14.41 | diff |
パターン： 最も高価なモデル（o3-proは$146.32、Opus 4は$65.75）は、必ずしも最良の結果を保証するわけではありません。GPT-5は$29.08で両方を上回ります。DeepSeekは$1.30で74.2%を提供し、Opus 4の72.0%にほぼ匹敵しますが、コストは1/50です。
私たちの経験はこれと一致します。FableとKimi K3は、私たちがテストした中で最も高価なモデルではありません。しかし、彼らは一貫して出荷可能なコードを提供しました。
これがあなたのチームにとって意味すること
2026年にソフトウェアを構築する場合、私のアドバイスは次のとおりです：
1. グリーンフィールドプロジェクトにはFableを使用してください。ゼロから始めて、すべてを壊さずに迅速に動く必要があるとき、Fableの「シニアエンジニア」の直感は比類がありません。
2. レガシー作業にはKimi K3を使用してください。1Mのコンテキストウィンドウは、実際に既存のコードベースを理解できることを意味し、単にあなたの慣習を無視した新しいコードを生成するだけではありません。
3. アーキテクチャの決定にはOpus 4.8を使用してください。スケールが必要なシステムを設計しているとき、セキュリティが重要なとき、百万ドルの技術的賭けをしているとき — Opusの深さは過剰な考慮に値します。
4. 生産用に他のすべてのものの使用をやめてください。プロトタイプにはGrokを。オートコンプリートにはCodexを。しかし、真剣なレビューなしに彼らのコードをユーザーに出荷しないでください。
5. コスト方程式を考慮してください。メルクリウスでは、重要なタスクのために複数のモデルを並行して実行しています。Kimi K3（$1.24/1Kタスク）とOpus 4.8（$65.75/1Kタスク）を使用するコストの違いにより、同じ予算で50倍の反復が可能です。それは単に安価なだけでなく、より迅速です。
全体像
私たちは、コーディングのコモディティ化をリアルタイムで見守っています。「私はコードを書くことができる」と「私は製品を出荷できる」の間のギャップが縮小しています。FableやKimi K3を使った単一のビルダーが、かつては5人のチームが必要だったことを実現できます。
しかし、ここにポイントがあります：モデルは、ほとんどのエンジニアがそれらを使うスキルを向上させるよりも、コーディングをより早く行う能力が向上しています。
2026年に成功するエンジニアは、最も多くの行を記述する人ではありません。彼らは正しい質問をし、生成されたコードを批判的にレビューし、AIの提案を受け入れるべき時と上書きすべき時を知っている人たちです。
モデルはツールです。判断はまだあなたのものです。
あるいは、ヤン・ウェンリーが言うように：「勝つための最も効果的な方法は、敵の戦う意志を失わせることです。」2026年における敵は複雑さです。勝つモデルは、複雑さを管理可能にするものです。
マーキュリー・テクノロジー・ソリューションズ: デジタリティを加速する。
