# ビジョンモデル対決：7 つの AI モデルが同じ 4 枚のポートレートを読み取る

> 7 つの AI ビジョンモデルが、20 の設定で同じ 4 枚のポートレートを説明しました。勝ったのは推論の強度を高にした Claude Opus 5.5 です。推論を増やしても読み取りは良くならず、遅くなるだけでした。

Source: https://nodaro.ai/ja/docs/research/vision-model-bakeoff

Nodaro の[**説明をピッカーへ**](https://nodaro.ai/docs/nodes/image/describe-to-picker)ノードに使う AI モデルを選ぶ前に、7 つのビジョンモデルに同じ 4 枚のポートレートを説明させました。各モデルをデフォルトと、より高い推論の強度で実行し、合計で 20 の設定、80 回の読み取りです。細かさと一致率では、モデル間の差は小さいものでした。速さでは、20 倍以上の差がありました。**推論の強度を高にした Claude Opus 5.5** は、最も細かい読み取りの 1 つを約 9 秒で返し、一度も失敗しなかったので、現在のデフォルトになっています。**推論を増やしても、読み取りが良くなったモデルはありませんでした**。遅くなっただけです。**GPT のモデルは、一度も民族を挙げませんでした。**

- モデル: 7
- 設定: 20
- ポートレート: 4
- 読み取り: 80
- ピッカー: 5
- 失敗した読み取り: 3

## わかったこと
**総合的に最も優れた設定は、推論の強度を高にした Claude Opus 5.5 です。** 
ポートレート 1 枚あたり 33.5 の特徴を挙げ、そのうち 85% が多数派と一致し、9.1 秒で回答しました。4 回の読み取りは、すべて成功しました。
  

  
**推論を増やしても、読み取りが良くなったモデルはありませんでした。** 
推論の強度を最大にした Claude Opus 5.5 は、高にしたときの 17 倍の時間がかかり、挙げた特徴は 0.3 多いだけでした。GPT の最も高い設定は 85〜109 秒かかり、2 回の読み取りに失敗しました。
  

  
**同じ作業に、7 秒しかかからないこともあれば、2 分半以上かかることもありました。** 
最も速かったのは Claude Opus 5.5 で、デフォルトでの中央値は 7.2 秒でした。最も遅かったのは推論の強度を最大にした Claude Opus 5.5 で、154.5 秒でした。
  

  
**価格の割に最も優れているのは、Gemini 3.8 Flash です。** 
読み取り 1 回 11 クレジットで、回答の 85〜92% が多数派と一致しました。挙げた特徴は、Claude のモデルより少なめでした。
  

  
**GPT のモデルは、一度も民族を挙げませんでした。** 
GPT-6 Astra と GPT-6.1 Sol は、21 回の読み取りすべてでこの項目を空のままにしました。ほかの 5 つのモデルは、ほぼすべてのポートレートでこの項目を埋めました。
  

  
**同じ設定でも、答えは変わります。** 
同じ設定で Claude Fable 5 を 3 回実行すると、ポートレート 1 枚あたりの特徴の数は 3.5、一致率は 6 ポイントの幅でばらつきました。これより小さい差は、引き分けとして読んでください。
  

## 成績表
どの設定も、同じ 4 枚のポートレートを 1 回ずつ読み取りました。**ポートレートあたりの特徴**は、その設定が埋めた項目の数の平均です。**一致率**は、それらの回答のうち、同じ項目と同じポートレートで最も多くの設定が出した答えと一致したものの割合です。

| モデル | 推論の強度 | ポートレートあたりの特徴 | 一致率 | 時間の中央値 | 読み取り | 読み取り 1 回あたりのクレジット |
| --- | --- | --- | --- | --- | --- | --- |
| Claude Opus 5.5 | デフォルト | 32.0 | 85% | 7.2 秒 | 4 回中 4 回 | 28 |
| Claude Opus 5.5 | 高 | 33.5 | 85% | 9.1 秒 | 4 回中 4 回 | 28 |
| Claude Opus 5.5 | 最大 | 33.8 | 82% | 154.5 秒 | 4 回中 4 回 | 28 |
| Claude Fable 5 | デフォルト | 33.0 | 87% | 11.0 秒 | 4 回中 4 回 | 28 |
| Claude Fable 5 | 高（注を参照） | 35.3 | 85% | 20.5 秒 | 4 回中 4 回 | 28 |
| Claude Fable 5 | 最大（注を参照） | 31.8 | 81% | 69.7 秒 | 4 回中 4 回 | 28 |
| Gemini 3.1 Pro | デフォルト | 32.8 | 80% | 28.2 秒 | 4 回中 4 回 | 11 |
| Gemini 3.1 Pro | デフォルト、詳細モード | 31.0 | 80% | 27.4 秒 | 4 回中 4 回 | 28 |
| Gemini 3.8 Flash | デフォルト | 30.0 | 91% | 17.2 秒 | 4 回中 4 回 | 11 |
| Gemini 3.8 Flash | 高 | 31.3 | 85% | 22.0 秒 | 4 回中 4 回 | 11 |
| Gemini 3.8 Flash | デフォルト、詳細モード | 31.8 | 85% | 13.7 秒 | 4 回中 4 回 | 11 |
| Gemini 3.8 Flash | 高、詳細モード | 28.0 | 92% | 19.8 秒 | 4 回中 4 回 | 11 |
| Kimi K3 | デフォルト | 31.8 | 83% | 29.9 秒 | 4 回中 4 回 | 11 |
| Kimi K3 | 高 | 32.5 | 80% | 20.9 秒 | 4 回中 4 回 | 11 |
| GPT-6.1 Sol | デフォルト | 32.0 | 85% | 21.7 秒 | 4 回中 3 回 | 11 |
| GPT-6.1 Sol | 高 | 30.3 | 83% | 21.6 秒 | 4 回中 4 回 | 11 |
| GPT-6.1 Sol | 最大 | 30.3 | 83% | 84.6 秒 | 4 回中 3 回 | 11 |
| GPT-6 Astra | デフォルト | 30.0 | 83% | 42.3 秒 | 4 回中 4 回 | 11 |
| GPT-6 Astra | 高 | 30.3 | 83% | 43.8 秒 | 4 回中 4 回 | 11 |
| GPT-6 Astra | 非常に高い | 30.0 | 83% | 108.8 秒 | 4 回中 3 回 | 11 |

**Claude Fable 5 についての注：**このテストでは、Fable 5 はどの強度でも推論を書き出しませんでした。そのため、「高」と「最大」の行はデフォルトの再実行にあたり、1 つの設定が実行ごとにどれだけばらつくかを示しています。

## 推論を増やすと、写真の読み取りは良くなるか
**良くなりません。**推論の強度を上げても、はっきりとわかるほど多くの特徴を挙げたモデルはなく、一致率が上がったモデルもありませんでした。その代わりにかかったのは時間で、GPT のモデルでは読み取りの失敗も起きました。

| モデル | 最も低い強度 | 最も高い強度 | 特徴の数の変化 | 時間の変化 |
| --- | --- | --- | --- | --- |
| Claude Opus 5.5 | デフォルト：特徴 32.0、7.2 秒 | 最大：特徴 33.8、154.5 秒 | +1.8 | 21 倍の時間 |
| GPT-6 Astra | デフォルト：特徴 30.0、42.3 秒 | 非常に高い：特徴 30.0、108.8 秒 | 0 | 2.6 倍の時間、読み取りの失敗 1 回 |
| GPT-6.1 Sol | デフォルト：特徴 32.0、21.7 秒 | 最大：特徴 30.3、84.6 秒 | −1.7 | 3.9 倍の時間、読み取りの失敗 1 回 |
| Gemini 3.8 Flash | デフォルト：特徴 30.0、17.2 秒 | 高：特徴 31.3、22.0 秒 | +1.3 | 1.3 倍の時間 |
| Kimi K3 | デフォルト：特徴 31.8、29.9 秒 | 高：特徴 32.5、20.9 秒 | +0.7 | 速くなった |

どの特徴の数の変化も、Claude Fable 5 を同じ設定で 3 回実行したときの差である 3.5 より小さいものです。写真を決まったカタログの選択肢に読み取る作業は、考えることではなく、ほとんどが見ることです。モデルにはあごのラインが見えるか見えないかのどちらかで、推論を増やしても、見えるものは変わりません。

Claude Opus 5.5 の「高」は、残す価値のある例外です。デフォルトより 2 秒長いだけで、20 秒未満で回答した設定の中では最も多くの特徴を挙げました。「最大」は、特徴を 0.3 増やすために 145 秒を上乗せしました。

## モデルの答えが一致する項目と分かれる項目
**モデルは、目に見えるものでは一致し、判断が必要なものでは分かれます。**下の表は、項目ごとに、同じポートレートで最も多かった答えと一致した回答の割合を示しています。

| 項目 | ピッカー | 一致率 | 何が起きたか |
| --- | --- | --- | --- |
| 目の間隔 | 人物 | 100% | 回答したすべての設定が、4 枚すべてのポートレートで同じ答えを出しました |
| 生地 | スタイリング | 100% | 回答したすべての設定が、4 枚すべてのポートレートで同じ答えを出しました |
| 目の色 | 人物 | 100% | 挙げられた色はすべて一致しましたが、回答の 4 分の 1 はこの項目を空のままにしました |
| 目の形 | 人物 | 97% | 3 枚のポートレートで、回答したすべての設定が一致しました |
| 肌の色合い | 人物 | 92% | 3 枚のポートレートで、回答したすべての設定が一致しました |
| 年齢 | 人物 | 64% | 主に細かさの違いです：「20代」と「20代前半」 |
| 肌の質感 | 人物 | 61% | ポートレートごとに 3 つの異なる答えが出ました |
| タイプ | 人物 | 58% | 同じ女性が、「女性」「ガール・ネクスト・ドア」「美しい女性」のいずれかになりました |
| 髪の状態 | スタイリング | 51% | この項目が当てはまる 2 枚のポートレートで、それぞれ 4 つの異なる答えが出ました |

**タイプ**は観察ではなく判断なので、モデルの答えが分かれました。あるモデルは、同じ写真の 2 回目の実行で、別のタイプを答えることがありました。

**年齢**は、2 つの形で分かれました。あごひげの男性以外の 3 枚のポートレートでは、モデルは年代についてはほぼ一致し、どこまで細かく答えるかで違いました。あごひげの男性では、本当に答えが分かれました。Claude のモデルと Gemini 3.8 Flash は「30代」、GPT、Gemini 3.1 Pro、Kimi K3 は「40代」と答えました。

**民族**は、写真ではなくモデルによって分かれました。GPT-6 Astra と GPT-6.1 Sol は、すべての読み取りでこの項目を空のままにしました。ほかの 5 つのモデルはこの項目を埋め、その多くが、各ポートレートで同じ主な答えを出しました。

## 製品に反映したこと
**説明をピッカーへ**ノードは現在、デフォルトで Claude Opus 5.5 を推論の強度**高**で使います。デフォルトでの読み取りは 28 クレジットです。推論の強度を指定したプレミアムモデルは、開発元で直接実行されるためです。**AI モデル**の一覧にあるモデルは、これまでどおりすべて使えます。

- **最も細かい読み取りがほしい場合**は、デフォルトのままにします。
- **価格の割に最も優れた結果がほしい場合**は、Gemini 3.8 Flash を選びます。読み取り 1 回 11 クレジットで、25 秒未満で回答します。
- **推論の強度は「高」以下にします。**このテストでは、「非常に高い」と「最大」は読み取りを遅くしただけで、答えは良くなりませんでした。
- **キャラクターにとって民族が重要な場合**は、GPT のモデルを使わないか、[**人物**](https://nodaro.ai/docs/nodes/creative-controls/person)ピッカーで民族を手動で設定します。その**空の項目のみ入力**モードを使えば、次の写真を読み取ったときにも、あなたの選択が残ります。
- **タイプのような判断が必要な項目**は、結果を確認します。モデルの答えが分かれるので、ほしい値を手動で選んでください。

[**説明をピッカーへ**](https://nodaro.ai/docs/nodes/image/describe-to-picker)ノードは、1 枚の写真から、[人物](https://nodaro.ai/docs/nodes/creative-controls/person)、[スタイリング](https://nodaro.ai/docs/nodes/creative-controls/styling)、[フレーミング](https://nodaro.ai/docs/nodes/creative-controls/framing)、[レンズ](https://nodaro.ai/docs/nodes/creative-controls/lens)、[カメラ／フィルム](https://nodaro.ai/docs/nodes/creative-controls/camera-format)の各ピッカーに値を入力します。結果を複数のシーンで使い回す方法は、[キャラクターの一貫性](https://nodaro.ai/docs/guides/consistent-characters)で紹介しています。

## テストの方法
- どの設定も、2026 年 10 月 9 日に Nodaro で、説明をピッカーへノードを通して同じ 4 枚のポートレートを読み取りました。プロンプト、ピッカーのカタログ、写真は、すべての読み取りで同じです。
- 各読み取りでは、人物、スタイリング、フレーミング、レンズ、カメラ／フィルムの 5 つのピッカーに、一度に値を入力しました。
- 各モデルを、デフォルトと、そのモデルが提供するより高い推論の強度で実行しました。Claude の読み取りはすべて、Claude の推論の強度が提供されている開発元で直接実行しました。2 つの Gemini モデルでは、モデルを開発元で直接実行する**詳細モード**も試しました。
- ポートレートは Unsplash の 4 枚のストック写真で、女性 2 人と男性 2 人です。赤いセーターを着て笑う女性、濃い色の髪をクイッフにした男性、短いナチュラルヘアの女性、白黒写真のあごひげの男性が写っています。
- 写真と、各ポートレートの読み取り結果の全体は掲載していません。項目は実在の人物の体や背景を表すため、このページでは、ポートレート全体の合計だけを報告します。
- 一致率は、各回答を、最も多くの設定が出した答えと比べます。同数で並んだ場合は、どの回答にも得点を与えません。1 つのモデルだけが正しい答えを出していても、そのモデルは点を失うことがあるので、一致率が測るのは正しさではなく安定性です。
- デフォルトの GPT-6.1 Sol は、ほかのどの設定も埋めなかった項目を 4 つ埋め、デフォルトの Kimi K3 は 1 つ埋めました。一致率には、これらの回答は含めていません。
- 時間は、プラットフォーム上での各実行の開始と終了から求めた中央値です。クレジットは、テスト当日にプラットフォームが読み取り 1 回あたりに請求した額です。
- 失敗した読み取りは 3 回で、すべて GPT のモデルでした。**非常に高い**の GPT-6 Astra は、時間切れになりました。**最大**の GPT-6.1 Sol はモデルが混み合っていて実行できず、デフォルトの GPT-6.1 Sol は 1 回時間切れになりました。Claude、Gemini、Kimi の読み取りは、1 回も失敗しませんでした。
- 設定ごと、ポートレートごとに 1 回の読み取りは、証拠ではなく手がかりです。結論となるのは、設定全体を通した傾向です。[画像モデル対決](https://nodaro.ai/docs/research/image-model-bakeoff)でも、画像生成について同じ方法をとりました。

## よくある質問

### 写真に写った人物の説明に最も適した AI モデルはどれですか？

私たちのテストでは、推論の強度を「高」にした Claude Opus 5.5 でした。ポートレート 1 枚あたり 33.5 の特徴を挙げ、そのうち 85% がほかのモデルと一致し、約 9 秒で回答し、一度も失敗しませんでした。Nodaro の「説明をピッカーへ」ノードは、現在このモデルをデフォルトで使っています。

### 推論の強度を上げると、AI モデルは写真をよりうまく読み取れますか？

このテストでは、そうはなりませんでした。強度を上げて、はっきりとわかるほど多くの特徴を挙げたモデルはありませんでした。「最大」の Claude Opus 5.5 は 9 秒ではなく 155 秒かかり、最も高い強度の GPT モデルは最長で 109 秒かかったうえ、読み取りに失敗しました。

### 写真の説明で、価格の割に最も優れた AI ビジョンモデルはどれですか？

Gemini 3.8 Flash です。読み取り 1 回 11 クレジットで、回答の 85〜92% がほかのモデルと一致し、かかった時間は 14〜22 秒でした。挙げた特徴は Claude のモデルより少なく、ポートレート 1 枚あたり 28〜32 でした。

### GPT のモデルが民族を空欄にしたのはなぜですか？

GPT-6 Astra と GPT-6.1 Sol は、どの設定でも、21 回の読み取りすべてで民族の項目を空のままにしました。ほかの 5 つのモデルは、この項目を埋めました。キャラクターにとって民族が重要な場合は、別のモデルを選ぶか、「人物」ピッカーで手動で設定してください。

### 一致率は、正確さと同じですか？

いいえ。一致率は、多くのモデルが出した答えと同じ答えを、そのモデルがどれだけの頻度で出したかを表します。ストック写真に写った見知らぬ人の本当の年齢や背景は誰にもわからないので、一致率が示すのは、どの読み取りが安定しているかであって、どれが正しいかではありません。