GPT-6 Astra、Image-to-WebDevで首位 Claudeとの差は23ポイント
GPT-6 AstraはArenaのImage-to-WebDevランキングで1,733点を獲得し、GPT-5.6 Solに129ポイント差を付けて首位に立った。ただし、2位のClaude Fable 5.1との差はわずか23ポイントにとどまる。両モデルの信頼区間は重なっており、表面的な順位が示すほど決定的な勝利とは言い切れない。
Arenaは9月16日の更新で、新たに評価した4モデルを追加した。Claude Fable 5.1は1,710点で2位に入り、MetaのMuse Spark 1.3は1,645点で4位となった。Z.aiのGLM-5.3-Flashは1,588点で10位に到達した。
この結果は、二つの異なる側面を示している。OpenAIはこのテストにおいて、GPT-5.6 Solに対して世代間で大きな優位を確立した。一方、Anthropicの最新モデルに対しては、GPT-6 Astraが保持しているのは圧倒的な勝利ではなく、統計的にはわずかな優位性だ。
GPT-6 AstraのImage-to-WebDevスコアがランキングを塗り替える
Arenaの更新はリーダーボード上位を変えたが、独走する勝者を確立したわけではない。
4モデルの更新では、GPT-6 Astra Maxが1,733点で首位に立った。ArenaはImage-to-WebDevを、画像やスクリーンショットからWebサイトを生成するモデルの評価と説明している。このカテゴリーにはエージェント型コーディングのワークフローも含まれ、モデルが推論し、コードを書き、ツールを使う複数ステップのタスクを対象とする。
Claude Fable 5.1 Maxは1,710点でGPT-6 Astraの直後に入った。Anthropicの別モデルであるClaude Opus 5 Maxは1,665点で3位に続いた。MetaのMuse Spark 1.3 Maxは1,645点で4位、AlibabaのQwen3.8 Max 0902は1,639点で5位となった。
トップ10の残りも重要な文脈を示す。
Claude Fable 5は1,623点で6位だった。
Qwen3.8 Maxは1,618点で7位だった。
Codexハーネス経由で動作するGPT-5.6 Sol xHighは1,604点で8位だった。
Grok 4.6 Highは1,596点で9位だった。
GLM-5.3-Flashは1,588点で10位だった。
これらの順位は、GPT-6 Astraの結果が重要である理由を示している。この新しいOpenAIモデルは、単に直接の前世代モデルを上回っただけではない。GPT-5.6 Solを129ポイント上回り、1,588点から1,665点に密集していた集団を大きく抜け出した。
この差は、この特定のArenaカテゴリーにおけるOpenAIの世代交代について、明確な結論を支えるのに十分な大きさだ。ただし、GPT-6 Astraがあらゆるコーディングタスクで優れていることを証明するものではない。Arenaの画像主導型Web開発比較において、ユーザーがその出力をはるかに高い頻度で選好したことは示している。
より僅差の競争は首位争いにある。GPT-6 AstraはClaude Fable 5.1を23ポイント上回る一方、両モデルの信頼区間はプラスマイナス21ポイントだ。そのため、推定レンジは重なる。
GPT-6 Astraの表示上の区間はおよそ1,712点から1,754点、Claude Fable 5.1はおよそ1,689点から1,731点に及ぶ。重複範囲は1,712点から1,731点までであり、素点の差だけで両者の優劣を決着させることはできない。
Arenaは順位の幅を通じて、この不確実性を反映している。ライブランキングでは、GPT-6 AstraとClaude Fable 5.1の双方について、1位から2位までの順位幅が示されている。OpenAIは最高の点推定値を持つが、統計的にはどちらのモデルも1位と整合する。
更新時に確認されたリーダーボードは9月13日付で、12の参加ラボにまたがる128,138票を表示していた。これは相当な評価母数を示す。ただし、現在の差を生んだGPT-6 Astra対Claude Fable 5.1の直接対決が何件あったかは明らかにしていない。
この違いは重要だ。集計投票数は、個別比較の実態以上にリーダーボードを確実なものに見せる場合がある。近接した順位の二つのモデルが実質的に隔たっているかを評価する際には、信頼区間のほうが有用な指標となる。
とはいえ、直近の結果には意味がある。OpenAIが素点で首位に立ち、Anthropicが最も近い挑戦者を擁し、両社は現在トップ3を占めている。次の問いは、このランキングが実際に何を測定しているかだ。
スクリーンショットからコードへの変換が本格的なモデル試験になりつつある理由
Image-to-WebDevは、視覚的解釈、インターフェース判断、コード実行を一つの観測可能なタスクに圧縮している。
標準的なコーディングプロンプトでは、モデルに文章で要件を与える。image-to-webタスクでは、モデルはピクセルからその要件を推測しなければならない。利用可能なコードを生成する前に、レイアウト、余白、タイポグラフィ、色の関係、レスポンシブな挙動、想定されるインタラクティブ要素を特定する必要がある。
この一連の過程には、失敗の機会がいくつもある。モデルはページ構造を正しく認識しても、余白を誤って判断することがある。見た目を再現しても、壊れやすいコンポーネントを生成することがある。有効なコードを書いても、視覚的な階層を見落としたり、ビューポートが変わると機能しなかったりする可能性がある。
このため、このベンチマークはフロントエンドの専門家だけに関係するものではない。プロダクトチームは日常的に、スクリーンショット、モックアップ、デザインリファレンス、競合他社の事例、不完全な仕様から作業を始める。そうした入力を信頼できる最初の実装に変換できるモデルは、視覚的なアイデアから編集可能なプロトタイプまでの道のりを短縮できる。
このテストは、AIコーディングにおけるより広い変化も反映している。開発者は、孤立したコードスニペットではなく、完了したワークフローでモデルを評価する傾向を強めている。もはや有用な問いは、モデルがReactコンポーネントを生成できるかどうかではない。対象を解釈し、プロジェクトを構成し、自らの作業を修正し、要求されたインターフェースに似た出力を届けられるかどうかだ。
Arenaの枠組みは、直接的なWebサイト生成と並んでエージェント型コーディングのワークフローを含めることで、その変化を認識している。エージェント型ワークフローとは、システムが計画を立て、ファイルを編集し、ツールを実行し、中間結果に応答する複数ステップのプロセスだ。この構造は、チャットウィンドウ内の単一回答より実際の開発に近い。
image-to-web開発は、従来のコーディングテストでは見逃されがちな差異も浮き彫りにする。二つのモデルがどちらも有効なマークアップを生成しても、参照画像への一致度が高いという理由で、ユーザーは一方のページをすぐに好むことがある。視覚的品質には、一つの自動化指標では捉えにくい小さな判断が数多く関わるため、ここでは人間による比較が有用だ。
そのため、このベンチマークは同時に三つのグループへ圧力をかける。
OpenAIは、GPT-6 Astraの優位がより多くの投票や幅広いユースケースでも維持されることを示す必要がある。Anthropicは、Claude Fable 5.1が重複する信頼区間を最高の素点へ転換できるかを見極めなければならない。下位の提供者は、最大の選好度、効率性、オープン性、あるいは特化したワークフローのどれで競うかを決める必要がある。
MetaとZ.aiには特に注目すべきだ。Arenaによると、Muse Spark 1.3とGLM-5.3-Flashは、GPT-6 Astraとともにこのカテゴリーのパレートフロンティアに加わった。パレートフロンティアは、比較される性能と効率性の次元において、同時により優れた代替モデルが存在しないモデルを示す。
この地位は、これらのモデルがGPT-6 Astraの出力選好スコアに匹敵することを意味しない。Muse Sparkは88ポイント、GLM-5.3-Flashは145ポイント遅れている。これは、運用上の制約の下でモデルを選ぶ開発者にとって依然として重要になりうる、異なるトレードオフの位置を占めていることを意味する。
image-to-codeが頻繁な本番利用へ移行すると、この比較は特に重要になる。デザインチームは、一つを選ぶまでに数十の案を生成するかもしれない。エンジニアリングチームは、複数ページや改訂をまたいで同じタスクを繰り返すかもしれない。そのような負荷の下では、最高の素点は判断材料の一部にすぎない。
それでも、このランキングは直接的な競争シグナルを送っている。OpenAIとAnthropicが品質の上限を設定する一方、Meta、Alibaba、Z.aiは異なる性能プロファイルで次の層を形成している。かつてスクリーンショット再現を限定的なデモとして扱っていた市場は、現在それを反復可能な開発ワークフローとして評価している。
GPT-6 AstraとClaude Fableの対決こそが本命だ
重要な相手はGPT-5.6 SolではなくClaude Fable 5.1である。新しいClaudeモデルは、統計的に首位争いに残っているからだ。
GPT-5.6 Solに対する129ポイントの優位は、OpenAIのモデルラインにおける進歩を最も明確に示す兆候だ。GPT-5.6 Solは1,604点で、信頼区間はプラスマイナス13ポイントとなっている。その上限はおよそ1,617点であり、GPT-6 Astraの下限であるおよそ1,712点を大きく下回る。
この隔たりは、現在のベンチマーク条件下におけるユーザー選好の実質的な違いを示唆している。投票数が増えれば両方のスコアは動きうるが、表示された区間は接戦を示していない。
Claude Fable 5.1は逆のケースを示す。素点は低いものの、その不確実性の範囲はGPT-6 Astraと重なっている。Arenaの方法論では、素の順位を現時点で最良の推定値として扱いつつ、統計的不確実性と整合する順位を示すために順位幅を用いる。
この違いは、GPT-6 Astraのリーダーボード結果を責任を持って読むうえで中心的だ。1位という表現は、現在の順位付けを説明するものとして正確である。しかし、それはGPT-6 Astraが同等の対戦を新たに抽出した場合に勝つことを証明するのと同義ではない。
Arenaの順位幅の手法は、素の順位には同順位がないと説明している。各モデルには推定スコアに基づき一意の順位が与えられる。同順位は、それらの推定値を囲む信頼区間を考慮した順位幅の重なりとして現れる。
この基準では、GPT-6 AstraとClaude Fable 5.1はいずれも首位候補だ。OpenAIは中心推定値で先行しているが、統計的な表示は両者の本来の順位に関する不確実性を残している。
Anthropicの立ち位置は一つのモデルにとどまらない。Claude Opus 5 Maxは1,665点で3位に入り、Anthropicはトップ3に二つのモデルを送り込んでいる。旧リリースのClaude Fable 5も、1,623点で6位に残っている。
Claude Fable 5.1は前世代モデルを87ポイント上回る。また、Claude Opus 5 Maxも45ポイント上回っている。これらの差は、Anthropicの最新評価対象モデルが単に近い派生モデルを加えたのではなく、同社の立ち位置を変えたことを示している。
この特定のトップ10におけるOpenAIの厚みは、あまり目立たない。GPT-6 Astraは首位だが、GPT-5.6 Solは8位に位置する。この分布は、先頭のOpenAIモデルを際立たせる一方で、Anthropicのポートフォリオを一貫して競争力があるように見せる。
どちらのパターンも、どの提供者がより優れた開発プラットフォームを提供しているかを決着させるものではない。リーダーボードはArenaのインタラクションと投票システムの下でモデル出力を評価している。統合の信頼性、レイテンシー、コンテキスト管理、セキュリティ制御、保守性を含む、導入に関わるすべての要因を扱っているわけではない。
また、視覚的に好まれるページが、基盤となるコードとして最良であることも証明しない。実装に不要な複雑さが含まれていても、ユーザーは視覚的な一致度の高さを評価することがある。モデルは魅力的な出力を生成しながら、後の改訂でコストが高くなるアーキテクチャ上の選択をする可能性もある。
プロダクトチームにとって、実務的な読み方は比較にある。最大のimage-to-web選好度を優先するなら、GPT-6 Astraは最初に試すべきモデルだ。Arenaの不確実性の範囲はClaude Fable 5.1を決定的に劣るものとして扱うことを正当化しないため、同じ評価に含めるべきである。
両モデルは、組織が実際に扱う素材でも検証すべきだ。マーケティングチームとダッシュボードチームでは、求める挙動が異なる。一方は視覚的な洗練やブランド忠実度を重視し、もう一方は状態管理、データコンポーネント、アクセシビリティを優先するかもしれない。
Arenaの結果は候補を絞り込む。プロジェクト固有の試行が不要になるわけではない。
Image-to-WebDevの数値が証明しないこと
プリファレンス・リーダーボードは比較結果を測るものであり、ソフトウェア全体の品質や普遍的なモデル能力を完全に示すものではない。
Arenaのリーダーボードは、対戦形式の比較における人間の選択を集計している。ユーザーは出力を確認し、好ましいと感じた回答を選ぶ。その投票結果が、相対的な性能を推定する評価システムに反映される。
このアプローチは、固定的なテストスイートでは捉えきれない特性を評価できる。人間の投票者は、ページに一貫性があるか、参照画像に似ているか、曖昧な視覚要件を妥当に処理しているかを判断できる。ページを個別のチェック項目の集合に還元せず、全体としての有用性を評価することも可能だ。
ただし、この強みは同時に制約も生む。プリファレンス評価では、すぐ目に見える仕上がりが、見えにくいエンジニアリング品質より優先される可能性がある。投票者は、コンポーネント構造、依存関係の選択、アクセシビリティラベル、性能、ブラウザ互換性、長期的な保守性まで確認しないかもしれない。
スコアはプロンプトの分布にも依存する。一般的なランディングページで優れた性能を示すモデルが、複雑なアプリケーションでも同様に振る舞うとは限らない。ダッシュボード、コマースフロー、共同編集ツール、データ量の多いインターフェース、アクセシブルな公共サービスには、それぞれ異なる要求がある。
現在のリーダーボード説明では、新モデルの各ページカテゴリにわたる完全な内訳は公開されていない。その詳細がなければ、1,733というスコアは一様な優位性の証明ではなく、集計結果として読むべきだ。
信頼区間も別の注意点を示している。プラスマイナスの値は、各モデルの推定評価値をめぐる不確実性を表す。品質への加点ではなく、開発者が一つのプロジェクトで目にする性能範囲を示すものでもない。
Arenaのleaderboard guideによれば、スコアは対戦結果から算出され、隣接する区間は統計的な確実性を表している。比較が増えるにつれ、推定値と順位は変動し得る。
新モデルには、既存エントリーより対戦数が少ないことが多いため、特に慎重さが必要だ。Arenaの手法には不均衡な代表性に対処する再重み付けが含まれるが、直接比較が少なければ不確実性の幅は依然として広くなり得る。
この点は上位でも確認できる。GPT-6 AstraとClaude Fable 5.1はいずれも21ポイントの区間を持ち、その下にある複数の既存モデルより広い。Claude Opus 5 Maxは13ポイント、GPT-5.6 Solも13ポイントだ。
区間が広いからといって、新たな首位モデルが無効になるわけではない。読者が23ポイント差を持続的な性能差とみなす前に、順位付けにはさらに多くの証拠が必要であることを示している。
モデルへのアクセスも、もう一つの検証課題となる。Arenaのlisting policyでは、リーダーボード対象モデルは、世界の一般ユーザーが広く利用可能なファーストパーティの基盤モデルであるべきだとしている。この方針は、リリース前システムの評価条件や、可用性要件を満たさないエントリーの削除条件も定めている。
そのため読者は、リーダーボード上の名称で示される正確なバリアントが、継続的に利用可能かどうかを注視すべきだ。モデルラベルには、通常のAPI選択とは異なる推論設定、ハーネス、または動作モードが含まれる場合がある。
GPT-5.6 Solのエントリーでは、Codex harnessに明示的に言及している。この詳細は重要だ。ハーネスは、計画、ツール利用、ファイル編集、反復作業に影響し得るためだ。モデル比較が、基礎となる重みだけを純粋に測定しているとは限らない。
同じ理由から、「Max」を装飾的な文言とみなすべきではない。この接尾辞は、評価対象となった構成を特定している。より低い計算量、あるいは異なる構成のバージョンでは、同じ順位を再現できない可能性がある。
このベンチマークは因果関係も確立できない。GPT-6 Astraのスコアだけでは、どの技術的改善が結果をもたらしたのかは分からない。公開リーダーボードは、視覚理解の向上、コード生成の強化、より長い推論、ツール利用の改善、より有効な実行環境を切り分けていない。
基礎的な仕組みに関する主張には、統制されたテストが必要となる。現時点の証拠が支持するのはプリファレンスの結果であり、OpenAIがそれをどのように実現したかについての詳細な説明ではない。
また、Arenaポイントを開発者の生産性へ直接換算する根拠もない。129ポイント差は、タスクが129単位速く完了することや、編集作業が予測可能な割合で減ることを意味しない。この評価は、対戦システム内での相対的な好みを表している。
チームはそれを裏付けのないビジネス指標へ変換することを避けるべきだ。より妥当な使い方は候補を特定し、その候補を社内タスクで測定することである。
実践的な評価では、各モデルにスクリーンショットから同じレスポンシブページを再構築させることが考えられる。その後、レビュアーは視覚的忠実度、コードの明快さ、アクセシビリティ、修正速度、不具合をそれぞれ評価できる。複数の代表的なページでこのプロセスを繰り返せば、Arenaの順位がチームの環境へ転移するかを明らかにできる。
その評価でArenaとは異なる勝者が出ても、矛盾ではない。公開リーダーボードは幅広い比較母集団を要約する。社内テストは、一つの組織の業務に関するより限定的な問いに答えるものだ。
首位維持を示す3つのシグナル
GPT-6 Astraの首位が持続的な優位性になるかは、投票の増加、構成の透明性、本番環境での証拠によって決まる。
最初のシグナルは、追加の対戦後におけるGPT-6 AstraとClaude Fable 5.1の関係だ。現時点の生スコア差は23ポイントだが、両者の信頼区間は重なっており、いずれの順位幅も1位から2位にまたがっている。
OpenAIの優位性をより強く示すには、区間がモデルを分離できるほど狭まる中で、スコア差が維持される必要がある。Claudeが生スコア差を縮める、または逆転すれば、現在の結果は統計的同点の中での初期順位と見なされるだろう。
2つ目のシグナルは、より限定的なImage-to-WebDevの区分における性能だ。集計ランキングは発見には有用だが、カテゴリ別の結果は各モデルがどこで勝つかを示すことができる。
GPT-6 Astraは参照ベースのマーケティングページで首位に立つ一方、Claudeはインタラクティブなアプリケーションでより優れるかもしれない。別のモデルはReactで卓越しつつ、プレーンなHTMLでは遅れを取る可能性もある。こうした差異は、単一の総合順位よりも、実務の開発者にとって重要だ。
Arenaはすでに、より広範なWeb開発リーダーボードでフィルタリングとプロットのツールを提供している。技術や領域ごとのモデル挙動がより可視化されれば、トップスコアが一般化できるかをチームが理解しやすくなる。
3つ目のシグナルは、独立した本番テストが同じ結論に至る頻度だ。開発者は、同一のスクリーンショット、プロンプト、ツール、反復回数の上限から始める統制比較に注目すべきである。
有用な比較は、初期レンダリング以上を検証しなければならない。要求された変更後も、生成ページが安定しているかを評価すべきだ。モデルは最初の段階では似て見えても、ユーザーがレイアウト変更、既存動作の維持、回帰の修正を求めた際には差が現れることが多い。
最も優れたスクリーンショット一致を作るモデルが、必ずしも5回目の修正を最も適切に処理するモデルとは限らない。本番業務で評価されるのは、一度の印象的な生成ではなく、一連の作業にわたる一貫性だ。
OpenAIには、GPT-6 Astraの優位性が画像再現を超えて通用することを示す圧力もある。別のWebDevリーダーボードは現在、コーディングに関するプリファレンスを別の視点から示しているが、画像条件付きの作業は独自の問題である。一つのArenaカテゴリにおける強い性能を、別のカテゴリの証拠の代わりにすべきではない。
Claude Fable 5.1はすでに僅差であるため、Anthropicの対応も重要になる。同社は見出しを覆すために劇的なスコア上昇を必要としない。数十ポイントの上昇と、より狭い区間が組み合わされれば、順位は逆転し得る。
MetaとZ.aiは異なる種類の挑戦を示している。購買や導入の判断に影響を与えるために、両社のモデルが1位になる必要はない。異なる運用要件を満たしながら強いプリファレンススコアを維持すれば、市場は2モデルの競争には収束しない。
こうした圧力は、チームによるAIコーディングシステムの評価方法を形作る可能性がある。トップスコアは実験を促すが、ポートフォリオの判断は依然としてワークフロー全体に左右される。組織は、モデルが非公開の参照資料をどのように扱い、プロジェクトの慣習を維持し、変更を説明し、失敗した編集から回復するかを知る必要がある。
開発者には、こうした試行で得られた証拠を確実に残す方法も必要だ。プロンプト、スクリーンショット、レビュー記録、モデル出力をengineering knowledge baseに保存すれば、後の比較をより根拠あるものにできる。
したがって最善の次の一手は、恒久的な勝者を宣言することではない。GPT-6 AstraとClaude Fable 5.1を先頭の組として扱い、代表的なインターフェースで両方をテストし、出力が失敗する箇所を記録することだ。
GPT-6 Astraは現在、Image-to-WebDevで首位を維持している。OpenAIの世代交代による大幅な向上は、Arenaの現行データの範囲では説得力がある一方、Claudeとの23ポイント差をめぐる競争はなお決着していない。リーダーボードを調達判断へ転換する前に、区間、カテゴリ別の内訳、繰り返しの本番テストを注視すべきだ。
