Agnes AI、次期モデル「Agnes 2.5 Pro Beta」を公開

Agnes AI の「Agnes 2.5 Pro Beta」が人工知能評価指数で 49 点を記録。前バージョンの Alpha より 9 ポイント向上し、大規模なエージェント機能の強化が寄与したが、出力トークン数は約 2 倍に増加

モデルページはこちら

シンガポールに拠点を置く AI ラボ「Agnes AI」は、フルモダリティの基盤モデルを開発し、無料のオムニモーダル API を通じて提供しています。今回発表された「Agnes 2.5 Pro Beta」は、次期バージョン「2.5 Pro」に向けたベータ版チェックポイントです。テキスト、画像、動画を入力として受け取り推論を行い、結果をテキストで出力するモデルです。

人工知能評価指数（Intelligence Index）で 49 点を獲得したことで、Agnes は中堅グループから最前線に近いティアへと躍進しました。このスコアは、最高値 52 を記録した「Gemini 3.5 Flash (high)」や「GPT-5.6 Luna (max)」にわずかに及ばず、「MiniMax-M3」(45) を上回る位置づけです。

主要な成果

➤ Agnes 2.5 Pro Beta は人工知能評価指数で 49 点を獲得し、前バージョンの Agnes 2.5 Pro Alpha（40 点）から 9 ポイントの大幅アップを達成しました。 これにより、最高値 52 を記録した「Gemini 3.5 Flash (high)」や「GPT-5.6 Luna (max)」に次ぐ位置となり、「MiniMax-M3」(45) を上回りました。

➤ この飛躍は、エージェント機能の強化が牽引しました。 人工知能評価指数におけるエージェント性能（Agentic Index）は 25 から 44 に上昇し、「Gemini 3.7 Flash (high)」(45) に次ぐ位置となりました。また、「Gemini 3.5 Flash (high)」(40) や「MiniMax-M3」(36) を上回っています。特に τ³-Banking のスコアは 12% から 36% と約 3 倍に拡大し、GDPval-AA v2 では人間基準（Elo 1000）に対して 1171 から 1456 へと大幅な改善が見られました。

➤ 最前線の推論能力に関する評価では、やや穏やかな向上にとどまりました。 「Humanity's Last Exam」は 34% から 38% に、「GPQA Diamond」は 88% から 91% に、「CritPt」は 11% から 16% にそれぞれ改善されています。

AA-Omniscience のスコアが -25 から -11 に改善したのは、精度が上がったからではなく、回答を控える（Abstention）ようになったからです。Agnes 2.5 Pro Beta は、先行モデルの Agnes 2.5 Pro Alpha が 94% の質問に答えたのに対し、約 45% の質問のみに対応します。その結果、ハルシネーション（幻覚・誤回答）率は 88% から 33% に大幅に低下しましたが、AA-Omniscience の精度スコアは半分になり、33% から 17% へと減少しました。

この知能レベルの向上には、先行モデルと比較して約 2 倍のトークン数が必要でした。Agnes 2.5 Pro Beta は、Intelligence Index タスクごとに 50k の出力トークンを消費します。これは、先行モデルが 24k で済ませていた量の倍以上です。

追加的なモデル詳細:

• コンテキストウィンドウ: 1M トークン
• 最大出力トークン数: 65k
• 入力モダリティ: テキストと画像
• 価格設定: 1M トークンあたり、入力 $0.10 / 出力 $0.30 / キャッシュヒット $0.01
• 利用可能範囲: Agnes AI 公式 API

Agnes 2.5 Pro Beta が最も大きな進歩を遂げたのは、エージェント（自律型タスク実行）の分野です。Artificial Analysis の Agentic Index スコアは 25 から 44 に向上しました。GDPval-AA v2 における Elo スコアは人間基準の 1000 を上回る 1456 を記録し、先行モデルの 1171 よりも大幅に高い数値です。これは MiniMax-M3（1384）を上回り、GPT-5.5 (xhigh, 1489) や Gemini 3.7 Flash (high, 1527) に次ぐ位置づけとなります。

Agnes 2.5 Pro Beta の AA-Omniscience スコアは -25 から -11 に改善しましたが、これは精度の向上ではなく、回答を保留する（アブステイン）割合が増えたことによるものです。このモデルが実際に回答を試みたのは質問の 45% だけであり、Agnes 2.5 Pro Alpha の 94% と比べると大幅に少ないです。ハルシネーション（幻覚・誤答）率が 88% から 33% に改善した一方で、AA-Omniscience Accuracy は 33% から 17% と半分以下に低下しました。

Agnes 2.5 Pro Beta は、Artificial Analysis Intelligence Index のタスクごとに 5 万トークンの出力を使用します。これは Agnes 2.5 Pro Alpha が使用した 2 万 4 千トークンの倍以上です。また、Qwen3.8 27B（xhigh モデル：4 万 7 千トークン）や GLM-5.3（最大値：4 万 1 千トークン）よりも多くのトークンを消費します。

Artificial Analysis Intelligence Index における完全な結果は以下の通りです。