Arena ランキングの読み方：3日間で2つの「2位」

2026年8月7日、xAI は Imagine Image 2.0 を発表し、「it ranks second in the world in both text-to-image generation and image editing.」と書きました。

2026年8月10日、Microsoft は MAI-Image-2.6 を「ranked second on the Arena text-to-image leaderboard」として発表し、この結果は「firmly establishes MAI-Image ahead of leading models from Meta, Google and xAI.」だと付け加えました。

同じリーダーボード、同じ順位、間隔は3日。どちらの企業も嘘をついていません。そしてこの2つの文の差は、モデル評価について今年学べるもっとも有用なことのひとつです。画像モデルについて目にする主張のほぼすべてが、このどちらかの形をしているからです。

この3日間で実際に起きたこと

2つの発表は、同じはしごの異なる時点を描いています。

矛盾ではなく時系列として読めば、話は単純です。8月7日時点では xAI が2位を保持し、8月10日までに Microsoft がそれを奪いました。Microsoft の書き方はこの交代を認めてもいます。上回った相手として xAI を名指しするのは「うちが2位です」より具体的な主張であり、その一文がもう一方の主張に日付を与えています。

脚注はどちらも誠実です。xAI のグラフ注記には「Overall Elo. Source: Arena Image Edit and Text-to-Image leaderboards (as of Aug 7, 2026).」とあります。この「as of」は実際に働いている言葉ですが、たいていの読者は読み飛ばします。

面白いのは言い回しのほう

どちらも正確な2つの文が、着地点を変えて組み立てられることはあります。並べてみましょう。

• 「Second in the world」（xAI）は、引用しているリーダーボードより大きな枠です。現実についての言明のように読めます。それを特定の日の特定の表へと絞り直しているのは脚注のほうです。
• 「Ahead of leading models from Meta, Google and xAI」（Microsoft）は数字ではなく競合を名指しします。順位より反証しやすく、そのぶん傷みやすい主張です。次のリリースが壊すことになる比較を、自分から招いているからです。
• 「On both text-to-image generation and image editing」（xAI）は2つのボードを同時に主張します。Microsoft の主張は1つです。両方をざっと読んだ人が xAI の結果のほうが広いと受け取るのは妥当で、8月7日時点では実際にそうでした。

どちらも不誠実な意味での誇張ではありません。両方とも、発表文が発表文らしく振る舞っているだけです。真である言い方のなかから、いちばん見栄えのするものを選んでいます。読者側の仕事は、自分がどちらの枠を手渡されたのかに気づくことです。

もうひとつの罠：ボード上の名前は企業名とは限らない

xAI 自身の脚注には、覚えておく価値のある一文があります。「xAI models are listed on Arena under SpaceXAI.」

この主張を確かめようとリーダーボードで「xAI」を探しても、見つかりません。これは特定の1社に限った話ではありません。モデルは研究所名や社内コードネーム、テスト中の匿名エイリアスで掲載されることがあり、比較したいモデルが見覚えのない名前で載っていることもあります。見つけられない順位は、検証できない順位です。

Arena Elo が実際に測っているもの

Arena 型のリーダーボードはブラインドの一対比較を回します。ある人が同じプロンプトに対する2つの出力を、どちらがどのモデルか分からないまま見て、片方を選ぶ。その票が Elo レーティングになります。チェスと同じ仕組みです。

この設計には確かな強みがあります。選び抜いたサンプルでの操作が難しく、代理指標ではなく人間の総合的な好みを捉え、モデルが本当に良くなれば数字も動きます。Microsoft が報告する MAI-Image-2.5 比 +79 Elo は、混在したプロンプト群で出力が好まれたという意味のあるシグナルです。

同時に、ひとつの順位が覆い隠してしまう構造的な性質もあります。

• **これは動き続ける数字です。**票が入るたびにレーティングは更新されます。順位はモデルの性質ではなく、スクリーンショットです。
• **順位は距離を潰します。**2位と3位の差が Elo で数ポイント、つまり信頼区間の内側ということもあれば、大きく開いていることもあります。序数はどちらなのかを教えてくれません。
• **プロンプトの構成はあなたの構成ではありません。**総合的な好みは、投票者がたまたま投げた内容の上で計算されます。あなたの仕事がタイ語のパッケージなら、その母集団はほとんどあなたを代表していません。
• **好みは適合ではありません。**投票者は数秒で好きなほうを選びます。手元に要件はありません。ロゴが保たれたか、顔が再現されたか、文言が法的に正しいかを確認してはいません。

順位では分からない5つのこと

総合順位は本物の成果であり、購買判断の材料としては貧弱です。次のことは分かりません。

1. **自分のカテゴリで勝っているか。**ポートレート、タイポグラフィ、プロダクト、イラストで首位が違うことがあります。Microsoft が文字レンダリングを別枠（+91 Elo）で出したのは、カテゴリ別と総合が乖離するからです。
2. **いくらかかるか。**MAI-Image-2.5 のモデルページは「Image Arena Elo と1,000枚あたりの代表的な API 価格」を図にしています。提供元自身が、価格あたりの品質こそ本当の軸だと扱っているわけです。順位に価格は入っていません。
3. **そもそも使えるか。**提供状況、API アクセス、レート制限、商用条件は品質とは別物です。2位でありながら、あなたには使えないこともあります。
4. **どう壊れるか。**同じレーティングの2モデルが正反対の壊れ方をすることがあります。片方は同一性がぶれ、片方は小さな文字を潰す。制作パイプラインにとっては、平均点より壊れ方のほうが重要です。
5. **その差が実在するか。**信頼区間がなければ、「2位」と「4位」は統計的に区別できないかもしれません。

代わりに使うもの：自分の受け入れ基準

リーダーボードは候補を絞るには妥当で、最終判断を下すには不向きです。代わりの方法は安く、1時間ほどで済みます。

自分の実際の仕事を代表する要件を1つ書き、モデル以外のすべてを固定します。

1. **本物の案件を1つ選びます。**見せ球のアイデアではなく、実際に納品するパッケージ、実際に繰り返し登場するキャラクター、実際の法的表記が入ったポスターです。
2. **合否の基準を先に書きます。**出力を見る前に書くのがポイントです。「見出しのつづりが正しく、階層が保たれ、アクセント付き文字が出ている」は確認できます。「良さそう」は確認できません。
3. **プロンプト、参照画像、アスペクト比、シードをモデル間で同一に保ちます。**変数はモデルだけです。
4. **1モデルにつき複数枚生成します。**1枚だけの幸運な結果は、発表ページのギャラリーと同じ種類の証拠にすぎません。
5. **いちばん怖い失敗をテストします。**リスクが同一性なら同じ顔を6回、文字なら最も難しい文字体系で最長の文字列を回します。
6. **結果を日付とともに書き残します。**自分のメモもリーダーボードと同じように古くなり、最後に確認したのがいつかを知りたくなります。

この手順は、順位では答えられない問いに答えます。このモデルは、自分が必要としている具体的な仕事において、払える価格で、今日、十分に良いのか。

提供元の主張を公開資料と突き合わせて読む実例としては、Microsoft が公開した4つのプロンプトの読み解きと、Grok Imagine Image 2.0 のリリース分析をどうぞ。本記事の中心にある2つのリリースです。レイアウトと写実性の最新の一騎打ちは、GPT Image 2 と Nano Banana 2 の比較が今日使える2モデルを比べています。

よくある質問

Arena リーダーボードとは何ですか？

Arena は、ブラインドの一対比較による人間の好みの投票で AI モデルを順位づける公開評価プラットフォームです。同じプロンプトの2つの出力がモデル名を伏せて提示され、人がどちらかを選び、その票から Elo レーティングと順位が算出されます。

2つのモデルがどちらも2位になることはあり得ますか？

あり得ます。レーティングが継続的に更新され、それぞれの主張がスナップショットだからです。xAI の主張は2026年8月7日時点、Microsoft の発表は2026年8月10日です。その間に2位が入れ替わったことは、上回った相手として xAI を名指しした Microsoft 自身の発表が示唆しています。

Elo は画像モデルの品質指標として妥当ですか？

ブラインドでの人間の総合的な好みを測る指標としては妥当で、これは実在する、偽装しにくいシグナルです。ただしカテゴリ別の性能、コスト、レイテンシ、提供状況、特定の要件における信頼性を測るものではなく、見出しの数字に信頼区間は付いていません。

Arena リーダーボードで xAI が見つからないのはなぜですか？

xAI は自社の発表のなかで、自社モデルが Arena 上では SpaceXAI という名前で掲載されていると注記しています。提供元が研究所名やエイリアスで載ることはよくあるため、探している企業名と一致しない名前で順位がついている場合があります。

リーダーボードの順位でモデルを選ぶべきですか？

順位は候補の絞り込みに使い、判断は自分の要件で下してください。同じプロンプト、参照画像、アスペクト比、合否基準を2〜3の候補に通し、実際に納品するものに照らして出力を評価します。

リーダーボードの主張はどれくらい有効ですか？

決まった答えはありませんが、本記事の例は3日でひっくり返りました。日付のない順位の主張は過去の情報として扱い、それに依存する判断を下す前に確認し直してください。

OmniArt で始める

実践的な一手は、発表文を比べるのをやめて出力を比べることです。OmniArt の画像ワークスペースを開き、実際に納品しなければならない案件をひとつ取り、同一の入力と事前に書いた合否リストで2つのモデルに通してみてください。

OmniArt は画像・動画・音声・音楽のモデルをひとつのワークスペースにまとめているので、候補リストが4つのサイトと4つの請求ページをまたぐ調査ではなく、その場の並列テストになります。来月またリーダーボードが入れ替わったとき——必ず入れ替わります——どのモデルが自分の仕事をこなせるかはすでに分かっています。稼ぎにつながる順位はそれだけです。