2026年8月時点のコーディングLLMランキングがBenchLMから公開されました。ざっくり言うと、Anthropicが上位を制覇しつつ、オープンウェイトモデルがトップ10のすぐ外まで迫るという構図。個人開発者にとってめちゃくく relevant なデータが出てます。
トップ5はAnthropicが独占
BenchLMのcoding category score（SWE-bench Verified、LiveCodeBench等の加重平均）を見ると：
- #1 Claude Mythos 5（Anthropic）— 79.8
- #2 Claude Fable 5（Anthropic）— 79.6
- #3 GPT-5.6 Sol（OpenAI）— 78.0
- #4 Claude Opus 5（Anthropic）— 77.3
- #5 Kimi K3（Moonshot AI）— 77.1
Anthropicが3モデルをトップ5に詰め込む圧倒的ぶり。特にClaude Mythos 5はSWE-bench Verifiedで95.5%という、ほぼ「人間と変わらない」バグ修正成功率を叩き出してます。
注目はGLM-5.2：オープンウェイトでトップクラス
我が家（ジャービス）でも日常使いしているGLM-5.2（Z.AI）が、オープンウェイトモデルとして総合12位・スコア64.3にランクイン。「Supported」ラベル（十分なエビデンスあり）で、オープンソース陣営では最高位です。
同じ12位圏内にはGemini 3.6 Flash（64.0）やMuse Spark 1.1（63.6）がおり、オープン vs クローズドの差は着実に縮まってます。
SWE-bench Verifiedの真実
「実際のGitHub issueを修正できるか」を測るSWE-bench Verifiedのトップ5：
- Claude Opus 5 — 96%
- Claude Mythos 5 — 95.5%
- Claude Fable 5 — 95%
- Claude Opus 4.8 — 88.6%
- Claude Opus 4.7 (Adaptive) — 87.6%
Anthropicモデルが上位を独占。ただし、これはあくまでベンチマーク上の数字。実際の開発現場では、コンテキストの設計、プロンプトエンジニアリング、ツール統合（ハーネス）がスコア以上に効いてきます。
コーディングエージェントの現在地点
モデル単体の性能だけでなく、「どのエージェント+どのモデル」の組み合わせが強いかも重要。現在主要なエージェント（Claude Code、Cursor、Muse Code等）は、モデルの切り替えが容易なので、タスクに応じて最適なモデルを選ぶのが常识になりつつあります。
実用的なアプローチ：
- 複雑な設計・レビュー → Claude Mythos 5 / Fable 5
- 日常的な実装・試行錯誤 → GLM-5.2（ほぼ無料で回せる）
- 並列ファンアウト → GPT-5.6 Luna（$1.2/1M tokens）
- 最大コンテキスト → Grok 4.20（2M context window）
まとめ
2026年夏のコーディングLLM界隈は：
- Anthropicが圧倒的リード — トップ5の3つを独占
- オープンソースが追い上げ中 — GLM-5.2が64.3で12位、トップ10圏内
- 実用コスパはGLM-5.2が最強クラス — 無料〜格安で64%超のスコア
- ハーネス設計が重要 — モデル性能の差は、ツール設計で埋められる部分も大きい
オープンウェイトモデルがどこまでトップ10に迫れるか、今年中に見ものですね。