AI最新情報読了 7 分

正式リリース前のQwen-4、Claude Opus・Sonnet 5.5を同時に上回る――第三者ベンチの結果に

Shiritomo編集部 @shiritomoAI_jp 2026年11月8日更新

49.9点。
これは、まだ正式リリースされていないAlibabaの試作モデルが、ある第三者ベンチマークで叩き出した数字です。

比較対象はAnthropicのClaude Opus 5.5（47.2点）とSonnet 5.5（45点）。
どちらも現役の主力モデルですが、今回はどちらも試作版に順位で及びませんでした。

どのAIモデルを選ぶか迷っている人にとっては、判断材料がもう1つ増えたニュースです。

先に結論をまとめると：
– AlibabaのQwen-4試作版「hawk」が、ゲーム制作系ベンチマーク「GameFeel Bench」で49.9点を獲得
– Claude Opus 5.5（47.2点）・Sonnet 5.5（45点）のどちらよりも高いスコア
– ベンチを運営する開発者自身が「Early」=試作段階ゆえ暫定値と位置づけている

何が起きたのか

ゲーム開発向けのAIモデルを評価する第三者ベンチマーク「GameFeel Bench」を個人で運営している開発者follistatin氏が、2026年11月8日（日本時間）、Xで新しい結果を報告しました。

対象はAlibabaのQwen-4系試作チェックポイント「Qwen-4-Flash-Early」（開発コード名: hawk）です。
追加されたこのモデルが、GameFeel Benchの総合スコアでトップに立ったという内容でした。

Qwen-4-Flash-Early (codename hawk) added to GameFeel Bench!

(and audio score was calculated wrong for qwen-4-27b, a genuine mistake that was fixed) pic.twitter.com/QGH4eTGgfm
— follistatin (@follistatindev) 2026年11月8日

投稿では「qwen-4-27bの音声スコアに計算ミスがあり、修正した」という注記も添えられています。
ベンチマーク自体が今も調整され続けている、発展途中の指標だと分かる一文です。
ただ、1つの投稿だけでは順位の実態までは見えてきません。
そこで、この数字の背景を確かめてみました。

調べて分かったこと

GameFeel Benchとは何か

GameFeel Benchは、follistatin氏が個人で構築・公開しているベンチマークです（GitHub上で kodasdream/gamefeel-benchmark として公開）。
各AIモデルに未公開のゲーム制作タスクを課し、コーディングの正確さ・操作感（ゲームフィール）・創造性などを採点する仕組みになっています。

公開されている最新のv1.4では、スコアは次のようになっていました。

Qwen-4-Flash-Early（hawk）: 49.9点
Claude Opus 5.5: 47.2点
Claude Sonnet 5.5: 45点
Qwen-4-27B-Early: 44.6点

hawkは1タスクあたり約0.40ドルの計算コストだったと報告されています。
価格の低さも合わせて見ると、無視できない結果と言えそうです。

この結果、どこまで信じていいのか

ここで注意したいのは、hawkも27B版もどちらも「Early」=まだ正式リリース前の試作チェックポイントだという点です。
follistatin氏自身も、仕様が固まっていない段階のモデルである以上、数字は暫定的なものとして扱うべきだと注記しています。

もう1つの試作版「QoDuck」（Qwen-4-27Bの早期チェックポイント）についても、follistatin氏は別の投稿で触れていました。

'QoDuck' (qwen-4-27b early checkpoint) added after reaching out to alibaba and being granted access.

only beaten by Opus 5.5-Max and Xhigh on GameFeel bench, SoTA for open source by far!

Yes, all of this from a 27b model, I am shocked at these results. pic.twitter.com/DVGsHAeavp
— follistatin (@follistatindev) 2026年11月7日

「Alibabaに連絡して許可を得たうえで追加した。
GameFeel benchでOpus 5.5-MaxとXhighにしか勝てていないが、オープンソースではSoTA（最高水準）だ。
27Bモデルからこの結果が出るとは、正直驚いている」という趣旨の投稿です。
27Bという比較的小さいモデルサイズでの結果だったことが、この驚きの背景にあるようです。

Qwen-4の正式リリースはいつになるのか

ここまで話題になっている以上、本体のQwen-4がいつ出るのかも気になるところです。
調べてみると、Alibabaは2026年9月22日の雲栖大会（Apsara Conference）で「Qwen4は現在トレーニング中」とだけ公表しており、具体的な日付は明らかにしていません。
Qwenプロジェクトの責任者である劉大一恒氏は「近いうちに」とだけ述べていました。

11月に入ってからも進展はあり、Qwen公式アカウントは11月6日にティーザー投稿を出しています。
ただ11月8日時点でも、モデルの重みやAPI、価格といった具体的な情報は公開されていません。
試作版の評価だけが先に外へ出ている状態が、しばらく続きそうです。

Shiritomo編集部の考察：ベンチマーク結果は「誰が測ったか」まで見る

GameFeel Benchは企業の公式発表ではなく、個人開発者が独自に作った評価基準です。
評価軸も採点方法もその人が決めているため、見るべきは数字そのものより「誰がどう測ったか」です。
今回は運営者自身が試作段階であることや計算ミスの修正経緯まで公開しており、この透明さが数字の信頼度を支えています。
AIモデルの比較情報をSNSで見かけたときは、公式ベンチマークか個人運営かをまず確認する習慣が、情報の見極めに役立つはずです。