推論モデル(reasoning models) 2026年ガイド — o3·o4·DeepSeek R1·Claude Thinking·Gemini Deep Think·QwQ 徹底比較

プロローグ — 「より長く考えて、より良く解く」

2024年9月、OpenAIはo1-previewを投下した。モデル自体は大きくない。新しかったのは一つ — モデルが答える前に、しばらく自分自身と対話する。

それ以前のLLMは「次のトークンをうまく予測する」ゲームだった。o1はもう一手加えた。答えを出力する前に、隠されたchain-of-thoughtトークンを大量に作り、そこで推論を整え、それからようやく答えを出す。より多くのトークンを使う — つまり長く「考える」 — ほど正解に近づく。これがtest-time compute scalingである。

この1行のアイデアが、2025〜2026年のモデル地形を丸ごと塗り替えた。o3がGAになり、DeepSeek R1が同じ曲線をオープン重みで再現してしまい、AnthropicはSonnet/Opus 4.5に「extended thinking」をトグルとして埋め込み、GoogleはGemini 2.5 ProとDeep ThinkをGAにした。AlibabaのQwQ·QwQ-Plusは、オープン重み陣営の2つ目の大きな流れを作った。

2024年の問い: 「どのモデルを使うか?」 2026年の問い: 「このタスクでthinkingを入れるか切るか、どれくらい?」

この記事は、推論モデルの2026年現在のスナップショットを整理する。6つの家族 × thinking挙動 × ベンチマーク × 価格を1ページに広げる。そして本当に重要な問い — 「推論モデルが必要な瞬間はいつか、高速な非推論モデルが勝つ瞬間はいつか?」 — に正直に答える。

1章 · Test-time computeとは何か

伝統的なLLMスケーリングは3つの軸だった。

o1が追加した4つ目の軸がtest-time computeである。推論(inference)段階で使うトークン数を増やすと正解率が上がる。

       正解率
         ▲
  R1 ────│              ╱── thinking ON
         │           ╱
  base ──│       ╱
         │   ╱──── thinking OFF (即答)
         └────────────────────────▶ 推論時のトークン予算

この曲線はモデルごとに違い、問題の種類ごとに違う。数学·コーディング·証明のようなverifiableな問題では曲線が急で、創作·要約·雑談ではほぼ平ら — 長く考えてもほとんど良くならない。

thinkingトークンの正体

推論モデルが「考える」間に作るトークンは、通常3つのうち1つである。

1. 隠された(hidden) reasoning — o1·o3·o4が採用。ユーザーにrawなchain-of-thoughtは見せない。要約だけ。
2. 見える(visible) reasoning — DeepSeek R1·QwQが採用。\<think\>...\</think\>ブロックに推論過程をそのまま露出。
3. トグル可能 — Claude Sonnet/Opus 4.5のextended thinking。リクエストごとにon/off、予算調整可能。

hiddenかvisibleかは単なるUXの違いではない。 visibleはデバッグ·教育·信頼検証が楽だが、模倣·蒸留に弱い。DeepSeek R1がオープンで公開された途端、多数のdistillation試みが出たのもそのためだ。

2章 · RLVR — 推論モデルを作るレシピ

推論モデルはbaseモデルの上に2つのレイヤーを重ねて作る。

2-1. 長いCoTを作る能力

まずモデルがchain-of-thoughtを長く展開できる必要がある。baseモデルは普通、短く確信に満ちた答えを好む。長いCoTデータでSFT(supervised fine-tuning)を行い、「考えを長く展開する習慣」を教える。

2-2. RLVR — Reinforcement Learning with Verifiable Rewards

核心は2層目だ。RLVRは自動で採点可能な報酬を使う。

RLVRループ:
  1. 問題(数学·コード·論理)をモデルに与える
  2. モデルが長いCoT + 最終答えを生成
  3. verifier(検証器)が採点する:
     - 数学: 正解と一致するか?
     - コード: テストが通るか?
     - 形式推論: 証明が形式的に正しいか?
  4. 通ったtrajectoryに+1、失敗に0(または負)
  5. PPO/GRPOなどpolicy gradientでモデル更新
  6. 繰り返し

ポイントは**「検証可能な報酬」である。RLHF(人間のフィードバック)は人手で高くつき、一貫性も低い。RLVRはコンパイラ·テストランナー·数学採点器**が採点する — 無限に安く、一貫性も完璧。

DeepSeek R1論文(Jan 2025)の衝撃: ほぼcold-startからRLVRだけでR1-Zeroを作った。モデルが自発的に「待って、もう一度考えよう」のようなself-correctionパターンを発見した — emergent reasoning。人が教えていないのに。

RLVRがよく効く領域

だから推論モデルは万能ではない。 verifierが強い領域でのみ圧倒的だ。

3章 · OpenAI — o3 / o3-pro / o4

カテゴリーを作った会社らしく、2026年現在もっとも豊富なラインナップ。

3-1. o3 (GA、2025 Q2〜)

2024年12月に評価結果が公開され、2025年4月にGA。reasoning effort dial(low·medium·high)を提供 — 同じモデル、違うthinking budget。highは1応答に分単位かかることもある。

特徴:

• 推論の最中にツールを使う(「agentic reasoning」) — 推論中にweb検索し、code interpreterを呼び、その結果を再びthinkingに食わせる。
• hidden CoT — ユーザーにrawな推論は見せない。要約(summary)だけ。
• ARC-AGIで初めて人間水準に近づいた(high effort基準)。

3-2. o3-pro

「本当に難しい」問題用。同じモデルをさらに長く回す。価格は1桁倍高く、応答に数分かかる。研究·深層分析·複雑なデバッグに使う。

3-3. o4 / o4-mini

2025年後半にリリースされた次世代。マルチモーダル推論(画像·図表を見て推論)、ツール使用の推論統合がさらに滑らか。o4-miniは速いのにo3に近いコーディングスコアを出す — コーディングワークロードの新たなデフォルト。

4章 · DeepSeek — R1 / R1-0528 / V3.1 reasoner

オープン重み陣営の爆弾。2025年1月にR1が公開されると、業界が止まった。

4-1. DeepSeek R1 (Jan 2025、MITライセンス)

• 671B MoE(active 37B)。baseはV3。
• RLVRだけで推論能力を伸ばしたR1-Zero、そして軽くSFTを足したR1。
• \<think\>...\</think\>ブロックにrawなCoTをそのまま露出 — デバッグ·研究には天国、商用モデル側には悪夢(模倣リスク)。
• AIME·MATH·コーディングでo1と似た曲線。
• 価格はclosedモデル対比1桁倍安い。

4-2. R1-0528 (May 2025 アップデート)

同じ重みサイズを維持してRLをさらに回した。複雑なコーディングと長文脈推論でもう一段階上がった。SWE-bench Verifiedのスコアが有意に上昇。

4-3. V3.1 reasoner (2026年初頭)

V3.1 baseの上にthinkingをトグルで埋め込んだ統合モデル。Claude 4.5のように1つの重みでthinking on/off — ただしthinking on時のみR1スタイルの\<think\>ブロックを生成する。オープン重み陣営で初めての「トグル可能な推論」。

なぜDeepSeekが重要か: 推論モデルがもうclosedモデルの独占的資産ではないことを示した。誰でも8xH100でself-host可能。regulated industryやon-prem要件がある場所では事実上のデフォルト。

5章 · Anthropic — Claude Sonnet 4.5 / Opus 4.5 extended thinking

Anthropicは別の道を選んだ。別のモデル系統ではなく、同じモデルの状態(mode)。

5-1. extended thinkingとは

Sonnet 4.5·Opus 4.5にリクエストごとのトグルがある。APIコールにthinkingパラメータを入れてトークン予算を指定する。モデルはその予算分の推論ブロックを作り、その後に答えを出す。

リクエスト:
  thinking: { type: "enabled", budget_tokens: 16000 }

レスポンス:
  - thinkingブロック (予算内で)
  - 最終答え (assistantメッセージ)

5-2. 特徴

• 1つの重み、2つのモード — 運用がシンプル。
• interleaved thinking — 推論の途中でツールを呼び、結果を受けて推論を続ける。
• thinkingの中身はAPIレスポンスにそのまま入ってくる(rawテキスト)。hiddenではない。ただし次のターンで自動圧縮される。
• コーディング·SWE-bench Verifiedに強い。Sonnet 4.5 + extended thinkingは実PR自動化で非常に強い。

5-3. budgetの距離感

原則: budgetは難易度に比例させる。 thinkingを無条件にonにしない。

6章 · Google — Gemini 2.5 Pro / Deep Think

Gemini 2.5 Proは最初から「推論が組み込まれた」一般モデルとして登場した。

6-1. Gemini 2.5 Pro

• thinkingがデフォルトON。dynamic thinking — モデルが問題の難易度を見てthinkingの長さを自分で決める。
• 100万トークンコンテキスト + thinking — 長文書の上での推論に強い。
• マルチモーダル — 動画·音声·画像を推論に混ぜられる。

6-2. Deep Think (Gemini 2.5)

本当に難しい問題用。parallel thinking — 複数の仮説を同時に走らせて合わせる。IMO 2025(国際数学オリンピック)で初めて人間の金メダル水準に到達したモデルとして話題に。2025年後半にGA。

7章 · Alibaba — Qwen QwQ / QwQ-Plus

オープン重み陣営の2つ目の大きな流れ。R1とともにオープン推論モデルの両柱。

• QwQ-32B (2024年11月) — 32Bのオープンモデルが推論でo1-previewに肉薄。衝撃。
• QwQ-Plus (2025) — 次世代。コーディングと数学の両方でもう一段階上。
• Qwen3 reasoner — より大きなサイズ、Apache 2.0ライセンス。

QwQはR1と同様visible CoT。self-host親和的。日·韓·中·英の多言語に強い — アジア圏の社内利用で選好度が高い。

8章 · xAI — Grok 3 / 4 Heavy thinking

Grok 3 thinking·Grok 4·Grok 4 Heavyはthinkingモードを持つ。

• Grok 3 Thinking (2025年初頭) — chain-of-thoughtを長く回すモード。X(Twitter)データで学習した影響で「最新ニュース」に強い。
• Grok 4 / 4 Heavy (2025年後半) — Heavyはmulti-agent thinking、つまり複数のインスタンスが並列で推論し合わせる。**HLE(Humanity's Last Exam)**のような非常に難しい評価でトップスコア。

9章 · 比較マトリクス — 1ページに

ベンチマーク数値はリリース·時期によって絶えず動く。下記は相対的な位置を示すスナップショットだ。

9-1. 推論モードの挙動

9-2. 主要ベンチマークの位置(2026年初頭、相対表示)

絶対数値はリリース·評価方式により変わる。決定は自分の評価スイートで行うこと — 自分のデータ·自分のタスク·自分のSLAの上で。

10章 · 価格とthinking-tokenの経済

推論モデルのコスト構造は非推論モデルと違う。thinkingトークンが出力トークンに含まれて課金され、それは普通answerトークンの数〜数十倍だ。

リクエスト: "このコードのバグを見つけて (200トークン)"

レスポンス: [thinking: 8,000トークン]  ← 出力価格で課金
            [answer:    600トークン]    ← 出力価格で課金

総コスト = input(200) + output(8,600)

意味: thinking budget自体が価格である。小さなタスクにthinkingを入れると平時の10〜50倍のコストになる。

10-1. モデルごとのおおよその1Mトークン出力単価(相対位置)

価格は頻繁に変わる。下記は相対比較用だ — 実際の金額は各プロバイダの公式ページで確認のこと。

R1·QwQのようなオープンモデルはself-hostすれば0(インフラコストのみ)。大量·反復タスクでは圧倒的だ。

10-2. thinking budgetガイドライン

11章 · 推論モデルが本当に必要な瞬間

推論モデルは万能ではない。入れるべき時は明確にあり、切るべき時の方が多い。

11-1. 推論モデルが輝く場合

1. 数学·論理·証明 — multi-step推論が価値を作るところ。
2. 複雑なコーディング — 大きなリポの上で複数ファイルを一緒に見て一貫した変更。SWE-benchの本質。
3. エージェント計画 — どのツールをどの順番で呼ぶか分からない新しいタスク。
4. デバッグ — 仮説を立て、証拠を集め、反証する。
5. 研究·分析 — トレードオフ·反例·反論可能性を拾わなければならないタスク。
6. 試験のような最後の決戦 — IMO·AIME·HLEのような「1回で当てなければならない」問題。

11-2. 推論モデルが損する場合

1. 即答可能な事実検索 — 「今日は何日?」に16k thinkingトークンを使う理由はない。
2. 高ボリュームの分類·タグ付け — 1件あたりのコストが掛け算される。
3. UI応答性が重要なチャット — thinkingは遅い。ユーザーが離れる。
4. 創作文章 — verifierが弱い。一般モデルの方が多様で自然。
5. 雑談·感情対話 — overthinkingは気まずさ。
6. 既に決まった形式のレポート — テンプレートの上で埋めるだけ。

原則: thinkingはコストである。そのコストを正当化する正解率上昇がある時だけ入れる。

11-3. ルーティングパターン

リクエスト到着
  │
  ▼
複雑度分類器 (安価で速いモデル、例: Haiku·Flash·4o-mini)
  │
  ├── "simple" → 高速な非推論モデル (即答)
  ├── "medium" → 推論モデル low budget
  └── "hard"   → 推論モデル high budget または pro/Heavy

これが2026年プロダクションAIシステムのデフォルト構造だ。すべてのリクエストに推論モデルを使うのはコスト·遅延の自殺。

12章 · 正解率·コスト·遅延の三角トレードオフ

同じ問題を同じ正解率で解いても、コスト·遅延が違えば違うシステムである。

12-1. 3軸の可視化

         正解率 ▲
              ╱│╲
             ╱ │ ╲    ← Pareto frontier
            ╱  │  ╲
   ────────●───┼───●─────
          高い  │  遅い
                ▼
              遅延

Pareto frontier: 1つの軸を多く得るには別の軸を捨てる必要がある。o3-proは正解率·コスト·遅延の中で正解率だけを買う。R1 self-hostはコストを買う。Haiku/Flashは遅延を買う。

12-2. どの点を買うか

12-3. budgetを動的に — 段階的thinking

進んだパターン: 失敗したらbudgetを増やしてリトライする。

1. thinking 2kで答えを受ける
2. self-consistency: 同じ答えが安定しているか?
3. 安定 → 終了
4. 不安定 → 4kでリトライ
5. それでも不安定 → 16k または別のモデル

このescalationパターンは平均コストを大きく下げる — 簡単な問題は安く、難しい問題だけ高く。

13章 · オープン vs クローズドの推論ラダー

2026年の推論モデル地形をオープン/クローズド軸で描くと:

        クローズド (closed-weights)
         │
o3-pro · Opus 4.5 thinking · Deep Think · Grok 4 Heavy
         │   ← 「最強」だが高くて閉じ込められる
         │
   o3 · Sonnet 4.5 thinking · Gemini 2.5 Pro · Grok 4
         │   ← 一般タスクの標準
         │
   o4-mini · Gemini 2.5 Flash · Grok 3 thinking
         │   ← 高速推論
         │
─────────┼─────────────────────────── 価格 / latency
         │
   QwQ-Plus · Qwen3 reasoner
         │
   DeepSeek R1-0528 · V3.1 reasoner
         │
        オープン (open-weights、self-host可能)

オープンを選ぶ理由

• データが外に出てはいけない — 医療·金融·防衛·政府。
• 大量の反復タスク — トークンあたりのコストが0になる。
• モデルをさらにfine-tuning — ドメインに合わせて。
• 再現性·監査 — 重みがあれば決定の出所が追跡可能。

クローズドを選ぶ理由

• 最高性能 — 一部のタスクでは1〜3%が決定的。
• 運用を外注 — モデルホスティング·更新·安全性。
• マルチモーダル統合 — 画像·動画·音声·ツールが1つのAPIの中で。
• モデル回転の速さ — 最新frontierに即時アクセス。

2026年の現実: 真剣な組織は両方使う。センシティブなデータはオープンself-host、公開可能な一般タスクはクローズドAPI。ルーティングが最も難しい決定だ。

14章 · 推論モデルの扱い方 — 実戦Tips

14-1. プロンプトは短く、コンテキストは豊かに

推論モデルは自分自身と考えるのが仕事。プロンプトで「step 1: ... step 2: ...」のような強制ステップ分離はむしろ邪魔。目標を明確に、制約を明確に与えて、あとはモデルに決めさせる。

14-2. CoT強制は非推論モデルでだけ

「think step by step」は非推論モデルで役に立った。推論モデルではそのトークンがthinkingの中で既に起きている。 明示的にまたやらせるとthinkingが重複したり短くなったりする。抜くこと。

14-3. ツール使用はモデルによって異なる

• o3/o4·Sonnet 4.5·Gemini 2.5 Pro: interleaved thinking — ツール結果が推論に自然に混ざる。
• R1·QwQ: ツール統合が弱い。外部ReActループで補強する。

14-4. self-consistency

同じ質問をN回呼んで多数決。推論モデルで特に効果が大きい。コストはN倍だが正解率は有意に上がる。医療·金融など高リスクな決定に有用。

14-5. thinkingトレースをログする(可能な場所だけで)

R1·QwQ·Claudeのようなvisible推論を出すモデルはログとして残す。デバッグ·改善·評価の金鉱だ。ただし、ユーザーにそのまま見せると危険な場合がある(誤った仮説を事実のように見せかねない)。

14-6. キャッシュ活用

system promptが長いとthinkingがその上で起きる。prompt caching(Anthropic·OpenAI·Geminiすべてサポート)で入力トークン価格を90%まで下げられる。ただし、thinkingトークンはキャッシュされない — 毎回再生成される。

エピローグ — 2行要約と次の記事

この記事の2行要約:

1. 推論モデルはすべてのタスクに良いわけではない — 検証可能な問題でのみ圧倒的だ。
2. 2026年の決定は「どのモデル」ではなく「どのモデル × どのthinkingモード × どのルーティング」だ。

12項目チェックリスト

1. 推論をonにするかoffにするかをタスクごとに決めているか?
2. thinking budgetをタスク難易度に比例させているか?
3. ルーター(安価で速い分類器 + 高価な推論モデル)があるか?
4. self-consistencyを高リスク決定に使っているか?
5. thinkingが出力トークンとしてカウントされることをコストモデルに反映しているか?
6. ツール使用パターンがinterleavedを上手く活用しているか?
7. visible CoTモデルの推論をログしているか?
8. 自分のデータで評価スイートを持っているか?(ベンダーベンチマークに依存していないか?)
9. オープン重みのオプションを検討したか(regulated·high-volumeの場合)?
10. prompt cachingで入力コストを下げたか?
11. CoT強制(「think step by step」)を推論モデルから抜いているか?
12. ユーザーにraw推論を露出しないようにしているか?

アンチパターン10個

1. すべてのリクエストに推論モデル — コスト·遅延の自殺。
2. CoTプロンプト強制 — 推論モデルでは逆効果。
3. thinking budgetをデフォルト最大 — 課金爆弾。
4. ベンダーベンチマークだけ見て決める — 自分のタスクと違う。
5. visible推論をユーザーにそのまま露出 — 誤った仮説が事実のように見える。
6. self-consistencyをあらゆる場所で — コストN倍。
7. オープン/クローズドのどちらか1つだけ — ルーティングが答え。
8. thinkingトークンを監視しない — コスト追跡不可能。
9. センシティブなデータを外部推論APIへ — コンプライアンス違反。
10. 推論モデルをチャットUXにそのまま — 1分待つユーザーはいない。

次の記事予告

候補: 推論モデル評価スイート — 自分のデータでthinkingを測定する、エージェント × 推論モデル — ツール使用とthinkingの統合パターン、オープン推論モデルのself-hostガイド — vLLM·SGLang·TGI比較。

"より大きなモデルではなく、より良く考えるモデル — そしてその次は、いつ考えないかを知るモデル。"

— 推論モデル 2026 ガイド、終わり。

参考 / References

• OpenAI, "Learning to reason with LLMs (o1)" — https://openai.com/index/learning-to-reason-with-llms/
• OpenAI, "Introducing o3 and o4-mini" — https://openai.com/index/introducing-o3-and-o4-mini/
• OpenAI, "OpenAI o3-mini" — https://openai.com/index/openai-o3-mini/
• DeepSeek-AI, "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning" (arXiv:2501.12948) — https://arxiv.org/abs/2501.12948
• DeepSeek, "DeepSeek-R1-0528 release notes" — https://api-docs.deepseek.com/news/news250528
• Anthropic, "Claude's extended thinking" — https://www.anthropic.com/news/visible-extended-thinking
• Anthropic, "Claude Sonnet 4.5" — https://www.anthropic.com/news/claude-sonnet-4-5
• Anthropic, "Extended thinking docs" — https://docs.anthropic.com/en/docs/build-with-claude/extended-thinking
• Google DeepMind, "Gemini 2.5: Our most intelligent AI model" — https://blog.google/technology/google-deepmind/gemini-model-thinking-updates-march-2025/
• Google DeepMind, "Try Deep Think in the Gemini app" — https://blog.google/products/gemini/gemini-2-5-deep-think/
• Alibaba Qwen, "QwQ-32B: Reflect deeply on the boundaries of the unknown" — https://qwenlm.github.io/blog/qwq-32b-preview/
• Alibaba Qwen, "QwQ-Plus / Qwen3 reasoning" — https://qwenlm.github.io/blog/qwen3/
• xAI, "Grok 3 Beta" — https://x.ai/news/grok-3
• xAI, "Grok 4 and Grok 4 Heavy" — https://x.ai/news/grok-4
• Kimi/Moonshot, "Kimi k1.5: Scaling RL with LLMs" (RLVR比較参考) — https://arxiv.org/abs/2501.12599
• ARC Prize, "ARC-AGI-1 Leaderboard" — https://arcprize.org/
• SWE-bench Verified leaderboard — https://www.swebench.com/
• LiveCodeBench — https://livecodebench.github.io/
• HLE (Humanity's Last Exam) — https://lastexam.ai/
• AIME 2024/2025 評価議論 — https://artofproblemsolving.com/community/c3416_2024_aime_i
• Lilian Weng, "Why we think" — https://lilianweng.github.io/posts/2025-05-01-thinking/