Gemini 3 Pro、Terminal-Bench 2.0で54.2%を記録
Googleは2025年11月18日にGemini 3 Proを公開し、ターミナル経由でコンピューターを操作する能力を測るテストTerminal-Bench 2.0で、54.2%のスコアを記録したと述べました。同日、Gemini API、Vertex AI、Geminiアプリ、新しいエージェント型コーディングプラットフォームGoogle Antigravityで提供が始まりました。ソフトウェアチームにとって、このリリースは価格とツールの判断です。プレビューの利用料金は、入力百万トークンあたり2ドル、出力百万トークンあたり12ドルです。
2025年11月18日にGoogleが公開したもの
Googleは、新しいフラッグシップのマルチモーダルモデルファミリーGemini 3を発表し、Gemini 3 Proを同日、検索、Geminiアプリ、Google AI Studio、Vertex AI、Gemini CLI、Antigravityという新しい開発プラットフォームで利用できるようにしました。InfoQは、これまでのGeminiのリリースは、まず一部の製品に届いていたのに対し、今回は一般向けと企業向けの1つのプラットフォームとして登場したと指摘しています。
より研究集約型のモードであるGemini 3 Deep Thinkは、さらに安全性のテストを通過した後、Google AI Ultraの契約者向けに続きます。タイミングはタイトでした。TechCrunchによれば、このローンチはGemini 2.5から7カ月後、OpenAIのGPT 5.1の公開から1週間以内、AnthropicのSonnet 4.5の公開から2カ月後でした。
コーディングと推論のテストでのスコア
Googleが前面に出すコーディングの数字は、Terminal-Bench 2.0での54.2%です。このテストは、モデルがツールを使い、ターミナル経由でコンピューターを操作する能力を測ります。Googleはまた、このモデルがWebDev Arenaのリーダーボードで1487 Eloで首位に立ち、画像と動画の推論を測るMMMU-ProとVideo MMMUで過去最高を記録したとしています。
独立したリーダーボードも同じ方向を示しています。TechCrunchは、Humanity's Last Examで37.4というスコアが過去最高で、これまでの最高はGPT-5 Proの31.64だったこと、ユーザー満足度を測るLMArenaで首位になったことを報じました。InfoQが引用する開発者フォーラムでは、ベンチマーク汚染のリスクが議論されており、導入を決める前に社内で評価を行うよう勧められています。
Google Antigravityが開発者にもたらすもの
Antigravityは、このモデルを中心に作られたGoogleのエージェント型開発プラットフォームです。開発者は、使い慣れたAIコードエディターを中心に置いたまま、ワークスペースをまたいでエージェントを管理します。エージェントはエディター、ターミナル、ブラウザーをまたいでソフトウェアのタスクを計画して実行し、詳細なアーティファクトを通じて作業を報告します。
「エージェントは、エディター、ターミナル、ブラウザーをまたいで動き、あなたが最善の方法でそのアプリケーションを作れるよう助けます。」 コライ・カブクチュオグル氏、DeepMind CTO
公開プレビューは、MacOS、Windows、Linux向けに無料です。このモデルは、Gemini CLI、Android Studio、Cursor、GitHub、JetBrains、Manus、Clineなどのサードパーティ製ツールでも動きます。
開発者の利用方法と料金
モデルは、Google AI StudioとVertex AIのGemini APIでプレビュー提供されており、プロンプトが20万トークン以下の場合、入力百万トークンあたり2ドル、出力百万トークンあたり12ドルです。Google AI Studioでは、レート制限付きで無料です。
InfoQによると、テキスト、画像、動画、音声、PDFを受け付け、コンテキストウィンドウは最大1,048,576トークン、出力は65,536トークンが上限です。Firebase AI LogicとGemini Enterpriseでも提供されます。Googleは、モデルがシェルコマンドを提案できるクライアント側のbashツール、早期アクセスのパートナー向けのホスト型サーバー側bashツール、Google検索によるグラウンディングとURLコンテキストを構造化出力と組み合わせるオプションを追加しました。
すでにGeminiを使っている人たち
このリリースは、大きなユーザー基盤の上に着地します。TechCrunchが伝えるGoogleの説明では、Geminiアプリの月間アクティブユーザーは6億5000万人を超え、1300万人のソフトウェア開発者が、ワークフローの一部としてこのモデルを使ってきました。一般的なコードエディターのGemini Code Assistユーザーは、インラインの補完だけでなく、複数ステップのコーディングタスクを実行するエージェントモードで、まずGemini 3を受け取ります。
ソフトウェアと運用のチームにとっての意味
企業向けにGoogleが売り込むのは、エージェントに任せる、長時間で複数ステップの作業です。Googleは財務分析、サプライチェーンの計画、契約のレビューを挙げており、InfoQは、このモデルが長いPDF、スクリーンショット、動画を1回のリクエストで受け取れるため、文書分析、ログの仕分け、メディア中心の分析を、別々の視覚、音声、言語のシステムではなく1つのモデルで動かせると指摘しています。
公表された価格は、パイロットの前に、タスクあたりのコストを見積もる手がかりになります。Googleはローンチ時に顧客の成果を示しませんでした。そのため、各社にとっての実測の価値は自社の評価から生まれます。フォーラムの開発者がすすめているのも同じことです。
よくある質問
Terminal-Bench 2.0とは何ですか?
モデルがツールを使い、ターミナル経由でコンピューターを操作する能力を試すベンチマークです。GoogleはGemini 3 Proのスコアを54.2%としています。
Googleの新しいモデルの料金はいくらですか?
プレビューでは、プロンプトが20万トークン以下の場合、入力百万トークンあたり2ドル、出力百万トークンあたり12ドルです。Google AI Studioでは、レート制限付きで無料です。
Google Antigravityとは何ですか?
Antigravityは、開発者がエディター、ターミナル、ブラウザーをまたいで動くエージェントを管理する、Googleのエージェント型開発プラットフォームです。公開プレビューはMacOS、Windows、Linux向けに無料です。
MOZGIIの視点
私たちならこう作ります
ベンチマークのスコアが教えてくれるのは、どのモデルを試すべきかであって、どれを買うべきかではありません。Terminal-Benchは、モデルがターミナルでコマンドを実行し、自分の間違いを直せるかを測ります。実際のエージェントの仕事に近いものですが、会社ごとにコード、文書、ルールは違います。Googleの数字は、モデルを試す理由として扱い、それ以上のものにはしません。
このようなモデルを土台にしたコーディングや文書のエージェントを加えるなら、自社の仕事から決まった一式のタスクを用意するところから始めます。実際のチケット、実際の契約、実際のログで、それぞれに正解が分かっているものです。候補のモデルすべてに同じ一式を走らせ、トークン単価ではなく、完了したタスク1件あたりのコストを比べます。エージェントは権限を制限したサンドボックスで動かし、共有コードや本番システムに届く前に、エンジニアがすべての変更を承認します。
長いタスクで壊れます。多くのステップにわたって計画し行動するエージェントは、ずれたり、同じ作業を繰り返したり、終わらないままトークンを使い続けたりします。タスクごとにステップ数と費用の上限を設け、どちらかに達したらエージェントを止めます。見る指標は1つで、人が手直しせずに正しく完了したタスクの割合です。
次に作るのは、新しいモデルが出るたびに同じタスクの一式を再実行する仕組みです。プロバイダーの乗り換えが、ローンチへの反応ではなく、測定に基づく判断になります。
出典
この記事の事実の出典です。