調査会社Artificial Analysisが、AIエージェント運用向けに業界初の性能指標「AgentPerf」を公開し、初回結果でNVIDIAのGB300 NVL72が前世代H200比で消費電力あたり最大20倍のエージェントを同時稼働した。
調査会社Artificial Analysisが、AIエージェント運用向けに業界初の性能指標AgentPerfを公開した。初回結果で、NVIDIAの最新基盤GB300 NVL72（Blackwell Ultra）が前世代H200比で消費電力あたり最大20倍のエージェントを同時稼働した。
従来のAI性能測定は1問1答を前提にしていたが、エージェントは目標を多数の手順に分解し、外部ツール呼び出しを挟みながらLLMを何十回も連鎖呼び出しする。処理が積み上がるほど文脈が膨らみ基盤負荷が掛け算的に増えるため、既存指標では実態を測れなかった。AgentPerfは実在する12以上のプログラミング言語のコード作業履歴を素材に設計され、測定には大規模MoEモデルDeepSeek V4 Proが使われた。
GB300 NVL72の優位の源泉は、72基のGPUを1つのラック規模システムに統合し処理を効率分散させる設計にある。BasetenやTogether AI、DeepInfraなどはすでにBlackwell上で本番運用を始めており、基盤選定の比較軸が単価・速度から電力あたり同時処理数へ広がる。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
従来のAI性能測定は、1回の質問に1回答えるという単発のやり取りを前提としていた。しかしエージェントは、目標を多数の手順に分解し、コード実行やデータベース検索などの外部ツール呼び出しを挟みながら、何十回・何百回も大規模言語モデル（LLM）を連鎖的に呼び出す。処理が積み上がるたびに扱う文脈情報が膨らみ、計算基盤への負荷は単純な足し算ではなく掛け算的に増える。既存の指標ではこうした実態を測れなかったため、新しい評価基準が求められていた。
AIエージェントを大規模に運用する企業にとって、投資した電力1メガワットあたり・1台あたりで何件の作業を同時にこなせるかは、基盤投資の費用対効果を直接左右する。AgentPerfは実際のコード作成エージェントの作業履歴をもとに設計されており、現実に近い条件で基盤を比較できる点が重要だ。BasetenやTogether AI、DeepInfraなどがすでにBlackwell上で本番運用を始めている。
調査会社Artificial Analysisが、AIエージェント運用向けに業界初の性能指標「AgentPerf」を公開した。初回結果でNVIDIAのGB300 NVL72（Blackwell Ultra）が、前世代H200比で消費電力あたり最大20倍のエージェントを同時稼働した。
AgentPerf from Artificial Analysis, the industry's first agentic AI benchmark, gives developers, enterprises and infrastructure providers a clear way to compare systems for agentic AI. In the first round of published results, the NVIDIA Blackwell Ultra NVL72 platform delivers leading performance across the agentic AI workloads tested, running 20x more agents per megawatt than NVIDIA H200.
引用にある「running 20x more agents per megawatt」とは、消費電力1メガワットあたりで同時に動かせるエージェントの数が前世代の20倍という意味だ。従来のAI性能測定は1回の質問に1回答える単発のやり取りを前提にしていた。だがエージェントは目標を多数の手順に分解し、コード実行やデータベース検索などの外部ツール呼び出しを挟みながら、何十回も大規模言語モデル（LLM）を連鎖的に呼び出す。処理が積み上がるたびに扱う文脈情報が膨らみ、基盤への負荷は単純な足し算ではなく掛け算的に増える。既存の指標ではこの実態を測れなかった。
AgentPerfが既存ベンチと異なるのは、測定の素材に実在する12以上のプログラミング言語のコード作業履歴を使った点にある。机上の合成タスクではなく、現実のコード作成エージェントが残した作業履歴をもとに設計されているため、本番に近い条件で基盤を比較できる。
測定には大規模なMoEモデル（複数の専門サブモデルを処理ごとに切り替える混合エキスパート方式のモデル）「DeepSeek V4 Pro」が用いられた。GB300 NVL72が優位を示した源泉は、72基のGPUを1つのラック規模システムに統合し、モデル処理を効率よく分散させる設計にある。エージェントのように連鎖呼び出しで文脈が膨らむ処理では、GPU間をまたぐデータのやり取りが速度と電力効率を左右する。ラック内で72基を密に束ねる構成が、この連鎖処理あたりの電力効率に効いている。
今回の数値が動かすのは基盤選定の比較軸だ。これまで推論基盤は1問1答の単価や速度で比べられてきた。AgentPerfは電力1メガワットあたりの同時エージェント数という軸を公開ベンチとして示した。
NVIDIAは初回結果で首位の数値を取り、エージェント運用向け基盤の優位を裏づけた。BasetenやTogether AI、DeepInfraといった推論プロバイダはすでにBlackwell上で本番運用を始めており、電力あたり処理数の優位を自社サービスの条件に反映できる立場にある。
一方、旧世代H200で大規模なエージェント運用を計画する事業者は、同じ電力予算で稼働できるエージェント数の前提を見直す必要が出た。最大20倍という差は、電力コストと設備規模を起点に基盤投資を組む企業ほど直撃する。
立場別、明日から動ける一手。
AgentPerfの初回結果で示された電力あたり同時エージェント数の測定条件とDeepSeek V4 Proという測定モデルを、自社の想定ワークロードと照らして確認する。
エージェント運用基盤の評価軸を1問1答の単価から電力1メガワットあたりの同時処理数へ広げ、現行基盤と新世代基盤の費用対効果を比較する。
自社の代表的なエージェント作業1件で、ツール呼び出しを含む連鎖処理あたりの消費電力と同時稼働数を測る。
AgentPerfの初回結果そのものへの直接的な反応は限定的だが、関連する文脈ではエージェント運用の基盤設計が話題になっている。
公式発表と各所の反応から編集部が要約した主な論点です。個別のX投稿そのものは下部のセクションに表示されます。
「Search as Code」
「連鎖処理あたりの効率」
Perplexityは検索をコードとして組み立て数千の取得ステップを並列実行する「Search as Code」設計を紹介し、Replitはエージェントに作業を渡す際の具体的なプロンプト設計やプラン承認モードの使い方を共有している。いずれもエージェントが多数の手順を連鎖実行する前提に立った発信で、AgentPerfが測ろうとする「連鎖処理あたりの効率」と問題意識が重なる。
Deep Research in Computer is built on our Search as Code architecture. The model writes code that assembles search itself, running thousands of retrieval steps in parallel, tailored to each question. It outperforms legacy Deep Research on every benchmark.
2. Use Plan Mode Toggle Plan next to the prompt input before you build. Agent asks clarifying questions and hands you a structured plan to review and approve first, so you catch wrong assumptions before they turn into code. Worth it for anything bigger than a quick tweak.
※トレンド検出時刻付近の人気投稿を表示
