AIエージェント向けモデルの選び方：Android操作に合う6候補

スマホで行う作業から6候補を絞る

AIエージェントのモデルを選ぶ時は、まずスマホで何をさせたいかを決めます。メモの整理や予定の下書きには、文章を理解して対応ツールを選ぶモデルが候補になります。画面内のボタンや項目を見分ける研究・開発なら、画面操作向けモデルと操作を実行する仕組みを一緒に検討します。両者は接続方法も必要な環境も異なります。

普段のAndroid作業をFoneClawで始めるなら、無料の標準モデルで必要な操作を確かめられます。外部モデルを使う開発者は、モデル名だけで決めず、利用するAPIとFoneClawの対応ツールを接続できるか確認してください。この表は用途と導入条件の整理であり、成功率の順位ではありません。

ツールを使う汎用APIモデル

GPT-6 SolのAPI識別子はgpt-6-solです。OpenAIのモデル仕様では、文字と画像の入力、関数呼び出し、構造化出力に対応しています。組み込みツールや関数呼び出しにはResponses APIを使います。Chat Completionsで関数を呼ぶ場合はreasoning_effortをnoneにする条件があるため、接続方式を先に決める必要があります。OpenAIのモデル一覧では、Solは知能と費用のバランスを取る候補として位置づけられています。画像を読めるという仕様は確認できますが、Android上での操作成績を示すものではありません。

Claude Opus 5.5のAPI識別子はclaude-opus-5-5です。Anthropicの発表とモデル仕様では、長時間のエージェント作業や専門的な知識作業向けとされ、文字・画像の入力、視覚理解、ツール利用に対応しています。提供者が示す得意分野を参考にしつつ、自分のスマホ操作では手順の維持や確認の適切さを試します。ClaudeのMessages APIは、そのままOpenAI形式の接続先になるわけではありません。利用する接続方式とアカウント条件を確認してください。

Gemini 3.8 Flashの安定したAPI識別子はgemini-3.8-flashです。GoogleのAPI仕様では、文字、画像、動画、音声、PDFの入力と文字の出力、関数呼び出し、構造化出力に対応しています。画面操作に関わる機能はプレビュー扱いです。このモデルはLive APIと音声生成には対応していないため、消費者向けGeminiアプリの音声操作やGemini Liveを、このAPIで使える機能として数えないでください。画面を含む依頼では、画像の入力から適切なツール指定までを一続きで確認します。

Grok 4.7のAPI識別子はgrok-4.7です。xAIのモデル仕様には、文字・画像の入力、関数呼び出し、構造化出力、推論の設定が記載されています。画像付きのAndroid依頼を検討する場合でも、画像から読み取った内容と、実際に渡すツール名・引数を分けて評価します。APIの機能があることだけで、FoneClawへの接続や端末操作まで確認されたことにはなりません。

画面操作を対象にしたGUIモデル

AutoGLM-Phone-9B-Multilingualは、スマホ画面を理解して操作を進めるための公開モデルです。モデルカードで示される重みと、Android端末に命令を実行する枠組みは別物です。関連するPhone Agentの仕組みではADBを使って端末へ接続し、操作を実行します。ログインや認証などで人へ引き継ぐ流れ、機微な操作の確認も含まれます。

Open-AutoGLMの導入案内には、提供済みのモデルサービスを使う方法と、vLLMで自分の計算環境からモデルを提供する方法があります。後者の「ローカル」は自分で用意したモデルサーバーを指し、Android端末だけで推論が完結する意味ではありません。ADBによる端末接続、操作を実行する枠組み、必要な計算資源は別に用意します。

GUI-Owl-1.5はスマホだけでなく、パソコンやブラウザーの画面操作も対象とする公開モデル群です。公開されているモデルの重みを使う場合も、モデルへの入力形式、操作命令の形式、端末側の実行役をそろえる必要があります。公式リポジトリで案内されるMobile-Agent-v3.5は関連するエージェントシステムで、GUI-Owl-1.5とは別のモデル名ではありません。オンライン推論やクラウド上の端末によるデモも、利用者自身のスマホを操作できる証明にはなりません。

画面操作向けモデルを選ぶ際は、公開された重み、モデルを動かす場所、端末の画面取得、タップなどの実行方法を一組として確認します。汎用APIモデルで関数を呼ぶ構成とは接続条件が異なり、いずれの公開GUIモデルもFoneClawへ直接取り込めると判断する根拠にはなりません。

モデル選びで確認する7項目

モデルの説明文より、使う作業で次の七つを確認すると比較しやすくなります。画像を含む依頼には視覚入力が必要ですが、画像を理解できても、適切なツールを正しい引数で呼べるとは限りません。

1. ツール呼び出し：利用するAPIで関数やツールを指定でき、対応する操作を選べるか。
2. 指示への忠実さ：宛先、保存先、禁止された操作など、依頼の条件を守れるか。
3. 待ち時間：モデルの返答だけでなく、端末操作と結果確認までにどれだけかかるか。
4. 文脈の維持：長い会話や複数ステップで、直前の結果と目的を取り違えないか。
5. 画像などの入力：画面や写真が必要な作業で、その入力を扱えるか。
6. 費用：入力・出力、追加ツール、再試行、モデルの提供環境を含めて続けられるか。
7. 失敗からの復旧：権限拒否、中断、画面変更の後に状態を説明し、安全に止まれるか。

利用地域やアカウントによってAPIが使えなければ、能力が合っていても候補にはできません。候補ごとに実際の提供条件を確かめてください。

費用と待ち時間の比べ方

APIの料金は、入力と出力のトークン数に加え、長い文脈、キャッシュ、推論設定、追加ツール、地域別の処理やサービス区分で変わります。GPT-6 Sol、Claude Opus 5.5、Gemini 3.8 Flash、Grok 4.7の公式ページで、利用時の単価と条件を確認してください。個人向けサービスの定額契約が、開発者向けAPIの利用枠になるとは限りません。

公開GUIモデルでも、重みを入手するだけで費用がなくなるわけではありません。モデルサーバー、端末との接続、画面取得、操作の実行環境に費用と管理の手間がかかります。待ち時間を比べる時は同じ端末と作業を使い、依頼から結果確認までの時間、再試行の回数、最終的に正しい状態になったかを記録すると判断に役立ちます。

FoneClawで選べるモデルの使い方

私たちのFoneClawでは、無料の標準モデルから始められます。互換性のあるオンラインモデルを自分で設定する方法と、対応する端末内モデルを取り込む方法もあります。モデルは依頼の理解と計画を担当し、FoneClawは許可されたAndroid操作を対応ツールで実行します。ツールごとの権限と承認が必要な場面では、その設定が操作の範囲を決めます。

外部モデルを設定する場合、名前がこの候補一覧にあるだけでは接続できません。APIの認証、通信方式、応答形式、ツール呼び出しと引数の形式が、設定する経路に合うか確かめます。AIモデルAPIをAndroidエージェントに接続する方法：FoneClawで安全に設定して試すでは、接続設定から低リスクな操作での確認までを説明しています。作業によってモデルを切り替える考え方は、スマホAIエージェントのモデルルーティング：Kimi、DeepSeek、GLMをAndroid操作で選ぶ基準が補足になります。

端末内でAndroidのツールを実行することと、モデルの推論が端末内で完結することも別です。オンラインモデルは通信先で処理され、端末内モデルには対応形式や実行環境の条件があります。利用できるモデル設定と対応ツールはFoneClawの機能ページで確認できます。導入時の選択肢はダウンロードページに案内しています。

標準モデルを変える前に試すこと

候補の確認は、個人情報を使わず、取り消しや修正がしやすい作業から始めます。同じAndroid端末、同じ権限設定、同じ依頼を使えば、モデルを変えた時の違いを見やすくなります。文章の流暢さだけで判断せず、実際に選んだツールと保存された結果まで確認してください。

一度成功した操作だけで標準モデルを置き換えると、失敗時の違いを見落とします。比較条件の作り方や記録項目は、Androidスマホエージェント ベンチマーク：2026年の評価指標と再現可能なテスト設計で詳しく確認できます。