どうもPdMの川合です。 前回の記事でGemini 4 ArgonとGPT 6.1 Solを中心に漫画のコマ分割を比較したばかりですが、11月に入ってからも新しいLLMが次々と登場しています。
今回は2026年11月期のベンチマークとして、新たにリリースされたGemini 4 Carbon、バージョンアップしたClaude Fable 5.2、そしてKimi K3.1を加えた計6モデル（GPT 6 Astra、GPT 6.1 Sol、Claude Fable 5.2、Gemini 4 Carbon、Gemini 4 Argon、Kimi K3.1）で、改めて漫画のコマ認識精度を比較検証しました。
前回からの変化点と、現時点で最も正しくコマを認識できるLLMがどれなのかを7枚のテスト結果とともに見ていきます。
まずは1枚目、基本的な矩形6コマのページです。この1枚目のみGPT 6 Astraを除く5モデルで比較しました。 前回は「最も高いモデルなのに目を持っていない」と書いたClaude Fableですが、5.1からClaude Fable 5.2になって視覚認識が劇的に改善しました。今回はちゃんと6つのコマを認識できています。ただ、1コマ目や4コマ目、5コマ目を見ると、本来の枠線の外側にあるページ端の余白まで枠が広がってしまう癖がまだ残っていました。 一方、前回フォールバックに採用したGemini 4 Argonは、左上の3コマ目（本来はただの長方形）の左上角を、なぜか斜めに切り欠いてしまっています。新しく登場したGemini 4 Carbonではこの謎の斜めカットが解消され、GPT 6.1 SolやKimi K3.1と並んで枠線どおりにきっちり矩形で切り抜けました。
続いて2枚目です。1ページ全体を使った大ゴマで、右側の「只今 留守にしております」というセリフがコマの枠線から外側へ大きくはみ出しています。 ここではClaude Fable 5.2だけが枠線どおりの単純な長方形で切ってしまい、はみ出た吹き出しの右側が切れています。それ以外のGPT 6 Astra、GPT 6.1 Sol、Gemini 4 Carbon、Gemini 4 Argon、そしてKimi K3.1の5モデルは、すべて吹き出しの輪郭に沿って外周を多角形できれいに切り抜けました。Kimi K3.1がここまで正確にはみ出しセリフを追従できているのは正直驚きです。
3枚目です。一見するとオーソドックスな6コマ割りですが、一番下の6コマ目の右上にある「まさか……」の吹き出しが、ほんのわずかだけ上の枠線から飛び出しています。 このわずかな飛び出しまで逃さず多角形で拾えたのが、GPT 6.1 Sol、Gemini 4 Carbon、Gemini 4 Argon、Kimi K3.1の4モデルです（GPT 6 AstraとClaude Fable 5.2は直線で切っています）。Claude Fable 5.2もここでは余白へ広がることなく、6つの矩形をきれいに分割できています。
さて、4枚目です。枠線のない全面1コマのページです。 ここでもモデルごとの性格がはっきり出ました。Gemini 4 CarbonとGemini 4 ArgonのGemini 4勢は、中央の人物の鉛筆タッチや文字の上端ギリギリで小さく囲ってしまい、「俺達は……」「不完全な人間なのか？」の一文字目の上端をかすめる窮屈な切り抜きになっています。 対してGPT 6 Astra、GPT 6.1 Sol、Claude Fable 5.2、Kimi K3.1の4モデルは、枠線のない全面1コマであることを正しく捉え、ページ全体の外枠で余裕をもって囲えています。
5枚目は、下段の5コマ目と6コマ目の境界線が斜めになっているページです。 前回は斜めどころか矩形でも崩れていたClaude Fableを含め、今回はなんと全6モデルすべてが斜めの境界線を正確に認識して切り抜きました。わずか1ヶ月足らずで、どのモデルも斜めカットを当たり前にこなせる水準まで底上げされています。
そして6枚目。今回の検証で最も差がつき、メインモデルの決定打となったページです。 中段の3コマ目（「昨日はありがとう」）と4コマ目（「もう帰るところ？」）は細い横長のコマが上下に並んでおり、それぞれの真ん中にある丸い吹き出しが上下の枠線から少しずつはみ出しています。 各モデルの結果を見比べると、対応の差がはっきりと分かれました。まずGPT 6 AstraとClaude Fable 5.2は、吹き出しのはみ出しを追わずに直線の矩形でカットしています。次にGemini 4 ArgonとKimi K3.1は、4コマ目の吹き出しの上端を拾おうとして、上の3コマ目の吹き出しの下端と境界線が接続してしまいました。前回の3枚目でもArgonで見られた「上のコマのセリフの境界線に繋がってしまう」現象がここでも出ています。 では新モデルのGemini 4 Carbonはどうかというと、Argonで起きた3コマ目と4コマ目の癒着こそ回避できたものの、今度は一番下の5コマ目と6コマ目の縦の境界線が左にズレてしまい、6コマ目の「ちょ……」という吹き出しの右半分が5コマ目側に食い込むミスが起きました。 この難所で、3コマ目・4コマ目の吹き出しのはみ出しを上下のコマと繋げずに独立して切り抜き、さらに下段の5コマ目・6コマ目の境界もピタリと正確に切れたのはGPT 6.1 Solだけです。
最後の7枚目です。一番下の5コマ目の右上にある「分かってたんだ あの人……」という四角いモノローグ枠が、4コマ目との間の余白へ少し飛び出しています。 こうした直線的な段差は各モデルとも得意なようで、全6モデルすべてが凸型の境界線を寸分違わず切り抜けています。
前回からの3つの変化と、今回もGPT 6.1 Solをメインにする理由
前回の検証から大きく変わった点は3つでした。
1つ目はClaude Fable 5.2の大幅な改善です。5.1ではほとんど機能していなかった視覚認識が別物のように良くなり、斜めコマ（5枚目）や四角い枠の飛び出し（7枚目）まで切れるようになりました。ただ、ページ端の余白まで枠が広がる現象（1枚目）や丸い吹き出しのはみ出しを直線で切る傾向（2・3・6枚目）があり、最上位にはまだ届きません。
2つ目はKimi K3.1の躍進です。大きく飛び出した吹き出し（2枚目）や枠なし全面コマ（4枚目）、斜めコマ（5枚目）まで上位モデルと遜色なくこなします。6枚目のように上下の吹き出しが接近する場面では境界線が繋がってしまうものの、非常に高い水準まで来ています。
3つ目はGemini 4 ArgonからGemini 4 Carbonへの改善と残る課題です。Argonで見られた「長方形の角を斜めに切り欠く誤認識（1枚目）」や「上下に並んだ吹き出しの癒着（6枚目中段）」はCarbonで解消されました。一方で、枠なし全面コマを窮屈に囲ってしまう癖（4枚目）や、6枚目下段での左右の境界ズレなど、局所的な取りこぼしが残っています。
これらすべてを踏まえると、全7枚のテストケースを一度も破綻せず最も正しく認識できたLLMは、現時点でも間違いなくGPT 6.1 Solです。とくに6枚目のような「細いコマが連続し、吹き出しが上下にはみ出す」複雑なレイアウトでも境界線が癒着せず正確に切り抜ける安定感は頭一つ抜けています。
そのため、STORYAIでは引き続き第1優先（メイン）をGPT 6.1 Solとし、フォールバック先にはArgonからさらに安定感の増したGemini 4系（Gemini 4 Carbon / Gemini 4 Argon）を据える構成で運用していきます。
※今回もテストで、佐藤秀峰先生のブラックジャックによろしくを利用させて頂きました。いつもありがとうございます！