GetInfoUs
Head-to-Head Model Comparison

Command A Plus vs Command A

Benchmarks, API Token Pricing, Context Window & Speed Comparison

GetInfoUs リサーチチーム監修最終確認日: October 2026編集方針
共有
Related topics (12)
AI CompareAI BenchmarkToken PricingModel CostModel SpecsSWE-bench CodingModel VersusWhich AI ModelLLM Speed & LatencyReasoning ModelsExtended ThinkingPrompt Caching ROI
Command A Plus vs Command A: Benchmarks, Pricing & Speed Comparison

CohereのCommand A PlusとCohereのCommand Aは、注目度の高い主要AIモデルです。Command A Plusは128K トークンのコンテキストウィンドウを備え、API料金は100万トークンあたり入力$3.00/出力$12.00、一方のCommand Aは256K トークンのコンテキストで入力$2.50/出力$10.00です。以下でベンチマーク、速度、コストを詳しく比較します。

徹底比較 (VS)

任意のAIモデルを切り替えて比較

Select any AI models from our verified benchmark database to generate live side-by-side matrices.

Profile
Profile
Multi-Model Arena Stack:
5-Model Matrix Workbench
Popular Matchups:
Cohere

Command A Plus

オープンウェイト基盤モデル

Cohere の Command A Plus は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。128K のコンテキストウィンドウ、毎秒 68 トークンの生成速度、知能指数 58/100（1Mトークンあたり入力$3・出力$12）を実現しています。

Intelligence Index58 / 100
Input Token:

$3.00 / 1M

Output Token:

$12.00 / 1M

Context Window:

128K tokens

SWE-bench Verified:

60.5%

Cohere

Command A

自律型エージェント・ツール特化

Cohere の Command A は、自律型AIエージェントの実行、ツール呼び出し（Tool Calling）、複雑な業務自動化向けに設計されたAIモデルです。256K のコンテキストウィンドウ、毎秒 70 トークンの生成速度、知能指数 51/100（1Mトークンあたり入力$2.5・出力$10）を実現しています。

Intelligence Index51 / 100
Input Token:

$2.50 / 1M

Output Token:

$10.00 / 1M

Context Window:

256K tokens

SWE-bench Verified:

46%

ひと目でわかる主な違い

  • Command A is 1.2x cheaper for API usage (input + output tokens combined).
  • Command A has a larger context window (256K vs 128K tokens).
  • Command A is faster at 70 tok/s vs 68 tok/s.
  • Command A Plus leads on SWE-bench coding (60.5% vs 46.0%).
Need definitions for token pricing, context, or benchmarks?Explore AI Glossary →
FeatureCommand A PlusCommand A
Intelligence Index
Composite reasoning & knowledge score (0-100)
5851
Provider
CohereCohere
Input Price
Cost per million input tokens
$3.00 / 1M$2.50 / 1M
Output Price
Cost per million output tokens
$12.00 / 1M$10.00 / 1M
Blended Price
Weighted 7:2:1 cache:input:output per 1M
$2.33 / 1M$2.02 / 1M
Context Window
Maximum input + output tokens
128K tokens~192 A4 pages of text256K tokens~384 A4 pages of text
Max Output Tokens
Per single request
33K16K
Throughput Speed
Tokens generated per second
68 tok/s70 tok/s
SWE-bench Verified
Real-world software engineering
60.5%46%
GPQA Diamond
Graduate-level reasoning
74%61%
Cached Input Price
Prompt caching discount per 1M tokens
$0.75 / 1M$0.75 / 1M

分野別勝者スコアカード

At-a-glance decision framework
Coding
Command A Plus
+14.5% SWE-bench lead
Cost
Command A
1.2x cheaper monthly runtime
Speed
Command A
+3% faster generation
Context
Command A
256K tokens window

検証済みベンチマークスコア比較

Official evaluation metrics verified by independent third-party research labs.

Command A PlusCommand A
SWE-bench Verified (Autonomous Coding)

Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.

60.5%vs46%
GPQA Diamond (Doctorate-Level Science & Math)

Challenging questions created by domain experts to test complex PhD-level reasoning.

74%vs61%
MMLU-Pro (Multi-task Language Understanding)

Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.

86.8%vs81%
LMSYS Chatbot Arena Elo

Crowdsourced human preference evaluation based on blind, head-to-head model battles.

1410ptsvs1335pts
Terminal-Bench (Agentic Coding & Terminal Use)

Autonomous multi-step tasks executed inside a real command-line terminal environment.

50%vs42%
AIME (Advanced Math Competition)

American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.

82.5%vsN/A
Long-Context Reasoning

Accuracy when reasoning over very large inputs that fill the model context window.

88%vs84%
Generation Speed (Throughput)

Tokens emitted per second during active generation streaming.

68 tok/s vs70 tok/s

レイテンシ＆応答時間

Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.

Time to First Token (TTFT)Lower is better
Command A Plus0.56s
Command A0.52s
Est. End-to-End Response (500 tokens)TTFT + generation time
Command A Plus7.91s
Command A7.66s

リアルタイムAPIトークン料金シミュレーター

Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.

100K / day
10K500K1M
30K / day
5K150K300K
50% cached
0% (Cold)50%90% (Warm)
Command A Plus Monthly API Bill
$16.43 / month
$3/1M in · $12/1M out
Command A Monthly API Bill
$13.88 / month
$2.5/1M in · $10/1M out
Command A saves approximately $2.55 / month (16%) under this workload.1.2x Savings

Command A Plus · Strengths & Key Advantages

  • 128K のコンテキストウィンドウと最大 33K トークンの出力容量（SWE-bench Verified 60.5% · GPQA Diamond 74%）
  • 毎秒 68 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 560ms の低遅延
  • オープンウェイトモデル (Confidential (~180B+ MoE))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
  • 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
  • 大量のトークンを処理する本番環境では、プロンプトキャッシュや Batch API の併用によるコスト最適化が推奨されます

Command A · Strengths & Key Advantages

  • 256K のコンテキストウィンドウと最大 16K トークンの出力容量（SWE-bench Verified 46% · GPQA Diamond 61%）
  • 毎秒 70 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 520ms の低遅延
  • オープンウェイトモデル (Confidential (~100B+))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
  • 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
  • 大量のトークンを処理する本番環境では、プロンプトキャッシュや Batch API の併用によるコスト最適化が推奨されます

Token Use & Task Economics

Estimated cost and token consumption to complete one representative agentic task.

MetricCommand A PlusCommand A
Cost per Task
Estimated USD to finish one task
$0.85$0.75
Output Tokens / Task
Tokens generated per task
45K38K
Reasoning Tokens / Task
Thinking tokens burned per task
22K0K

技術仕様・スペック

Architecture, release timeline, capabilities, and modalities.

FeatureCommand A PlusCommand A
Official API Model ID (SDK)command-a-pluscommand-a
API ProtocolOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGIOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
Release Date2026-052025-03
Knowledge CutoffMarch 2026January 2025
ArchitectureFlagship Multimodal Agentic MoEAgentic Enterprise Transformer
ParametersConfidential (~180B+ MoE)Confidential (~100B+)
Enterprise Rate Limits (RPM / TPM)Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed CloudUnlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
Long-Context Tier (>128K/200K)Flat rate ($3/1M in) across full 128K windowFlat rate ($2.5/1M in) across full 256K window
Prompt Cache Policy & TTLCached input at $0.75/1M tokensCached input at $0.75/1M tokens
Computer Use / GUI AgentAPI / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
MCP & Parallel Tool CallingNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON SchemaNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
Web Search Grounding & SandboxSupported via external Tavily/Exa Search & E2B/Docker Sandbox toolsSupported via external Tavily/Exa Search & E2B/Docker Sandbox tools
Official Fine-Tuning SupportFull Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
Multimodal Token BillingText BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)Text BPE (~4 chars/token)
Quantization & Min GPU VRAMBF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 112 GB VRAM (4-bit Quantized) · 387 GB VRAM (Native BF16)BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 62 GB VRAM (4-bit Quantized) · 215 GB VRAM (Native BF16)
Safety & Frontier ClassificationOpen-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
Enterprise Compliance (ZDR/HIPAA/SOC2)100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Input Modalitiestext, visiontext
Output Modalitiestexttext

Command A Plus vs Command A: よくある質問 (FAQ)

Which is more intelligent, Command A Plus or Command A?

Command A Plus is more intelligent. It scores 58 compared with 51 on the composite Intelligence Index.

Which model is faster?

Command A is faster, generating 70 tokens per second compared with 68 tokens per second.

Which model is cheaper to run?

Command A is cheaper at $2.02 per 1M tokens blended, compared with $2.33 (7:2:1 cache:input:output ratio).

Which model has lower latency?

Command A has lower latency, with a time to first token of 0.52s compared with 0.56s.

Which model has a larger context window?

Command A has a larger context window, supporting 256K tokens compared with 128K tokens.

総合評価

Command A Plus（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）とCommand A（自律型AIエージェントの実行、ツール呼び出し（Tool Calling）、複雑な業務自動化、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）はいずれも優れた選択肢です。高度な推論・コーディング精度ではCommand A Plusがリードし、応答速度とスループットではCommand Aが優れ、APIコスト効率ではCommand Aが有利です。

よくある質問 (FAQ)

コーディングや複雑な推論には Command A Plus と Command A のどちらが適していますか？+

総合知能指数およびコーディング評価では Command A Plus が優位です。上部の SWE-bench や GPQA スコアもあわせてご確認ください。

Command A Plus と Command A ではどちらのAPI料金が安いですか？+

Command A Plus は100万トークンあたり入力$3.00 / 出力$12.00、Command A は入力$2.50 / 出力$10.00です。総合的なコスト効率では Command A がより経済的です。

コンテキスト長と生成速度はどちらが優れていますか？+

コンテキストウィンドウは Command A Plus が 128K トークン、Command A が 256K トークン です。出力スピード（トークン/秒）では Command A がリードしています。

AI Terminology & Guide
Explore Glossary →

Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.

Tokens & PricingContext WindowAI BenchmarksReasoning ModelsTool CallingModel Context Protocol (MCP)

Related reading

Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.

公的ソース: CohereおよびCohere公式APIドキュメント、システムカード、独立ベンチマーク評価 (2026)。