Gemini 3.7 Flash vs GPT-5.3-Codex
詳しいプロフィール:Gemini 3.7 Flash(Google)とGPT-5.3-Codex(OpenAI)。すべてのベンチマーク、価格、順位を掲載しています。
更新 · 10件の情報源のデータ
2026年11月16日時点で、Gemini 3.7 FlashとGPT-5.3-Codexの品質は互角です(BenchLeader Indexで62.1 対 62.9、±7.8の誤差範囲内)。価格はGemini 3.7 Flashの方が3.2倍安く、100万トークンあたりのブレンド価格で$1.50 対 $4.81です。マルチモーダル(67 対 61)、コーディング(62 対 61)を重視するならGemini 3.7 Flash、エージェント・ツール(80 対 49)を重視するならGPT-5.3-Codexが向いています。回答開始までの時間はGemini 3.7 Flashの方が短く、2.2秒 対 38.2秒です。
要点(2026年11月16日時点)
- BenchLeader IndexはGemini 3.7 Flashが62.1、GPT-5.3-Codexが62.9です(BenchLeader、2026年11月16日)。
- Gemini 3.7 Flashの100万トークンあたりのブレンド価格は$1.50です(定価、2026年11月16日)。
- GPT-5.3-Codexの100万トークンあたりのブレンド価格は$4.81です(定価、2026年11月16日)。
- 両モデルに結果がある12件のベンチマークのうち、Gemini 3.7 Flashが9件でリードしています(BenchLeader、2026年11月16日)。
用途別のおすすめ
おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。
| 用途 | おすすめ | 理由 | 信頼度 |
|---|---|---|---|
| コーディング | Gemini 3.7 Flash | カテゴリスコア62 対 61;LiveCodeBench 88.7% 対 87.3% | 中 |
| エージェント・ツール利用 | GPT-5.3-Codex | カテゴリスコア80 対 49;AA-Briefcase v1.1 868 対 1115 | 高 |
| 長い文書 | どちらでも | カテゴリスコア66 対 66;AA-LCR v1.1 81.7% 対 83.3% | どちらでも |
| 画像などのメディア | Gemini 3.7 Flash | カテゴリスコア67 対 61;MMMU-Pro 85.5% 対 78.5% | 中 |
| チャットの質(人間の評価) | – | Arenaの評価があるのはGemini 3.7 Flashのみです(カテゴリスコア68) | 比較不可 |
| 最低コスト | Gemini 3.7 Flash | 100万トークンあたりブレンド価格$1.50 対 $4.81;エージェント型コーディングセッション$0.060 対 $0.161 | – |
| 回答開始の速さ | Gemini 3.7 Flash | 最初の回答トークンまで2.2秒(Gemini 3.7 Flash (high))対 38.2秒(GPT-5.3-Codex (xhigh)) | – |
| 低予算での大量処理 | フラッグシップ以外 | 小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM | – |
主な違い
- Gemini 3.7 Flash (high)とGPT-5.3-Codex (xhigh)の品質は互角です(62.1 対 62.9、±7.8の誤差範囲内)。
- Gemini 3.7 Flash (high)はコーディング、マルチモーダルで優れています。
- GPT-5.3-Codex (xhigh)はエージェント・ツール、長文コンテキストで優れています。
- Gemini 3.7 Flash (high)の方が3.2倍安くなっています(100万トークンあたりブレンド価格$1.50 対 $4.81)。
概要
| 仕様 | Gemini 3.7 Flash | GPT-5.3-Codex |
|---|---|---|
| プロバイダー | OpenAI | |
| リリース日 | 2026年8月13日 | 2026年2月5日 |
| コンテキストウィンドウ(トークン) | 1,048,576 | 400,000 |
| 比較した構成 | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) |
| オープンウェイト | なし | なし |
| 100万トークンあたりの価格(入力/出力/キャッシュ入力) | $0.750 / $3.75 / $0.075 | $1.75 / $14.00 / $0.175 |
カテゴリ別の比較
カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。
| カテゴリ | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) | トップ |
|---|---|---|---|
| 推論 | 67.8 | – | 比較不可 |
| コーディング | 62.3 | 61.0 | Gemini 3.7 Flash |
| エージェント・ツール | 48.9 | 80.1 | GPT-5.3-Codex |
| 数学 | 62.6 | – | 比較不可 |
| 知識 | 65.9 | – | 比較不可 |
| 指示追従 | – | 73.6 | 比較不可 |
| 人間の評価 | 68.1 | – | 比較不可 |
| マルチモーダル | 67.2 | 60.8 | Gemini 3.7 Flash |
| 長文コンテキスト | 65.5 | 66.4 | 互角 |
1つのグラフで比較
各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。
描画していないもの(測定済みのモデルが2つ未満):推論, 数学, 知識, 指示追従, 人間の評価。
情報源で評価が分かれる点
両方に結果がある12件のベンチマークのうち、Gemini 3.7 Flashのリードが9件、GPT-5.3-Codexのリードが3件です。
| 総合Index | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) | トップ |
|---|---|---|---|
| BenchLeader Index | 62.1 | 62.9 | 互角 |
公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。
価格・速度・レイテンシ
定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。
| 指標 | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) |
|---|---|---|
| 100万トークンあたりのブレンド価格 | $1.50 | $4.81 |
| 100万トークンあたりの入力/出力 | $0.750 / $3.75 | $1.75 / $14.00 |
| 100万トークンあたりのキャッシュ入力 | $0.075 | $0.175 |
| タスクあたりの価格:チャットの返答 | $0.0014 | $0.0049 |
| タスクあたりの価格:30ページのレポートを要約 | $0.011 | $0.029 |
| タスクあたりの価格:コード編集 | $0.010 | $0.032 |
| タスクあたりの価格:エージェント型コーディングセッション | $0.060 | $0.161 |
| タスクあたりの価格:構造化データの抽出 | $0.0023 | $0.0063 |
| エージェント型コーディングセッション(入力の大半がキャッシュ) | $0.030 | $0.090 |
| 出力速度 | 95 tok/s | 94 tok/s |
| 回答開始までの時間 | 2.2秒 | 38.2秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | – | 97.1秒 |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。Gemini 3.7 Flash (high)のスコアは62.1、最初の回答トークンまで2秒。Gemini 3.7 Flash (medium)は60.1(2秒)、Gemini 3.7 Flash (low)は57.3(2秒)。GPT-5.3-Codex (xhigh)のスコアは62.9、最初の回答トークンまで38秒。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
104件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.1 | 62.9 |
| エージェント・ツールスコア | BenchLeader | 48.9 | 80.1 |
| コーディングスコア | BenchLeader | 62.3 | 61.0 |
| 人間の評価スコア | BenchLeader | 68.1 | – |
| 知識スコア | BenchLeader | 65.9 | – |
| 長文コンテキストスコア | BenchLeader | 65.5 | 66.4 |
| 数学スコア | BenchLeader | 62.6 | – |
| マルチモーダルスコア | BenchLeader | 67.2 | 60.8 |
| 推論スコア | BenchLeader | 67.8 | – |
| 指示追従スコア | BenchLeader | – | 73.6 |
| ブレンド価格($/100万トークン) | BenchLeader | $1.50 | $4.81 |
| 出力速度 | BenchLeader | 95 tok/s | 94 tok/s |
| 回答開始までの時間 | BenchLeader | 2.2秒 | 38.2秒 |
| コンテキストウィンドウ | BenchLeader | 1,048,576トークン | 400,000トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 94.8% | – |
| Arena Hard Prompts | Arena (LMArena) | 1510 | – |
| LiveBench 1.0 Reasoning | LiveBench | 87.8% | – |
| GPQA Diamond (AA) | Artificial Analysis | 94.5% | 91.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | 47.9% | 42.5% |
| GPQA Diamond (Vals) | Vals AI | 93.9% | – |
| ARC-AGI-1 | ARC Prize | 95.5% | – |
| ARC-AGI-2 | ARC Prize | 84.6% | – |
| CritPt | Artificial Analysis | 14.3% | 16.9% |
| Arena Expert | Arena (LMArena) | 1519 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 66.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 37.0% | – |
| LMCA | Epoch AI Benchmarking Hub | 50.4% | – |
| DTBench | Epoch AI Benchmarking Hub | 96.8% | – |
| ForecastBench | ForecastBench | 66.2% | – |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | – | 74.8%† |
| SciCode | SciCode | 57.2% | – |
| WeirdML | WeirdML | – | 77.9% |
| FrontierCode | Cognition | 43.6%† | – |
| Arena Coding | Arena (LMArena) | 1520 | – |
| Arena WebDev | Arena (LMArena) | 1588 | 1406† |
| LiveBench 1.0 Coding | LiveBench | 78.9% | – |
| LiveCodeBench | Vals AI | 88.7% | 87.3% |
| IOI | Vals AI | 67.8% | 53.8% |
| SWE-bench (Vals) | Vals AI | 80.8% | 78.0% |
104件のベンチマークをすべて表示
| 指標 | 公開元 | Gemini 3.7 Flash (high) | GPT-5.3-Codex (xhigh) |
|---|---|---|---|
| コーディング | |||
| Code Migration | Vals AI | 34.8% | – |
| ProgramBench | Vals AI | 0.0% | – |
| Vibe Code Bench v1.1 | Vals AI | 70.4% | 61.8% |
| MirrorCode | Epoch AI Benchmarking Hub | 41.1% | – |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 65.3% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 904.3 | 1655.2 |
| FrontierSWE | Epoch AI Benchmarking Hub | 20.3% | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 13.6% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 85.8% | – |
| Design Arena Website | Design Arena | 1295† | 1155† |
| エージェント・ツール | |||
| Terminal-Bench | Terminal-Bench | 12.4% | 78.4%† |
| Remote Labor Index | Scale AI / CAIS | 5.0%† | – |
| APEX-Agents | Mercor | 67.8%† | – |
| Arena Agent | Arena (LMArena) | -2.2 | – |
| LiveBench Agentic Coding | LiveBench | 58.3% | – |
| Terminal-Bench Hard | Artificial Analysis | – | 53.0% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 86.0% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 77.5% | – |
| HiL-Bench | Scale AI SEAL | – | 4.3%† |
| GDPval-AA v2.1 | Artificial Analysis | 1404 | – |
| τ³-Banking (AA) | Artificial Analysis | 32.8% | – |
| Analyst Agent (AA) | Artificial Analysis | 60.0% | – |
| CyberBench | Vals AI | 43.8% | – |
| Finance Agent v2 | Vals AI | 59.0% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 8.8% | – |
| Legal Research Bench | Vals AI | 34.6% | – |
| SkillsBench | Vals AI | 65.9% | – |
| SREBench | Vals AI | 4.6% | – |
| Tax Agent Bench | Vals AI | 22.8% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 64.0%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 12.1% | – |
| Terminal-Bench Science | Vals AI | 7.1% | – |
| Arena Agent Task Completion | Arena (LMArena) | -3.5 | – |
| METR Time Horizons | METR | – | 74.5%† |
| Vending-Bench 2 | Andon Labs | – | 5940.1† |
| AutomationBench | Artificial Analysis | 62.0% | – |
| GDP.pdf (AA) | Artificial Analysis | 23.6% | – |
| EnterpriseOps-Gym | Artificial Analysis | 50.4%† | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1115 | 868 |
| Design Arena Agentic | Design Arena | 1222† | 1018† |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 71.6% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 36.6% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 97.2% | – |
| ProofBench | Vals AI | 58.0%† | – |
| LiveBench Mathematics | LiveBench | 93.5% | – |
| Arena Maths | Arena (LMArena) | 1502 | – |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 69.2% | – |
| LiveBench 1.0 Data Analysis | LiveBench | 68.0% | – |
| MMLU-Pro | Vals AI | 90.1% | – |
| LegalBench | Vals AI | 87.3% | – |
| TaxEval | Vals AI | 74.7% | – |
| Excel Modeling Benchmark | Vals AI | 71.3% | – |
| MedCode | Vals AI | 53.4% | – |
| MedScribe | Vals AI | 83.9% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 23.8% | – |
| 指示追従 | |||
| LiveBench Language | LiveBench | 85.5% | – |
| LiveBench Instruction Following | LiveBench | 79.9% | – |
| IFBench | Artificial Analysis | – | 75.4% |
| Arena Instruction Following | Arena (LMArena) | 1486 | – |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1489 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1720† | – |
| Arena Creative Writing | Arena (LMArena) | 1487 | – |
| Arena Multi-turn | Arena (LMArena) | 1490 | – |
| Arena Longer Queries | Arena (LMArena) | 1501 | – |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1313 | – |
| MMMU-Pro | Artificial Analysis | 85.5% | 78.5% |
| MMMU-Pro (Vals) | Vals AI | 89.0% | – |
| MortgageTax | Vals AI | 66.7% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 39.8% | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 26.7% | – |
| 長文コンテキスト | |||
| AA-LCR v1.1 | Artificial Analysis | 81.7% | 83.3% |
| Arena Document | Arena (LMArena) | 1468 | – |
| MLCR | Artificial Analysis | 12.2% | – |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 158.4† | – |
| LiveBench 1.0 | LiveBench | 78.8% | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 39.1 | 32.5 |
| AA Progress Index v1 | Artificial Analysis | 317.4 | 301.3 |
| Vals RSI Index | Vals AI | 18.3% | – |
| 安全性・誠実さ | |||
| DistressBench | Scale AI SEAL | 69.0%† | – |
データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。
最近の変化
- Gemini 3.7 Flash (high):新しい結果2件(GDPval-AA v2.1, AA-Briefcase v1.1)。
- Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
- Gemini 3.7 Flash (high):スコアの改訂1件。
- Gemini 3.7 Flash (high):新しい結果1件(Arena Document)。
- Gemini 3.7 Flash (high):新しい結果1件(MirrorCode)。
- GPT-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
- Gemini 3.7 Flash (high):新しい結果1件(AA Progress Index v1)。
- GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
- Gemini 3.7 Flash (high):新しい結果2件(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
- Gemini 3.7 Flash (high):入力価格 $0.38/M → $0.75/M、出力価格 $1.88/M → $3.75/M。
関連する比較
- Gemini 3.7 Flash vs Claude Fable 5.2
- Gemini 3.7 Flash vs Gemini 4 Carbon
- Gemini 3.7 Flash vs Claude Opus 5.5
- GPT-5.3-Codex vs Claude Fable 5.2
- GPT-5.3-Codex vs Gemini 4 Carbon
- GPT-5.3-Codex vs Claude Opus 5.5
- GPT-5.3-Codex vs GPT-6 Astra
- Gemini 3.7 Flash vs Claude Fable 5.1
ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM
Gemini 3.7 Flash vs GPT-5.3-Codex:よくある質問
- Gemini 3.7 FlashはGPT-5.3-Codexより優れていますか?
- Gemini 3.7 Flash (high)とGPT-5.3-Codex (xhigh)の品質は互角です(62.1 対 62.9、±7.8の誤差範囲内)。BenchLeader Indexは第三者による品質ベンチマークをすべて統合した指標です。2026年11月16日時点では両者の差は誤差範囲内なので、用途に合わせてカテゴリ別のスコアを確認してください。
- Gemini 3.7 FlashとGPT-5.3-Codexはどちらが安いですか?今後変わる予定はありますか?
- 現在はGemini 3.7 Flashの方が安く、100万トークンあたり$1.50 対 $4.81です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
- コーディングにはGemini 3.7 FlashとGPT-5.3-Codexのどちらが向いていますか?
- コーディングではGemini 3.7 Flashの方がスコアが高くなっています(カテゴリ指標で62 対 61。50が平均)。共通するコーディングベンチマークのうち最も重要なLiveCodeBenchでは、Gemini 3.7 Flashが88.7%、GPT-5.3-Codexが87.3%です。
- Gemini 3.7 FlashとGPT-5.3-Codexはどちらが速いですか?
- Gemini 3.7 Flashの方が出力が速くなっています(出力95 対 94トークン/秒、Artificial Analysisの7日間の中央値)。
- エージェントやツール利用にはGemini 3.7 FlashとGPT-5.3-Codexのどちらが向いていますか?
- エージェント型のタスクではGPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で80 対 49。50が平均)。
ほかの質問(4件)
- 長い文書にはどちらが向いていますか?
- 長文コンテキストのベンチマークでは互角です(66 対 66)。コンテキストはGemini 3.7 Flashの方が長く、1,048,576トークンです(GPT-5.3-Codexは400,000トークン)。
- レイテンシが低いのはどちらですか?
- 先に回答を始めるのはGemini 3.7 Flashです。Artificial Analysisの測定では、最初の回答トークンまで2.2秒 対 38.2秒です。この差の大部分は推論エフォートによるもので、設定が高いほど回答前に長く考えます。
- Gemini 3.7 FlashとGPT-5.3-Codexについて、第三者ベンチマークの評価は一致していますか?
- 両方に結果がある12件のベンチマークのうち、Gemini 3.7 Flashのリードが9件、GPT-5.3-Codexのリードが3件です。
- Gemini 3.7 Flashはいつリリースされましたか?
- Gemini 3.7 Flashは2026年8月13日にリリースされました。