BenchLeader

GPT-5.3-Codex vs GPT-5.4

詳しいプロフィール:GPT-5.3-Codex(OpenAI)とGPT-5.4(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 · 11件の情報源のデータ

2026年11月16日時点で、GPT-5.3-CodexとGPT-5.4の品質は互角です(BenchLeader Indexで62.9 対 63.1、±7.5の誤差範囲内)。価格はGPT-5.3-Codexの方が1.2倍安く、100万トークンあたりのブレンド価格で$4.81 対 $5.63です。エージェント・ツール(80 対 63)、指示追従(74 対 72)を重視するならGPT-5.3-Codex、コーディング(65 対 61)を重視するならGPT-5.4が向いています。回答開始までの時間はGPT-5.3-Codexの方が短く、38.2秒 対 144.9秒です。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.3-Codexが62.9、GPT-5.4が63.1です(BenchLeader、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)。
  • GPT-5.4の100万トークンあたりのブレンド価格は$5.63です(定価、2026年11月16日)。
  • 両モデルに結果がある13件のベンチマークのうち、GPT-5.4が8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GPT-5.4カテゴリスコア65 対 61;LiveCodeBench 84.1% 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 63;Terminal-Bench Hard 53.0% 対 57.6%高
長い文書どちらでもカテゴリスコア66 対 66;AA-LCR v1.1 83.3% 対 82.0%どちらでも
画像などのメディアどちらでもカテゴリスコア61 対 61;MMMU-Pro 78.5% 対 78.4%どちらでも
指示への追従GPT-5.3-Codexカテゴリスコア74 対 72;IFBench 75.4% 対 74.0%中
最低コストGPT-5.3-Codex100万トークンあたりブレンド価格$4.81 対 $5.63;エージェント型コーディングセッション$0.161 対 $0.210–
回答開始の速さGPT-5.3-Codex最初の回答トークンまで38.2秒(GPT-5.3-Codex (xhigh))対 144.9秒(GPT-5.4 (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

  • GPT-5.3-Codex (xhigh)とGPT-5.4 (xhigh)の品質は互角です(62.9 対 63.1、±7.5の誤差範囲内)。
  • GPT-5.3-Codex (xhigh)はエージェント・ツール、指示追従、長文コンテキストで優れています。
  • GPT-5.4 (xhigh)はコーディングで優れています。
  • GPT-5.3-Codex (xhigh)の方が1.2倍安くなっています(100万トークンあたりブレンド価格$4.81 対 $5.63)。
  • GPT-5.3-Codex (xhigh)の方が出力が1.3倍速くなっています(94 対 73トークン/秒)。

概要

仕様GPT-5.3-CodexGPT-5.4
プロバイダーOpenAIOpenAI
リリース日2026年2月5日2026年3月5日
コンテキストウィンドウ(トークン)400,0001,050,000
比較した構成GPT-5.3-Codex (xhigh)GPT-5.4 (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)$1.75 / $14.00 / $0.175$2.50 / $15.00 / $0.250

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GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)トップ
推論–65.7比較不可
コーディング61.064.7GPT-5.4
エージェント・ツール80.163.0GPT-5.3-Codex
数学–64.8比較不可
知識–58.6比較不可
指示追従73.672.4GPT-5.3-Codex
マルチモーダル60.860.8互角
長文コンテキスト66.465.7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。

2550 avg75コーディングエージェント・ツール指示追従長文コンテキストマルチモーダルGPT-5.3-Codex, コーディング: 61.0GPT-5.3-Codex, エージェント・ツール: 80.1GPT-5.3-Codex, 指示追従: 73.6GPT-5.3-Codex, 長文コンテキスト: 66.4GPT-5.3-Codex, マルチモーダル: 60.8GPT-5.4, コーディング: 64.7GPT-5.4, エージェント・ツール: 63.0GPT-5.4, 指示追従: 72.4GPT-5.4, 長文コンテキスト: 65.7GPT-5.4, マルチモーダル: 60.8

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, 人間の評価。

モデル(クリックで追加・削除)Index

情報源で評価が分かれる点

両方に結果がある13件のベンチマークのうち、GPT-5.3-Codexのリードが5件、GPT-5.4のリードが8件です。

総合IndexGPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)トップ
BenchLeader Index62.963.1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GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
100万トークンあたりのブレンド価格$4.81$5.63
100万トークンあたりの入力/出力$1.75 / $14.00$2.50 / $15.00
100万トークンあたりのキャッシュ入力$0.175$0.250
タスクあたりの価格:チャットの返答$0.0049$0.0055
タスクあたりの価格:30ページのレポートを要約$0.029$0.039
タスクあたりの価格:コード編集$0.032$0.037
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$0.161$0.210
タスクあたりの価格:構造化データの抽出$0.0063$0.0080
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)$0.090$0.109
出力速度94 tok/s73 tok/s
回答開始までの時間38.2秒144.9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193.1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。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。GPT-5.4 (xhigh)のスコアは63.1、最初の回答トークンまで145秒。GPT-5.4 (low)は58.8(3秒)、GPT-5.4 (high)は58.6(2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

120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GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader62.963.1
エージェント・ツールスコアBenchLeader80.163.0
コーディングスコアBenchLeader61.064.7
指示追従スコアBenchLeader73.672.4
長文コンテキストスコアBenchLeader66.465.7
マルチモーダルスコアBenchLeader60.860.8
知識スコアBenchLeader–58.6
数学スコアBenchLeader–64.8
推論スコアBenchLeader–65.7
ブレンド価格($/100万トークン)BenchLeader$4.81$5.63
出力速度BenchLeader94 tok/s73 tok/s
回答開始までの時間BenchLeader38.2秒144.9秒
コンテキストウィンドウBenchLeader400,000トークン1,050,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub–93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
Arena Hard PromptsArena (LMArena)–1487†
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis91.5%92.0%
Humanity's Last Exam (AA)Artificial Analysis42.5%43.7%
GPQA Diamond (Vals)Vals AI–91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize–93.7%
ARC-AGI-2ARC Prize–74.0%
ARC-AGI-3ARC Prize–0.2%†
CritPtArtificial Analysis16.9%23.4%
Arena ExpertArena (LMArena)–1491†
Chess PuzzlesEpoch AI Benchmarking Hub–48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub–52.0%
DTBenchEpoch AI Benchmarking Hub–94.4%
ForecastBenchForecastBench–63.0%†
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†76.9%†
SciCodeSciCode–56.6%
WeirdMLWeirdML77.9%77.7%
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)–1511†
120件のベンチマークをすべて表示
指標公開元GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
コーディング
Arena WebDevArena (LMArena)1406†1400†
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI87.3%84.1%
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI61.8%67.4%
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
ALE-BenchEpoch AI Benchmarking Hub1655.21607†
AlgoTuneAlgoTune–1.9†
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1155†1190†
エージェント・ツール
Terminal-BenchTerminal-Bench78.4%†81.8%†
APEX-AgentsMercor–52.4%†
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis53.0%57.6%
τ²-Bench Telecom (AA)Artificial Analysis86.0%87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL4.3%†9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis–1256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
SkillsBenchVals AI–51.7%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†58.4%†
Arena SearchArena (LMArena)–1196†
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR74.5%†74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs5940.1†6144.2†
AA-Briefcase v1.1Artificial Analysis868–
Design Arena AgenticDesign Arena1018†1042†
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub–95.3%
ProofBenchVals AI–56.0%
LiveBench MathematicsLiveBench–94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
Arena MathsArena (LMArena)–1459†
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–45.1%
LiveBench 1.0 Data AnalysisLiveBench–79.3%
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL–44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
MedCodeVals AI–41.3%
MedScribeVals AI–77.5%
EBR-benchEpoch AI Benchmarking Hub–25.4%
指示追従
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis75.4%74.0%
Arena Instruction FollowingArena (LMArena)–1460†
人間の評価
Arena TextArena (LMArena)–1465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)–1433†
Arena Multi-turnArena (LMArena)–1480†
Arena Longer QueriesArena (LMArena)–1477†
マルチモーダル
Arena VisionArena (LMArena)–1292†
MMMU-ProArtificial Analysis78.5%78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–37.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis83.3%82.0%
Arena DocumentArena (LMArena)–1471†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–157.8†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis32.539.0
AA Progress Index v1Artificial Analysis301.3311.6
Vals RSI IndexVals AI–15.5%
安全性・誠実さ
MASKScale AI SEAL–89.7%†

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。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

最近の変化

  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
  • GPT-5.4 (xhigh):新しい結果1件(AA Progress Index v1)。
  • GPT-5.4 (xhigh):新しい結果2件(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.4 (xhigh):新しい結果2件(USAMO 2026, τ³-bench Banking)。

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

GPT-5.3-Codex vs GPT-5.4:よくある質問

GPT-5.3-CodexはGPT-5.4より優れていますか?
GPT-5.3-Codex (xhigh)とGPT-5.4 (xhigh)の品質は互角です(62.9 対 63.1、±7.5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。
GPT-5.3-CodexとGPT-5.4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GPT-5.3-Codexの方が安く、100万トークンあたり$4.81 対 $5.63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GPT-5.3-CodexとGPT-5.4のどちらが向いていますか?
コーディングではGPT-5.4の方がスコアが高くなっています(カテゴリ指標で65 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、GPT-5.3-Codexが87.3%、GPT-5.4が84.1%です。
GPT-5.3-CodexとGPT-5.4はどちらが速いですか?
GPT-5.3-Codexの方が出力が速くなっています(出力94 対 73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GPT-5.3-CodexとGPT-5.4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 63。50が平均)。共通するエージェント・ツールベンチマークのうち最も重要なTerminal-Bench Hardでは、GPT-5.3-Codexが53.0%、GPT-5.4が57.6%です。
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GPT-5.4の方が長く、1,050,000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GPT-5.3-Codexです。Artificial Analysisの測定では、最初の回答トークンまで38.2秒 対 144.9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。
GPT-5.3-CodexとGPT-5.4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13件のベンチマークのうち、GPT-5.3-Codexのリードが5件、GPT-5.4のリードが8件です。
GPT-5.4はいつリリースされましたか?
GPT-5.4は2026年3月5日にリリースされました。