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-Codex | 100万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-Codex | GPT-5.4 |
|---|---|---|
| プロバイダー | OpenAI | OpenAI |
| 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) | 400,000 | 1,050,000 |
| 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 | 61.0 | 64.7 | GPT-5.4 |
| エージェント・ツール | 80.1 | 63.0 | GPT-5.3-Codex |
| 数学 | – | 64.8 | 比較不可 |
| 知識 | – | 58.6 | 比較不可 |
| 指示追従 | 73.6 | 72.4 | GPT-5.3-Codex |
| マルチモーダル | 60.8 | 60.8 | 互角 |
| 長文コンテキスト | 66.4 | 65.7 | 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。
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。
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Index | GPT-5.3-Codex (xhigh) | GPT-5.4 (xhigh) | トップ |
|---|---|---|---|
| BenchLeader Index | 62.9 | 63.1 | 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 | $0.109 |
| 出力速度 | 94 tok/s | 73 tok/s |
| 回答開始までの時間 | 38.2秒 | 144.9秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 97.1秒 | 193.1秒 |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.3-Codex (xhigh)のスコアは62.9、最初の回答トークンまで38秒。GPT-5.4 (xhigh)のスコアは63.1、最初の回答トークンまで145秒。GPT-5.4 (low)は58.8(3秒)、GPT-5.4 (high)は58.6(2秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
120件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | GPT-5.3-Codex (xhigh) | GPT-5.4 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.9 | 63.1 |
| エージェント・ツールスコア | BenchLeader | 80.1 | 63.0 |
| コーディングスコア | BenchLeader | 61.0 | 64.7 |
| 指示追従スコア | BenchLeader | 73.6 | 72.4 |
| 長文コンテキストスコア | BenchLeader | 66.4 | 65.7 |
| マルチモーダルスコア | BenchLeader | 60.8 | 60.8 |
| 知識スコア | BenchLeader | – | 58.6 |
| 数学スコア | BenchLeader | – | 64.8 |
| 推論スコア | BenchLeader | – | 65.7 |
| ブレンド価格($/100万トークン) | BenchLeader | $4.81 | $5.63 |
| 出力速度 | BenchLeader | 94 tok/s | 73 tok/s |
| 回答開始までの時間 | BenchLeader | 38.2秒 | 144.9秒 |
| コンテキストウィンドウ | BenchLeader | 400,000トークン | 1,050,000トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | – | 93.3% |
| Humanity's Last Exam | Scale AI / CAIS | – | 36.2% |
| Arena Hard Prompts | Arena (LMArena) | – | 1487† |
| LiveBench 1.0 Reasoning | LiveBench | – | 88.1% |
| GPQA Diamond (AA) | Artificial Analysis | 91.5% | 92.0% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.5% | 43.7% |
| GPQA Diamond (Vals) | Vals AI | – | 91.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 63.8%† |
| ARC-AGI-1 | ARC Prize | – | 93.7% |
| ARC-AGI-2 | ARC Prize | – | 74.0% |
| ARC-AGI-3 | ARC Prize | – | 0.2%† |
| CritPt | Artificial Analysis | 16.9% | 23.4% |
| Arena Expert | Arena (LMArena) | – | 1491† |
| Chess Puzzles | Epoch AI Benchmarking Hub | – | 48.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 37.0% |
| CL-bench | Epoch AI Benchmarking Hub | – | 27.9% |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 21.7% |
| LMCA | Epoch AI Benchmarking Hub | – | 52.0% |
| DTBench | Epoch AI Benchmarking Hub | – | 94.4% |
| ForecastBench | ForecastBench | – | 63.0%† |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 74.8%† | 76.9%† |
| SciCode | SciCode | – | 56.6% |
| WeirdML | WeirdML | 77.9% | 77.7% |
| GSO-Bench | GSO-Bench | – | 31.4% |
| Arena Coding | Arena (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 WebDev | Arena (LMArena) | 1406† | 1400† |
| LiveBench 1.0 Coding | LiveBench | – | 77.5% |
| LiveCodeBench | Vals AI | 87.3% | 84.1% |
| IOI | Vals AI | 53.8% | – |
| SWE-bench (Vals) | Vals AI | 78.0% | 78.2% |
| SWE-Bench Pro | Scale AI SEAL | – | 59.1% |
| Code Migration | Vals AI | – | 35.0% |
| ProgramBench | Vals AI | – | 0.0% |
| Vibe Code Bench v1.1 | Vals AI | 61.8% | 67.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 43.4% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 40.8% |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | – | 44.3% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 44.4% |
| MirrorCode | Epoch AI Benchmarking Hub | – | 23.3% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 51.8% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1655.2 | 1607† |
| AlgoTune | AlgoTune | – | 1.9† |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 78.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 53.4† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 62.1 |
| Design Arena Website | Design Arena | 1155† | 1190† |
| エージェント・ツール | |||
| Terminal-Bench | Terminal-Bench | 78.4%† | 81.8%† |
| APEX-Agents | Mercor | – | 52.4%† |
| LiveBench Agentic Coding | LiveBench | – | 53.8% |
| Terminal-Bench Hard | Artificial Analysis | 53.0% | 57.6% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 86.0% | 87.1% |
| MCP Atlas | Scale AI SEAL | – | 70.6% |
| HiL-Bench | Scale AI SEAL | 4.3%† | 9.7%† |
| τ³-bench Banking | τ²-bench | – | 39.4% |
| GDPval-AA v2.1 | Artificial Analysis | – | 1256 |
| τ³-Banking (AA) | Artificial Analysis | – | 39.6% |
| APEX-Agents (AA) | Artificial Analysis | – | 33.3% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 0.0% |
| SkillsBench | Vals AI | – | 51.7% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 64.0%† | 58.4%† |
| Arena Search | Arena (LMArena) | – | 1196† |
| DeepResearch Bench | DeepResearch Bench | – | 35.1%† |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 17.8%† |
| METR Time Horizons | METR | 74.5%† | 74.3% |
| GBAEval | Epoch AI Benchmarking Hub | – | 45.1%† |
| Vending-Bench 2 | Andon Labs | 5940.1† | 6144.2† |
| AA-Briefcase v1.1 | Artificial Analysis | 868 | – |
| Design Arena Agentic | Design Arena | 1018† | 1042† |
| DeepSearchQA | – | 63.7%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | – | 78.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 49.0% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 95.3% |
| ProofBench | Vals AI | – | 56.0% |
| LiveBench Mathematics | LiveBench | – | 94.2% |
| AIME (Vals) | Vals AI | – | 96.7% |
| AIME 2026 | MathArena | – | 99.2% |
| HMMT February 2026 | MathArena | – | 97.7% |
| USAMO 2026 | MathArena | – | 95.2% |
| MathArena Apex | MathArena | – | 54.2% |
| Arena Maths | Arena (LMArena) | – | 1459† |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | – | 45.1% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 79.3% |
| MMLU-Pro | Vals AI | – | 87.5% |
| LegalBench | Vals AI | – | 86.0% |
| CorpFin | Vals AI | – | 65.3% |
| TaxEval | Vals AI | – | 74.0% |
| MedQA | Vals AI | – | 96.1% |
| PRBench Finance | Scale AI SEAL | – | 45.6%† |
| PRBench Legal | Scale AI SEAL | – | 44.4%† |
| MultiNRC | Scale AI SEAL | – | 58.3%† |
| CaseLaw v2 | Vals AI | – | 63.8% |
| MedCode | Vals AI | – | 41.3% |
| MedScribe | Vals AI | – | 77.5% |
| EBR-bench | Epoch AI Benchmarking Hub | – | 25.4% |
| 指示追従 | |||
| LiveBench Language | LiveBench | – | 82.6% |
| LiveBench Instruction Following | LiveBench | – | 70.2% |
| IFBench | Artificial Analysis | 75.4% | 74.0% |
| Arena Instruction Following | Arena (LMArena) | – | 1460† |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | – | 1465† |
| EQ-Bench 4 | EQ-Bench | – | 1258† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1841† |
| Arena Creative Writing | Arena (LMArena) | – | 1433† |
| Arena Multi-turn | Arena (LMArena) | – | 1480† |
| Arena Longer Queries | Arena (LMArena) | – | 1477† |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | – | 1292† |
| MMMU-Pro | Artificial Analysis | 78.5% | 78.4% |
| VISTA | Scale AI SEAL | – | 50.9%† |
| MMMU-Pro (Vals) | Vals AI | – | 87.5% |
| MortgageTax | Vals AI | – | 68.3% |
| VTB | Scale AI SEAL | – | 29.2%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 27.1%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 37.5% |
| 長文コンテキスト | |||
| AA-LCR v1.1 | Artificial Analysis | 83.3% | 82.0% |
| Arena Document | Arena (LMArena) | – | 1471† |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 157.8† |
| LiveBench 1.0 | LiveBench | – | 78.0% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 32.5 | 39.0 |
| AA Progress Index v1 | Artificial Analysis | 301.3 | 311.6 |
| Vals RSI Index | Vals AI | – | 15.5% |
| 安全性・誠実さ | |||
| MASK | Scale 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)。
関連する比較
- 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-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- GPT-5.4 vs GPT-6 Astra
- GPT-5.3-Codex 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
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。