BenchLeader

GPT-5.4 vs Kimi K3

詳しいプロフィール:GPT-5.4(OpenAI)とKimi K3(Moonshot AI)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 15件の情報源のデータ

2026年11月16日時点で、GPT-5.4とKimi K3の品質は互角です(BenchLeader Indexで63.1 対 60.7、±6.6の誤差範囲内)。価格はほぼ同じです(100万トークンあたりのブレンド価格で$5.63 対 $6.00)。エージェント・ツール(63 対 54)、コーディング(65 対 62)を重視するならGPT-5.4、知識(66 対 59)、数学(72 対 65)を重視するならKimi K3が向いています。回答開始までの時間はKimi K3の方が短く、0.8秒 対 144.9秒です。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Kimi K3が60.7です(BenchLeader、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)。
  • Kimi K3の100万トークンあたりのブレンド価格は$6.00です(定価、2026年11月16日)。
  • 両モデルに結果がある17件のベンチマークのうち、Kimi K3が14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 62;SciCode 56.6% 対 58.7%中
エージェント・ツール利用GPT-5.4カテゴリスコア63 対 54;LiveBench Agentic Coding 53.8% 対 62.2%高
数学Kimi K3カテゴリスコア72 対 65;ProofBench 87.0% 対 56.0%中
知識Kimi K3カテゴリスコア66 対 59;CorpFin 71.6% 対 65.3%中
チャットの質(人間の評価)–Arenaの評価があるのはKimi K3のみです(カテゴリスコア69)比較不可
最低コストどちらでも100万トークンあたりブレンド価格$5.63 対 $6.00;エージェント型コーディングセッション$0.210 対 $0.240–
回答開始の速さKimi K3最初の回答トークンまで0.8秒(Kimi K3)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-5.4 (xhigh)とKimi K3の品質は互角です(63.1 対 60.7、±6.6の誤差範囲内)。
  • GPT-5.4 (xhigh)はエージェント・ツール、コーディングで優れています。
  • Kimi K3は知識、数学で優れています。
  • 価格はほぼ同じです(100万トークンあたりブレンド価格$5.63)。

概要

仕様GPT-5.4Kimi K3
プロバイダーOpenAIMoonshot AI
リリース日2026年3月5日2026年7月16日
コンテキストウィンドウ(トークン)1,050,0001,048,576
比較した構成GPT-5.4 (xhigh)Kimi K3
オープンウェイトなしあり
100万トークンあたりの価格(入力/出力/キャッシュ入力)$2.50 / $15.00 / $0.250$3.00 / $15.00 / $0.300

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-5.4 (xhigh)Kimi K3トップ
推論65.7–比較不可
コーディング64.761.8GPT-5.4
エージェント・ツール63.053.5GPT-5.4
数学64.871.5Kimi K3
知識58.666.1Kimi K3
指示追従72.4–比較不可
人間の評価–68.6比較不可
マルチモーダル60.8–比較不可
長文コンテキスト65.7–比較不可

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・ツール数学知識GPT-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, 数学: 64.8GPT-5.4, 知識: 58.6Kimi K3, コーディング: 61.8Kimi K3, エージェント・ツール: 53.5Kimi K3, 数学: 71.5Kimi K3, 知識: 66.1

描画していないもの(測定済みのモデルが2つ未満):推論, 指示追従, 長文コンテキスト, マルチモーダル, 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17件のベンチマークのうち、GPT-5.4のリードが3件、Kimi K3のリードが14件です。両方を評価しているすべての総合指標で、Kimi K3が上回っています。

総合IndexGPT-5.4 (xhigh)Kimi K3トップ
BenchLeader Index63.160.7互角
Arena Text1475†1487Kimi K3

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-5.4 (xhigh)Kimi K3
100万トークンあたりのブレンド価格$5.63$6.00
100万トークンあたりの入力/出力$2.50 / $15.00$3.00 / $15.00
100万トークンあたりのキャッシュ入力$0.250$0.300
タスクあたりの価格:チャットの返答$0.0055$0.0057
タスクあたりの価格:30ページのレポートを要約$0.039$0.045
タスクあたりの価格:コード編集$0.037$0.041
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$0.210$0.240
タスクあたりの価格:構造化データの抽出$0.0080$0.0090
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)$0.109$0.118
出力速度73 tok/s76 tok/s
回答開始までの時間144.9秒0.8秒
回答が完了するまでの時間(最終測定2026年11月13日)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-5.4 (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)。Kimi K3のスコアは60.7、最初の回答トークンまで1秒。Kimi K3 (max)は60.2(55秒)、Kimi K3 (low)は53.6(8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

202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-5.4 (xhigh)Kimi K3
BenchLeader IndexBenchLeader63.160.7
エージェント・ツールスコアBenchLeader63.053.5
コーディングスコアBenchLeader64.761.8
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.666.1
長文コンテキストスコアBenchLeader65.7–
数学スコアBenchLeader64.871.5
マルチモーダルスコアBenchLeader60.8–
推論スコアBenchLeader65.7–
人間の評価スコアBenchLeader–68.6
ブレンド価格($/100万トークン)BenchLeader$5.63$6.00
出力速度BenchLeader73 tok/s76 tok/s
回答開始までの時間BenchLeader144.9秒0.8秒
コンテキストウィンドウBenchLeader1,050,000トークン1,048,576トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%93.1%†
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–60.7%†
Arena Hard PromptsArena (LMArena)1487†1516†
LiveBench 2.0 ReasoningLiveBench–90.7%†
LiveBench 1.0 ReasoningLiveBench88.1%90.7%
GPQA Diamond (AA)Artificial Analysis92.0%93.5%†
Humanity's Last Exam (AA)Artificial Analysis43.7%46.9%†
HLE-Diamond (AA)Artificial Analysis–26.9%†
GPQA Diamond (Vals)Vals AI91.7%92.9%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%94.5%†
ARC-AGI-2ARC Prize74.0%60.4%†
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis–40.5%†
HLE-Diamond (Scale)Scale AI SEAL–22.2%
Arena ExpertArena (LMArena)1491†1528†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%26.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%52.7%†
DTBenchEpoch AI Benchmarking Hub94.4%91.2%†
ForecastBenchForecastBench63.0%†64.2%†
202件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Kimi K3
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%58.7%
WeirdMLWeirdML77.7%82.6%†
FrontierCodeCognition–44.2%
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1538†
Arena WebDevArena (LMArena)1400†1658†
LiveBench 2.0 CodingLiveBench–53.1%†
LiveBench 1.0 CodingLiveBench77.5%81.5%
SciCode (AA)Artificial Analysis–59.5%†
LiveCodeBenchVals AI84.1%87.2%†
IOIVals AI–48.9%†
SWE-bench (Vals)Vals AI78.2%93.4%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%16.1%†
Code Migration v1.1Vals AI–28.6%†
ProgramBenchVals AI0.0%2.0%
SWE-bench MultimodalVals AI–44.2%†
Vibe Code Bench 1-100Vals AI–18.2%†
Vibe Code Bench v1.1Vals AI67.4%85.0%†
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
SWE Atlas v1.1Scale AI SEAL–61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
SWE-Bench Pro V2Scale AI SEAL–97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–88.2%†
MirrorCodeEpoch AI Benchmarking Hub23.3%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub–95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%68.5%†
ALE-BenchEpoch AI Benchmarking Hub1607†1524.5†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–25.9%†
WeirdML v3WeirdML–7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis–12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%85.0%†
Startrise FrontendStartrise–79.8%
GameBench 2 OverallDuelLab GameBench 253.4†48.0
GameBench 2 by reasoning settingDuelLab GameBench 262.145.7†
Design Arena WebsiteDesign Arena1190†1336
FrontierCode 1.1 (AA)Artificial Analysis–43.6%†
FrontierCode 2.0 (AA)Artificial Analysis–10.9%†
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†23.0%†
APEX-AgentsMercor52.4%†47.8%
Arena AgentArena (LMArena)–0.6†
LiveBench Long AgenticLiveBench–36.0%†
LiveBench BrowserLiveBench–75.2%†
LiveBench Agentic CodingLiveBench53.8%62.2%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–80.9%
MCP AtlasScale AI SEAL70.6%82.3%†
HiL-BenchScale AI SEAL9.7%†42.7%
τ³-bench Bankingτ²-bench39.4%37.1%†
GDPval-AA v2.1Artificial Analysis12561542†
τ³-Banking (AA)Artificial Analysis39.6%46.0%†
ITBench SRE (AA)Artificial Analysis–47.7%†
Analyst Agent (AA)Artificial Analysis–38.8%†
APEX-Agents (AA)Artificial Analysis33.3%41.3%†
CyberBenchVals AI–75.2%†
Finance Agent v2Vals AI–53.1%†
Finance Agent v2.1Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%12.9%†
Legal Research BenchVals AI–46.1%†
SkillsBenchVals AI51.7%–
Tax Agent BenchVals AI–33.4%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%†
Terminal-Bench ScienceVals AI–1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–3.4†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†31.5%
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†48.4%
Vending-Bench 2Andon Labs6144.2†5165.0
AutomationBenchArtificial Analysis–58.3%†
GDP.pdf (AA)Artificial Analysis–22.0%†
Harvey LAB-AA v1.1Harvey–5.3%†
EnterpriseOps-GymArtificial Analysis–45.3%†
AA-Briefcase v1.1Artificial Analysis–1497†
GDPxGDPx by SemiAnalysis–3.7%†
Design Arena AgenticDesign Arena1042†1261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–8.1%†
CWE-Bench (AA)Artificial Analysis–53.3%†
DeepSec-Bench (AA)Artificial Analysis–12.4%†
CyberGym end-to-end (AA)Artificial Analysis–58.0%†
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%97.2%†
ProofBenchVals AI56.0%87.0%
LiveBench MathematicsLiveBench94.2%84.4%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%96.7%†
HMMT February 2026MathArena97.7%97.0%†
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%65.6%†
Arena MathsArena (LMArena)1459†1502†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%†
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%50.6%†
LiveBench 2.0 Data AnalysisLiveBench–78.7%†
LiveBench ResearchLiveBench–79.8%†
LiveBench 1.0 Data AnalysisLiveBench79.3%78.7%
AA-Omniscience v1.1Artificial Analysis–-1.7†
MMLU-ProVals AI87.5%88.0%†
LegalBenchVals AI86.0%86.2%†
CorpFinVals AI65.3%71.6%
TaxEvalVals AI74.0%75.7%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–72.6%†
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–66.7%†
Excel Modeling Benchmark v1.1Vals AI–71.3%†
MedCodeVals AI41.3%49.4%†
MedScribeVals AI77.5%88.0%†
Public Benefits Bench v1.1Vals AI–68.2%†
Access to Justice BenchmarkVals AI–68.2%†
Financial Coaching BenchVals AI–74.5%†
Immigration BenchVals AI–68.3%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis–42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–23.4%†
HealthBench Professional (AA)OpenAI–53.2%†
指示追従
LiveBench LanguageLiveBench82.6%85.5%
LiveBench Instruction FollowingLiveBench70.2%71.4%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1489†
人間の評価
Arena TextArena (LMArena)1465†1487†
EQ-Bench 4EQ-Bench1258†1319
EQ-Bench Creative Writing v3EQ-Bench1841†2083
Arena Creative WritingArena (LMArena)1433†1459†
Arena Multi-turnArena (LMArena)1480†1502†
Arena Longer QueriesArena (LMArena)1477†1500†
マルチモーダル
Arena VisionArena (LMArena)1292†–
LiveBench DesignLiveBench–72.5%†
MMMU-ProArtificial Analysis78.4%80.5%†
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%88.2%
MortgageTaxVals AI68.3%66.3%
SAGEVals AI–86.8%†
Humanity's Sixth SenseScale AI SEAL–25.5%†
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†29.5%
Furniture AssemblyEpoch AI Benchmarking Hub37.5%34.2%†
Code2Video-AAArtificial Analysis–1041†
AA-3DArtificial Analysis–984†
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%88.7%†
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–21.7%†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†158.6
LiveBench 2.0LiveBench–65.0%†
LiveBench 1.0LiveBench78.0%79.2%
AA Intelligence Index v5.0.1Artificial Analysis–17.4†
AA Intelligence Index v4.3.2Artificial Analysis39.043.6†
AA Progress Index v1Artificial Analysis311.6319.9†
Vals IndexVals AI–53.0†
Vals Finance IndexVals AI–58.0%†
Vals RSI IndexVals AI15.5%20.9%†
Vals Multimodal IndexVals AI–73.4%
Vals Router IndexVals AI–53.0%
Vals Legal IndexVals AI–71.7%†
AA Cyber IndexArtificial Analysis–41.3†
安全性・誠実さ
FORTRESSScale AI SEAL–27.3%
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–73.5%
メタデータ
AA Openness IndexArtificial Analysis–38.9†

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

  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Kimi K3:スコアの改訂1件。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • Kimi K3:スコアの改訂4件。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Kimi K3:スコアの改訂1件。
  • Kimi K3:新しい結果1件(FACTS Search)。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • Kimi K3:スコアの改訂1件。

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-5.4 vs Kimi K3:よくある質問

GPT-5.4はKimi K3より優れていますか?
GPT-5.4 (xhigh)とKimi K3の品質は互角です(63.1 対 60.7、±6.6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-5.4とKimi K3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-5.4の方が安く、100万トークンあたり$5.63 対 $6.00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-5.4とKimi K3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 62。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SciCodeでは、GPT-5.4が56.6%、Kimi K3が58.7%です。
GPT-5.4とKimi K3はどちらが速いですか?
Kimi K3の方が出力が速くなっています(出力76 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-5.4とKimi K3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-5.4の方がスコアが高くなっています(カテゴリ指標で63 対 54。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?
どちらも約1.1Mトークンです(GPT-5.4は1,050,000、Kimi K3は1,048,576)。
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Kimi K3です。Artificial Analysisの測定では、最初の回答トークンまで0.8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-5.4とKimi K3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17件のベンチマークのうち、GPT-5.4のリードが3件、Kimi K3のリードが14件です。両方を評価しているすべての総合指標で、Kimi K3が上回っています。
Kimi K3はいつリリースされましたか?
Kimi K3は2026年7月16日にリリースされました。