BenchLeader

GPT-5.4 vs Kimi K3.1 Pro

詳しいプロフィール:GPT-5.4(OpenAI)とKimi K3.1 Pro(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 · 13件の情報源のデータ

2026年11月16日時点で、GPT-5.4とKimi K3.1 Proの品質は互角です(BenchLeader Indexで63.1 対 61.8、±4.0の誤差範囲内)。価格はKimi K3.1 Proの方が1.4倍安く、100万トークンあたりのブレンド価格で$4.00 対 $5.63です。推論(66 対 59)、コーディング(65 対 60)を重視するならGPT-5.4、数学(73 対 65)、マルチモーダル(66 対 61)、長文コンテキスト(68 対 66)を重視するならKimi K3.1 Proが向いています。GPT-5.4は出力が約2倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Kimi K3.1 Proが61.8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 K3.1 Proの100万トークンあたりのブレンド価格は$4.00です(定価、2026年11月16日)。
  • GPT-5.4はKimi K3.1 Proより出力が約2倍速いです(Artificial Analysis、7日間の中央値、2026年11月16日)。
  • 両モデルに結果がある8件のベンチマークのうち、Kimi K3.1 Pro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 60;SciCode 56.6% 対 60.8%中
エージェント・ツール利用Kimi K3.1 Proカテゴリスコア65 対 63;GDPval-AA v2.1 1861 対 1256中
数学Kimi K3.1 Proカテゴリスコア73 対 65;ProofBench 91.0% 対 56.0%高
推論GPT-5.4カテゴリスコア66 対 59;Humanity's Last Exam (AA) 43.7% 対 52.5%中
知識どちらでもカテゴリスコア59 対 58どちらでも
長い文書Kimi K3.1 Proカテゴリスコア68 対 66;AA-LCR v1.1 86.3% 対 82.0%中
画像などのメディアKimi K3.1 Proカテゴリスコア66 対 61;MMMU-Pro 83.9% 対 78.4%中
最低コストKimi K3.1 Pro100万トークンあたりブレンド価格$4.00 対 $5.63;エージェント型コーディングセッション$0.160 対 $0.210–
回答開始の速さどちらでも最初の回答トークンまで144.9秒(GPT-5.4 (xhigh))対 157.4秒(Kimi K3.1 Pro)–
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 K3.1 Proの品質は互角です(63.1 対 61.8、±4.0の誤差範囲内)。
  • GPT-5.4 (xhigh)はコーディング、知識、推論で優れています。
  • Kimi K3.1 Proはエージェント・ツール、長文コンテキスト、数学、マルチモーダルで優れています。
  • Kimi K3.1 Proの方が1.4倍安くなっています(100万トークンあたりブレンド価格$4.00 対 $5.63)。
  • GPT-5.4 (xhigh)の方が出力が2.4倍速くなっています(73 対 30トークン/秒)。

概要

仕様GPT-5.4Kimi K3.1 Pro
プロバイダーOpenAIMoonshot AI
リリース日2026年3月5日2026年10月23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 K3.1 Pro
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$2.00 / $10.00 / $0.200

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 K3.1 Proトップ
推論65.759.2GPT-5.4
コーディング64.759.6GPT-5.4
エージェント・ツール63.064.6Kimi K3.1 Pro
数学64.873.4Kimi K3.1 Pro
知識58.658.2互角
指示追従72.4–比較不可
マルチモーダル60.866.3Kimi K3.1 Pro
長文コンテキスト65.767.9Kimi K3.1 Pro

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推論コーディングエージェント・ツール数学知識長文コンテキストマルチモーダルGPT-5.4, 推論: 65.7GPT-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: 58.6GPT-5.4, 長文コンテキスト: 65.7GPT-5.4, マルチモーダル: 60.8Kimi K3.1 Pro, 推論: 59.2Kimi K3.1 Pro, コーディング: 59.6Kimi K3.1 Pro, エージェント・ツール: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知識: 58.2Kimi K3.1 Pro, 長文コンテキスト: 67.9Kimi K3.1 Pro, マルチモーダル: 66.3

描画していないもの(測定済みのモデルが2つ未満):指示追従, 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8件のベンチマークのうち、GPT-5.4のリードが0件、Kimi K3.1 Proのリードが8件です。両方を評価しているすべての総合指標で、Kimi K3.1 Proが上回っています。

総合IndexGPT-5.4 (xhigh)Kimi K3.1 Proトップ
BenchLeader Index63.161.8互角
Arena Text1475†1485Kimi K3.1 Pro

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 K3.1 Pro
100万トークンあたりのブレンド価格$5.63$4.00
100万トークンあたりの入力/出力$2.50 / $15.00$2.00 / $10.00
100万トークンあたりのキャッシュ入力$0.250$0.200
タスクあたりの価格:チャットの返答$0.0055$0.0038
タスクあたりの価格:30ページのレポートを要約$0.039$0.030
タスクあたりの価格:コード編集$0.037$0.027
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$0.160
タスクあたりの価格:構造化データの抽出$0.0080$0.0060
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$0.079
ベンチマークのタスクあたりのコスト(AA Index)–$3.68
タスクあたりの出力トークン(AA Index)–72k
うち推論–44k
タスクあたりの時間(AA Index)–40 min
出力速度73 tok/s30 tok/s
回答開始までの時間144.9秒157.4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417.5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 K3.1 Proのスコアは61.8、最初の回答トークンまで157秒。Kimi K3.1 Pro (max)は59.9(157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

179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 K3.1 Pro
BenchLeader IndexBenchLeader63.161.8
エージェント・ツールスコアBenchLeader63.064.6
コーディングスコアBenchLeader64.759.6
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.658.2
長文コンテキストスコアBenchLeader65.767.9
数学スコアBenchLeader64.873.4
マルチモーダルスコアBenchLeader60.866.3
推論スコアBenchLeader65.759.2
ブレンド価格($/100万トークン)BenchLeader$5.63$4.00
出力速度BenchLeader73 tok/s30 tok/s
回答開始までの時間BenchLeader144.9秒157.4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%–
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)1491†1515†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%57.6%†
DTBenchEpoch AI Benchmarking Hub94.4%93.3%†
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
179件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Kimi K3.1 Pro
コーディング
SciCodeSciCode56.6%60.8%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1530†
Arena WebDevArena (LMArena)1400†1687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveBench 1.0 CodingLiveBench77.5%–
SciCode (AA)Artificial Analysis–60.8%
LiveCodeBenchVals AI84.1%–
IOIVals AI–81.9%†
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI67.4%84.9%†
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–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†1932.8†
AlgoTuneAlgoTune1.9†–
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis–67.2%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†78.3
GameBench 2 by reasoning settingDuelLab GameBench 262.184.0†
Design Arena WebsiteDesign Arena1190†1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis–25.4%
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†59.7%†
APEX-AgentsMercor52.4%†65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
LiveBench Agentic CodingLiveBench53.8%–
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†61.3%
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis12561861
τ³-Banking (AA)Artificial Analysis39.6%–
Analyst Agent (AA)Artificial Analysis–38.8%
APEX-Agents (AA)Artificial Analysis33.3%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
Legal Research BenchVals AI–37.5%†
SkillsBenchVals AI51.7%–
SREBenchVals AI–27.1%†
Tax Agent BenchVals AI–24.9%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–2.7†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–73.3%
GDP.pdf (AA)Artificial Analysis–31.4%
AA-Briefcase v1.1Artificial Analysis–1674
Design Arena AgenticDesign Arena1042†1301
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–34.3%
CWE-Bench (AA)Artificial Analysis–60.8%
DeepSec-Bench (AA)Artificial Analysis–36.7%
CyberGym end-to-end (AA)Artificial Analysis–94.7%
MKA (AA)Artificial Analysis–43.9%
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%–
ProofBenchVals AI56.0%91.0%
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1459†–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
LiveBench 1.0 Data AnalysisLiveBench79.3%–
AA-Omniscience v1.1Artificial Analysis–29.9
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†47.5%
PRBench LegalScale AI SEAL44.4%†47.9%
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–75.6%†
CaseLaw v2Vals AI63.8%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
Access to Justice BenchmarkVals AI–69.5%†
DrugDiscoveryBenchScale AI SEAL–63.4%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
指示追従
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1487†
人間の評価
Arena TextArena (LMArena)1465†1485†
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†2173
Arena Creative WritingArena (LMArena)1433†1453†
Arena Multi-turnArena (LMArena)1480†1475†
Arena Longer QueriesArena (LMArena)1477†1491†
マルチモーダル
Arena VisionArena (LMArena)1292†–
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis78.4%83.9%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
Humanity's Sixth SenseScale AI SEAL–33.2%†
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis–1112
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%86.3%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–38.3%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†161.4
LiveBench 2.0LiveBench–68.7%†
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis39.055.1
AA Progress Index v1Artificial Analysis311.6340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals RSI IndexVals AI15.5%–
Vals Science IndexVals AI–44.4%†
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全性・誠実さ
FORTRESSScale AI SEAL–18.6%
MASKScale AI SEAL89.7%†–
メタデータ
AA Openness IndexArtificial Analysis–33.3

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 K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:スコアの改訂1件。
  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Kimi K3.1 Pro:スコアの改訂1件。
  • Kimi K3.1 Pro:新しい結果1件(HiL-Bench)。
  • Kimi K3.1 Pro:新しい結果3件(PRBench Finance, PRBench Legal, FORTRESS)、スコアの改訂2件。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • Kimi K3.1 Pro:新しい結果2件(APEX-Agents, Epoch Capabilities Index)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。
  • Kimi K3.1 Pro:スコアの改訂5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 K3.1 Pro:よくある質問

GPT-5.4はKimi K3.1 Proより優れていますか?
GPT-5.4 (xhigh)とKimi K3.1 Proの品質は互角です(63.1 対 61.8、±4.0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 K3.1 Pro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Kimi K3.1 Proの方が安く、100万トークンあたり$4.00 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-5.4とKimi K3.1 Pro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 60。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 K3.1 Proが60.8%です。
GPT-5.4とKimi K3.1 Proはどちらが速いですか?
GPT-5.4の方が出力が約2倍速くなっています(出力73 対 30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 K3.1 Pro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Kimi K3.1 Proの方がスコアが高くなっています(カテゴリ指標で65 対 63。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Kimi K3.1 Proの方がスコアが高くなっています(68 対 66)。どちらも約1.1Mトークンです(GPT-5.4は1,050,000、Kimi K3.1 Pro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GPT-5.4です。Artificial Analysisの測定では、最初の回答トークンまで144.9秒 対 157.4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 K3.1 Pro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8件のベンチマークのうち、GPT-5.4のリードが0件、Kimi K3.1 Proのリードが8件です。両方を評価しているすべての総合指標で、Kimi K3.1 Proが上回っています。
Kimi K3.1 Proはいつリリースされましたか?
Kimi K3.1 Proは2026年10月23日にリリースされました。