BenchLeader

GPT-5.4 vs Kimi K3.1 Pro Together

詳しいプロフィール:GPT-5.4(OpenAI)とKimi K3.1 Pro Together(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 · 11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 Togetherの品質は互角です(BenchLeader Indexで63.1 対 60.0、±3.5の誤差範囲内)。両方を測定できるすべてのカテゴリでKimi K3.1 Pro Togetherがリードしています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Kimi K3.1 Pro Togetherが60.0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)。
  • 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 Togetherが6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
数学どちらでもカテゴリスコア65 対 65;FrontierMath Tiers 1–3 78.6% 対 78.3%どちらでも
推論Kimi K3.1 Pro Togetherカテゴリスコア67 対 66;GPQA Diamond 94.2% 対 93.3%中
知識Kimi K3.1 Pro Togetherカテゴリスコア66 対 59;SimpleQA Verified 62.2% 対 45.1%中
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 Together (max)の品質は互角です(63.1 対 60.0、±3.5の誤差範囲内)。
  • Kimi K3.1 Pro Together (max)は知識、数学、推論で優れています。

概要

仕様GPT-5.4Kimi K3.1 Pro Together
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)1,050,000–
比較した構成GPT-5.4 (xhigh)Kimi K3.1 Pro Together (max)
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)$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-5.4 (xhigh)Kimi K3.1 Pro Together (max)トップ
推論65.766.9Kimi K3.1 Pro Together
コーディング64.7–比較不可
エージェント・ツール63.0–比較不可
数学64.865.2互角
知識58.666.0Kimi K3.1 Pro Together
指示追従72.4–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推論数学知識GPT-5.4, 推論: 65.7GPT-5.4, 数学: 64.8GPT-5.4, 知識: 58.6Kimi K3.1 Pro Together, 推論: 66.9Kimi K3.1 Pro Together, 数学: 65.2Kimi K3.1 Pro Together, 知識: 66.0

描画していないもの(測定済みのモデルが2つ未満):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, 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2件、Kimi K3.1 Pro Togetherのリードが6件です。

総合IndexGPT-5.4 (xhigh)Kimi K3.1 Pro Together (max)トップ
BenchLeader Index63.160.0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-5.4 (xhigh)Kimi K3.1 Pro Together (max)
100万トークンあたりのブレンド価格$5.63–
100万トークンあたりの入力/出力$2.50 / $15.00– / –
100万トークンあたりのキャッシュ入力$0.250–
タスクあたりの価格:チャットの返答$0.0055–
タスクあたりの価格:30ページのレポートを要約$0.039–
タスクあたりの価格:コード編集$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$0.210–
タスクあたりの価格:構造化データの抽出$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)$0.109–
出力速度73 tok/s–
回答開始までの時間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)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 K3.1 Pro Together (max)のスコアは60.0。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

118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 Together (max)
BenchLeader IndexBenchLeader63.160.0
エージェント・ツールスコアBenchLeader63.0–
コーディングスコアBenchLeader64.7–
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.666.0
長文コンテキストスコアBenchLeader65.7–
数学スコアBenchLeader64.865.2
マルチモーダルスコアBenchLeader60.8–
推論スコアBenchLeader65.766.9
ブレンド価格($/100万トークン)BenchLeader$5.63–
出力速度BenchLeader73 tok/s–
回答開始までの時間BenchLeader144.9秒–
コンテキストウィンドウBenchLeader1,050,000トークン–
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%94.2%
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†–
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%–
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%–
Arena ExpertArena (LMArena)1491†–
Chess PuzzlesEpoch AI Benchmarking Hub48.0%45.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%42.0%
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%–
DTBenchEpoch AI Benchmarking Hub94.4%–
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%–
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†–
118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 Together (max)
コーディング
Arena WebDevArena (LMArena)1400†–
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
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%–
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%–
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†–
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†–
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%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis1256–
τ³-Banking (AA)Artificial Analysis39.6%–
APEX-Agents (AA)Artificial Analysis33.3%–
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
SkillsBenchVals AI51.7%–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Arena SearchArena (LMArena)1196†–
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
Design Arena AgenticDesign Arena1042†–
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%78.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%65.8%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%100.0%
ProofBenchVals AI56.0%–
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%62.2%
LiveBench 1.0 Data AnalysisLiveBench79.3%–
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%–
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
EBR-benchEpoch AI Benchmarking Hub25.4%–
指示追従
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†–
人間の評価
Arena TextArena (LMArena)1465†–
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
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 Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%55.8%
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%–
Arena DocumentArena (LMArena)1471†–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†–
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.0–
AA Progress Index v1Artificial Analysis311.6–
Vals RSI IndexVals AI15.5%–
安全性・誠実さ
MASKScale AI SEAL89.7%†–

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)。
  • Kimi K3.1 Pro Together (max):BenchLeader Index 60.5 → 60.0。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Kimi K3.1 Pro Together (max):初めての結果。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • 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-5.4 vs Kimi K3.1 Pro Together:よくある質問

GPT-5.4はKimi K3.1 Pro Togetherより優れていますか?
GPT-5.4 (xhigh)とKimi K3.1 Pro Together (max)の品質は互角です(63.1 対 60.0、±3.5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-5.4とKimi K3.1 Pro Together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2件、Kimi K3.1 Pro Togetherのリードが6件です。
Kimi K3.1 Pro Togetherはいつリリースされましたか?
Kimi K3.1 Pro Togetherは2026年10月23日にリリースされました。