BenchLeader

GPT-5.4 vs Qwen3.6 Max

詳しいプロフィール:GPT-5.4(OpenAI)とQwen3.6 Max(Alibaba)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 12件の情報源のデータ

2026年11月16日時点で、GPT-5.4とQwen3.6 Maxの品質は互角です(BenchLeader Indexで63.1 対 62.1、±4.0の誤差範囲内)。価格はQwen3.6 Maxの方が1.9倍安く、100万トークンあたりのブレンド価格で$2.92 対 $5.63です。コーディング(65 対 56)、推論(66 対 61)を重視するならGPT-5.4、エージェント・ツール(72 対 63)、指示追従(75 対 72)、知識(60 対 59)を重視するならQwen3.6 Maxが向いています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Qwen3.6 Maxが62.1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)。
  • Qwen3.6 Maxの100万トークンあたりのブレンド価格は$2.92です(定価、2026年11月16日)。
  • 両モデルに結果がある16件のベンチマークのうち、GPT-5.4が12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 56;SWE-bench (Vals) 78.2% 対 72.8%高
エージェント・ツール利用Qwen3.6 Maxカテゴリスコア72 対 63;Terminal-Bench Hard 43.9% 対 57.6%高
数学どちらでもカテゴリスコア65 対 64;OTIS Mock AIME 95.3% 対 91.1%どちらでも
推論GPT-5.4カテゴリスコア66 対 61;GPQA Diamond 93.3% 対 87.4%中
知識Qwen3.6 Maxカテゴリスコア60 対 59;SimpleQA Verified 52.0% 対 45.1%中
長い文書どちらでもカテゴリスコア66 対 65;AA-LCR v1.1 82.0% 対 80.7%どちらでも
指示への追従Qwen3.6 Maxカテゴリスコア75 対 72;IFBench 76.6% 対 74.0%中
チャットの質(人間の評価)–Arenaの評価があるのはQwen3.6 Maxのみです(カテゴリスコア65)比較不可
最低コストQwen3.6 Max100万トークンあたりブレンド価格$2.92 対 $5.63;エージェント型コーディングセッション$0.109 対 $0.210–
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Qwen3.6 Max (max)の品質は互角です(63.1 対 62.1、±4.0の誤差範囲内)。
  • GPT-5.4 (xhigh)はコーディング、長文コンテキスト、数学、推論で優れています。
  • Qwen3.6 Max (max)はエージェント・ツール、指示追従、知識で優れています。
  • Qwen3.6 Max (max)の方が1.9倍安くなっています(100万トークンあたりブレンド価格$2.92 対 $5.63)。

概要

仕様GPT-5.4Qwen3.6 Max
プロバイダーOpenAIAlibaba
リリース日2026年3月5日2026年4月20日
コンテキストウィンドウ(トークン)1,050,000262,144
比較した構成GPT-5.4 (xhigh)Qwen3.6 Max (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$1.30 / $7.80 / $0.130

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)Qwen3.6 Max (max)トップ
推論65.760.8GPT-5.4
コーディング64.755.9GPT-5.4
エージェント・ツール63.072.1Qwen3.6 Max
数学64.864.4互角
知識58.659.7Qwen3.6 Max
指示追従72.474.7Qwen3.6 Max
人間の評価–64.5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65.765.0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推論コーディングエージェント・ツール数学知識指示追従長文コンテキスト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, 指示追従: 72.4GPT-5.4, 長文コンテキスト: 65.7Qwen3.6 Max, 推論: 60.8Qwen3.6 Max, コーディング: 55.9Qwen3.6 Max, エージェント・ツール: 72.1Qwen3.6 Max, 数学: 64.4Qwen3.6 Max, 知識: 59.7Qwen3.6 Max, 指示追従: 74.7Qwen3.6 Max, 長文コンテキスト: 65.0

描画していないもの(測定済みのモデルが2つ未満):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16件のベンチマークのうち、GPT-5.4のリードが12件、Qwen3.6 Maxのリードが4件です。両方を評価しているすべての総合指標で、GPT-5.4が上回っています。

総合IndexGPT-5.4 (xhigh)Qwen3.6 Max (max)トップ
BenchLeader Index63.162.1互角
Arena Text1475†1460GPT-5.4

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)Qwen3.6 Max (max)
100万トークンあたりのブレンド価格$5.63$2.92
100万トークンあたりの入力/出力$2.50 / $15.00$1.30 / $7.80
100万トークンあたりのキャッシュ入力$0.250$0.130
タスクあたりの価格:チャットの返答$0.0055$0.0029
タスクあたりの価格:30ページのレポートを要約$0.039$0.020
タスクあたりの価格:コード編集$0.037$0.019
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$0.109
タスクあたりの価格:構造化データの抽出$0.0080$0.0042
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$0.057
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)。Qwen3.6 Max (max)のスコアは62.1。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

119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)Qwen3.6 Max (max)
BenchLeader IndexBenchLeader63.162.1
エージェント・ツールスコアBenchLeader63.072.1
コーディングスコアBenchLeader64.755.9
指示追従スコアBenchLeader72.474.7
知識スコアBenchLeader58.659.7
長文コンテキストスコアBenchLeader65.765.0
数学スコアBenchLeader64.864.4
マルチモーダルスコアBenchLeader60.8–
推論スコアBenchLeader65.760.8
人間の評価スコアBenchLeader–64.5
ブレンド価格($/100万トークン)BenchLeader$5.63$2.92
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262,144トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%87.4%
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–63.0%
Arena Hard PromptsArena (LMArena)1487†1481
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%88.8%
Humanity's Last Exam (AA)Artificial Analysis43.7%30.8%
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%3.7%
Arena ExpertArena (LMArena)1491†1497
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%19.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%42.5%
DTBenchEpoch AI Benchmarking Hub94.4%87.2%
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†76.7%
SciCodeSciCode56.6%–
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
119件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Qwen3.6 Max (max)
コーディング
Arena CodingArena (LMArena)1511†1510
Arena WebDevArena (LMArena)1400†1482
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
SWE-bench (Vals)Vals AI78.2%72.8%
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%43.9%
τ²-Bench Telecom (AA)Artificial Analysis87.1%95.9%
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%†51.7%
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†4254.2
Design Arena AgenticDesign Arena1042†–
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%91.1%
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†1471
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%52.0%
LiveBench 1.0 Data AnalysisLiveBench79.3%–
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%66.5%
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%47.9%
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%76.6%
Arena Instruction FollowingArena (LMArena)1460†1451
人間の評価
Arena TextArena (LMArena)1465†1460
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1438
Arena Multi-turnArena (LMArena)1480†1466
Arena Longer QueriesArena (LMArena)1477†1473
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%–
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%80.7%
Arena DocumentArena (LMArena)1471†–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†149.8
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.028.4
AA Progress Index v1Artificial Analysis311.6297.1
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)。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • 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)。
  • Qwen3.6 Max (max):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)。
  • Qwen3.6 Max (max):BenchLeader Index 63.3 → 62.8。
  • 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 Qwen3.6 Max:よくある質問

GPT-5.4はQwen3.6 Maxより優れていますか?
GPT-5.4 (xhigh)とQwen3.6 Max (max)の品質は互角です(63.1 対 62.1、±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Qwen3.6 Max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Qwen3.6 Maxの方が安く、100万トークンあたり$2.92 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Qwen3.6 Max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 56。50が平均)。
エージェントやツール利用にはGPT-5.4とQwen3.6 Max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Qwen3.6 Maxの方がスコアが高くなっています(カテゴリ指標で72 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-5.4が57.6%、Qwen3.6 Maxが43.9%です。
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 65)。コンテキストはGPT-5.4の方が長く、1,050,000トークンです(Qwen3.6 Maxは262,144トークン)。
ほかの質問(2件)
GPT-5.4とQwen3.6 Max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16件のベンチマークのうち、GPT-5.4のリードが12件、Qwen3.6 Maxのリードが4件です。両方を評価しているすべての総合指標で、GPT-5.4が上回っています。
Qwen3.6 Maxはいつリリースされましたか?
Qwen3.6 Maxは2026年4月20日にリリースされました。