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 Max | 100万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-5.4 | Qwen3.6 Max |
|---|---|---|
| プロバイダー | OpenAI | Alibaba |
| 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) | 1,050,000 | 262,144 |
| 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 | 65.7 | 60.8 | GPT-5.4 |
| コーディング | 64.7 | 55.9 | GPT-5.4 |
| エージェント・ツール | 63.0 | 72.1 | Qwen3.6 Max |
| 数学 | 64.8 | 64.4 | 互角 |
| 知識 | 58.6 | 59.7 | Qwen3.6 Max |
| 指示追従 | 72.4 | 74.7 | Qwen3.6 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 | 65.7 | 65.0 | 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。
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。
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Index | GPT-5.4 (xhigh) | Qwen3.6 Max (max) | トップ |
|---|---|---|---|
| BenchLeader Index | 63.1 | 62.1 | 互角 |
| Arena Text | 1475† | 1460 | GPT-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 | $0.057 |
| 出力速度 | 73 tok/s | – |
| 回答開始までの時間 | 144.9秒 | – |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 193.1秒 | – |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.4 (xhigh)のスコアは63.1、最初の回答トークンまで145秒。GPT-5.4 (low)は58.8(3秒)、GPT-5.4 (high)は58.6(2秒)。Qwen3.6 Max (max)のスコアは62.1。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
119件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | GPT-5.4 (xhigh) | Qwen3.6 Max (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 63.1 | 62.1 |
| エージェント・ツールスコア | BenchLeader | 63.0 | 72.1 |
| コーディングスコア | BenchLeader | 64.7 | 55.9 |
| 指示追従スコア | BenchLeader | 72.4 | 74.7 |
| 知識スコア | BenchLeader | 58.6 | 59.7 |
| 長文コンテキストスコア | BenchLeader | 65.7 | 65.0 |
| 数学スコア | BenchLeader | 64.8 | 64.4 |
| マルチモーダルスコア | BenchLeader | 60.8 | – |
| 推論スコア | BenchLeader | 65.7 | 60.8 |
| 人間の評価スコア | BenchLeader | – | 64.5 |
| ブレンド価格($/100万トークン) | BenchLeader | $5.63 | $2.92 |
| 出力速度 | BenchLeader | 73 tok/s | – |
| 回答開始までの時間 | BenchLeader | 144.9秒 | – |
| コンテキストウィンドウ | BenchLeader | 1,050,000トークン | 262,144トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 93.3% | 87.4% |
| Humanity's Last Exam | Scale AI / CAIS | 36.2% | – |
| SimpleBench | SimpleBench | – | 63.0% |
| Arena Hard Prompts | Arena (LMArena) | 1487† | 1481 |
| LiveBench 1.0 Reasoning | LiveBench | 88.1% | – |
| GPQA Diamond (AA) | Artificial Analysis | 92.0% | 88.8% |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.7% | 30.8% |
| 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 | 23.4% | 3.7% |
| Arena Expert | Arena (LMArena) | 1491† | 1497 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 48.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 37.0% | 19.0%† |
| CL-bench | Epoch AI Benchmarking Hub | 27.9% | – |
| CL-bench Life | Epoch AI Benchmarking Hub | 21.7% | – |
| LMCA | Epoch AI Benchmarking Hub | 52.0% | 42.5% |
| DTBench | Epoch AI Benchmarking Hub | 94.4% | 87.2% |
| ForecastBench | ForecastBench | 63.0%† | – |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 76.9%† | 76.7% |
| SciCode | SciCode | 56.6% | – |
| WeirdML | WeirdML | 77.7% | – |
| GSO-Bench | GSO-Bench | 31.4% | – |
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 Coding | Arena (LMArena) | 1511† | 1510 |
| Arena WebDev | Arena (LMArena) | 1400† | 1482 |
| LiveBench 1.0 Coding | LiveBench | 77.5% | – |
| LiveCodeBench | Vals AI | 84.1% | – |
| SWE-bench (Vals) | Vals AI | 78.2% | 72.8% |
| 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 | 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 | 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 | 1190† | – |
| エージェント・ツール | |||
| Terminal-Bench | Terminal-Bench | 81.8%† | – |
| APEX-Agents | Mercor | 52.4%† | – |
| LiveBench Agentic Coding | LiveBench | 53.8% | – |
| Terminal-Bench Hard | Artificial Analysis | 57.6% | 43.9% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 87.1% | 95.9% |
| MCP Atlas | Scale AI SEAL | 70.6% | – |
| HiL-Bench | Scale AI SEAL | 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 | 58.4%† | 51.7% |
| Arena Search | Arena (LMArena) | 1196† | – |
| DeepResearch Bench | DeepResearch Bench | 35.1%† | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 17.8%† | – |
| METR Time Horizons | METR | 74.3% | – |
| GBAEval | Epoch AI Benchmarking Hub | 45.1%† | – |
| Vending-Bench 2 | Andon Labs | 6144.2† | 4254.2 |
| Design Arena Agentic | Design Arena | 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% | 91.1% |
| 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† | 1471 |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 45.1% | 52.0% |
| LiveBench 1.0 Data Analysis | LiveBench | 79.3% | – |
| MMLU-Pro | Vals AI | 87.5% | – |
| LegalBench | Vals AI | 86.0% | – |
| CorpFin | Vals AI | 65.3% | 66.5% |
| 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% | 47.9% |
| 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 | 74.0% | 76.6% |
| Arena Instruction Following | Arena (LMArena) | 1460† | 1451 |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1465† | 1460 |
| EQ-Bench 4 | EQ-Bench | 1258† | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1841† | – |
| Arena Creative Writing | Arena (LMArena) | 1433† | 1438 |
| Arena Multi-turn | Arena (LMArena) | 1480† | 1466 |
| Arena Longer Queries | Arena (LMArena) | 1477† | 1473 |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1292† | – |
| MMMU-Pro | Artificial Analysis | 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 | 82.0% | 80.7% |
| Arena Document | Arena (LMArena) | 1471† | – |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.8† | 149.8 |
| LiveBench 1.0 | LiveBench | 78.0% | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 39.0 | 28.4 |
| AA Progress Index v1 | Artificial Analysis | 311.6 | 297.1 |
| 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)。
- 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)。
関連する比較
- GPT-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- Qwen3.6 Max vs Claude Fable 5.2
- Qwen3.6 Max vs Gemini 4 Carbon
- Qwen3.6 Max vs Claude Opus 5.5
- Qwen3.6 Max vs GPT-6 Astra
- GPT-5.4 Pro vs Qwen3.6 Max
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。