BenchLeader

GPT-5.4 vs Qwen3.8 Max

詳しいプロフィール:GPT-5.4(OpenAI)とQwen3.8 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 · 17件の情報源のデータ

2026年11月16日時点で、品質ではGPT-5.4がQwen3.8 Maxを上回ります(BenchLeader Indexで63.1 対 58.7)。ただし、価格はQwen3.8 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$3.00 対 $5.63です。推論(66 対 52)、エージェント・ツール(63 対 59)、コーディング(65 対 62)を重視するならGPT-5.4、マルチモーダル(66 対 61)を重視するならQwen3.8 Maxが向いています。GPT-5.4は出力が速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Qwen3.8 Maxが58.7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)。
  • Qwen3.8 Maxの100万トークンあたりのブレンド価格は$3.00です(定価、2026年11月16日)。
  • GPT-5.4はQwen3.8 Maxより出力が速いです(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37件のベンチマークのうち、Qwen3.8 Maxが22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 53.2%中
エージェント・ツール利用GPT-5.4カテゴリスコア63 対 59;τ³-Banking (AA) 39.6% 対 51.3%中
数学どちらでもカテゴリスコア65 対 65;ProofBench 56.0% 対 58.0%どちらでも
推論GPT-5.4カテゴリスコア66 対 52;Humanity's Last Exam (AA) 43.7% 対 43.1%高
知識どちらでもカテゴリスコア59 対 58;MMLU-Pro 87.5% 対 88.6%どちらでも
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 80.3%どちらでも
画像などのメディアQwen3.8 Maxカテゴリスコア66 対 61;MMMU-Pro 82.8% 対 78.4%中
チャットの質(人間の評価)–Arenaの評価があるのはQwen3.8 Maxのみです(カテゴリスコア68)比較不可
最低コストQwen3.8 Max100万トークンあたりブレンド価格$3.00 対 $5.63;エージェント型コーディングセッション$0.144 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 119.6秒(Qwen3.8 Max (max))–
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

  • 品質ではGPT-5.4 (xhigh)がリードしています:63.1 対 58.7。
  • GPT-5.4 (xhigh)はエージェント・ツール、コーディング、知識、長文コンテキスト、推論で優れています。
  • Qwen3.8 Max (max)は数学、マルチモーダルで優れています。
  • Qwen3.8 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$3.00 対 $5.63)。

概要

仕様GPT-5.4Qwen3.8 Max
プロバイダーOpenAIAlibaba
リリース日2026年3月5日2026年8月3日
コンテキストウィンドウ(トークン)1,050,0001,000,000
比較した構成GPT-5.4 (xhigh)Qwen3.8 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$2.00 / $6.00 / $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)Qwen3.8 Max (max)トップ
推論65.751.5GPT-5.4
コーディング64.761.6GPT-5.4
エージェント・ツール63.058.5GPT-5.4
数学64.865.2互角
知識58.658.0互角
指示追従72.4–比較不可
人間の評価–67.5比較不可
マルチモーダル60.865.7Qwen3.8 Max
長文コンテキスト65.764.8互角
総合–45.0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: 60.8Qwen3.8 Max, 推論: 51.5Qwen3.8 Max, コーディング: 61.6Qwen3.8 Max, エージェント・ツール: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知識: 58.0Qwen3.8 Max, 長文コンテキスト: 64.8Qwen3.8 Max, マルチモーダル: 65.7

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37件のベンチマークのうち、GPT-5.4のリードが14件、Qwen3.8 Maxのリードが22件、同点が1件です。第三者の総合指標でも評価が分かれ、GPT-5.4はBenchLeader Indexで、Qwen3.8 MaxはArena Textでリードしています。

総合IndexGPT-5.4 (xhigh)Qwen3.8 Max (max)トップ
BenchLeader Index63.158.7GPT-5.4
Arena Text1475†1484Qwen3.8 Max

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)Qwen3.8 Max (max)
100万トークンあたりのブレンド価格$5.63$3.00
100万トークンあたりの入力/出力$2.50 / $15.00$2.00 / $6.00
100万トークンあたりのキャッシュ入力$0.250$0.250
タスクあたりの価格:チャットの返答$0.0055$0.0026
タスクあたりの価格:30ページのレポートを要約$0.039$0.028
タスクあたりの価格:コード編集$0.037$0.021
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$0.144
タスクあたりの価格:構造化データの抽出$0.0080$0.0052
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$0.065
ベンチマークのタスクあたりのコスト(AA Index)–$10.02
タスクあたりの出力トークン(AA Index)–171k
うち推論–120k
タスクあたりの時間(AA Index)–48 min
出力速度73 tok/s59 tok/s
回答開始までの時間144.9秒119.6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294.1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)。Qwen3.8 Max (max)のスコアは58.7、最初の回答トークンまで120秒。Qwen3.8 Max (xhigh)は56.6(3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

184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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader63.158.7
エージェント・ツールスコアBenchLeader63.058.5
コーディングスコアBenchLeader64.761.6
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.658.0
長文コンテキストスコアBenchLeader65.764.8
数学スコアBenchLeader64.865.2
マルチモーダルスコアBenchLeader60.865.7
推論スコアBenchLeader65.751.5
総合スコアBenchLeader–45.0
人間の評価スコアBenchLeader–67.5
ブレンド価格($/100万トークン)BenchLeader$5.63$3.00
出力速度BenchLeader73 tok/s59 tok/s
回答開始までの時間BenchLeader144.9秒119.6秒
コンテキストウィンドウBenchLeader1,050,000トークン1,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%92.7%†
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench88.1%88.2%
GPQA Diamond (AA)Artificial Analysis92.0%92.8%
Humanity's Last Exam (AA)Artificial Analysis43.7%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI91.7%93.7%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)1491†1514
Chess PuzzlesEpoch AI Benchmarking Hub48.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%38.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%46.2%†
DTBenchEpoch AI Benchmarking Hub94.4%92.0%†
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
184件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Qwen3.8 Max (max)
コーディング
SciCodeSciCode56.6%53.2%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1523
Arena WebDevArena (LMArena)1400†1676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench77.5%72.9%
SciCode (AA)Artificial Analysis–53.2%
LiveCodeBenchVals AI84.1%87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI78.2%85.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%24.0%
ProgramBenchVals AI0.0%0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI67.4%64.7%
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–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub23.3%52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%57.5%†
ALE-BenchEpoch AI Benchmarking Hub1607†1679.1†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 253.4†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 262.169.6†
Design Arena WebsiteDesign Arena1190†1269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†27.0%
APEX-AgentsMercor52.4%†63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench53.8%64.7%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis12561674
τ³-Banking (AA)Artificial Analysis39.6%51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis33.3%42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI0.0%10.4%
Legal Research BenchVals AI–47.6%
SkillsBenchVals AI51.7%42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)1196†1227
Arena Agent Task CompletionArena (LMArena)–4.5
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–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis–1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena1042†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%100.0%†
ProofBenchVals AI56.0%58.0%
LiveBench MathematicsLiveBench94.2%91.3%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1505
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench79.3%78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI87.5%88.6%
LegalBenchVals AI86.0%83.6%
CorpFinVals AI65.3%65.8%
TaxEvalVals AI74.0%75.5%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI41.3%40.7%
MedScribeVals AI77.5%85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
FACTS ParametricGoogle–30.8%
指示追従
LiveBench LanguageLiveBench82.6%79.7%
LiveBench Instruction FollowingLiveBench70.2%74.1%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1478
人間の評価
Arena TextArena (LMArena)1465†1484
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1472
Arena Multi-turnArena (LMArena)1480†1495
Arena Longer QueriesArena (LMArena)1477†1496
マルチモーダル
Arena VisionArena (LMArena)1292†1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis78.4%82.8%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%88.0%
MortgageTaxVals AI68.3%64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%80.3%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench78.0%78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis39.045.4
AA Progress Index v1Artificial Analysis311.6323.7
Vals RSI IndexVals AI15.5%21.8%
Vals Multimodal IndexVals AI–65.4%
安全性・誠実さ
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–77.6%

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

  • Qwen3.8 Max (max):スコアの改訂1件。
  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • Qwen3.8 Max (max):スコアの改訂6件。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):新しい結果1件(FACTS Search)、スコアの改訂1件。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/M。

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 Qwen3.8 Max:よくある質問

GPT-5.4はQwen3.8 Maxより優れていますか?
品質ではGPT-5.4 (xhigh)がリードしています:63.1 対 58.7。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日時点では総合でGPT-5.4 (xhigh)が上回っていますが、用途に合わせてカテゴリ別のスコアも確認してください。
GPT-5.4とQwen3.8 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Qwen3.8 Maxの方が安く、100万トークンあたり$3.00 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Qwen3.8 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 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LiveCodeBenchでは、GPT-5.4が84.1%、Qwen3.8 Maxが87.8%です。
GPT-5.4とQwen3.8 Maxはどちらが速いですか?
GPT-5.4の方が出力が速くなっています(出力73 対 59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Qwen3.8 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 59。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τ³-Banking (AA)では、GPT-5.4が39.6%、Qwen3.8 Maxが51.3%です。
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互角です(66 対 65)。どちらも約1.1Mトークンです(GPT-5.4は1,050,000、Qwen3.8 Maxは1,000,000)。
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Qwen3.8 Maxです。Artificial Analysisの測定では、最初の回答トークンまで119.6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Qwen3.8 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37件のベンチマークのうち、GPT-5.4のリードが14件、Qwen3.8 Maxのリードが22件、同点が1件です。第三者の総合指標でも評価が分かれ、GPT-5.4はBenchLeader Indexで、Qwen3.8 MaxはArena Textでリードしています。
Qwen3.8 Maxはいつリリースされましたか?
Qwen3.8 Maxは2026年8月3日にリリースされました。