BenchLeader

GPT-5.5 vs Grok 4.20 Multi-Agent

詳しいプロフィール:GPT-5.5(OpenAI)とGrok 4.20 Multi-Agent(SpaceXAI)。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、品質ではGPT-5.5がGrok 4.20 Multi-Agentを上回ります(BenchLeader Indexで64.1 対 58.5)。ただし、価格はGrok 4.20 Multi-Agentの方が7.2倍安く、100万トークンあたりのブレンド価格で$1.56 対 $11.25です。数学(69 対 63)、推論(68 対 65)、マルチモーダル(62 対 59)を重視するならGPT-5.5、コーディング(64 対 61)を重視するならGrok 4.20 Multi-Agentが向いています。回答開始までの時間はGrok 4.20 Multi-Agentの方が短く、11.8秒 対 38.3秒です。Grok 4.20 Multi-Agentは出力が3倍以上速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.5が64.1、Grok 4.20 Multi-Agentが58.5です(BenchLeader、2026年11月16日)。
  • GPT-5.5の100万トークンあたりのブレンド価格は$11.25です(定価、2026年11月16日)。
  • Grok 4.20 Multi-Agentの100万トークンあたりのブレンド価格は$1.56です(定価、2026年11月16日)。
  • Grok 4.20 Multi-AgentはGPT-5.5より出力が3倍以上速いです(Artificial Analysis、7日間の中央値、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Grok 4.20 Multi-Agentカテゴリスコア64 対 61中
数学GPT-5.5カテゴリスコア69 対 63中
推論GPT-5.5カテゴリスコア68 対 65中
画像などのメディアGPT-5.5カテゴリスコア62 対 59中
チャットの質(人間の評価)–Arenaの評価があるのはGrok 4.20 Multi-Agentのみです(カテゴリスコア66)比較不可
最低コストGrok 4.20 Multi-Agent100万トークンあたりブレンド価格$1.56 対 $11.25;エージェント型コーディングセッション$0.085 対 $0.420–
回答開始の速さGrok 4.20 Multi-Agent最初の回答トークンまで11.8秒(Grok 4.20 Multi-Agent)対 38.3秒(GPT-5.5 (xhigh))–
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-5.5 (xhigh)がリードしています:64.1 対 58.5。
  • GPT-5.5 (xhigh)は数学、マルチモーダル、推論で優れています。
  • Grok 4.20 Multi-Agentはコーディングで優れています。
  • Grok 4.20 Multi-Agentの方が7.2倍安くなっています(100万トークンあたりブレンド価格$1.56 対 $11.25)。
  • Grok 4.20 Multi-Agentの方が出力が4.3倍速くなっています(349 対 81トークン/秒)。

概要

仕様GPT-5.5Grok 4.20 Multi-Agent
プロバイダーOpenAISpaceXAI
リリース日2026年4月23日2026年3月9日
コンテキストウィンドウ(トークン)1,050,0002,000,000
比較した構成GPT-5.5 (xhigh)Grok 4.20 Multi-Agent
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)$5.00 / $30.00 / $0.500$1.25 / $2.50 / $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-5.5 (xhigh)Grok 4.20 Multi-Agentトップ
推論68.164.7GPT-5.5
コーディング60.764.3Grok 4.20 Multi-Agent
エージェント・ツール61.8–比較不可
数学69.363.4GPT-5.5
知識63.6–比較不可
指示追従74.0–比較不可
人間の評価–65.9比較不可
マルチモーダル62.359.3GPT-5.5
長文コンテキスト66.9–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推論コーディング数学マルチモーダルGPT-5.5, 推論: 68.1GPT-5.5, コーディング: 60.7GPT-5.5, 数学: 69.3GPT-5.5, マルチモーダル: 62.3Grok 4.20 Multi-Agent, 推論: 64.7Grok 4.20 Multi-Agent, コーディング: 64.3Grok 4.20 Multi-Agent, 数学: 63.4Grok 4.20 Multi-Agent, マルチモーダル: 59.3

描画していないもの(測定済みのモデルが2つ未満):エージェント・ツール, 知識, 指示追従, 長文コンテキスト, 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0件のベンチマークのうち、GPT-5.5のリードが0件、Grok 4.20 Multi-Agentのリードが0件です。両方を評価しているすべての総合指標で、GPT-5.5が上回っています。

総合IndexGPT-5.5 (xhigh)Grok 4.20 Multi-Agentトップ
BenchLeader Index64.158.5GPT-5.5
Arena Text1481†1471GPT-5.5

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-5.5 (xhigh)Grok 4.20 Multi-Agent
100万トークンあたりのブレンド価格$11.25$1.56
100万トークンあたりの入力/出力$5.00 / $30.00$1.25 / $2.50
100万トークンあたりのキャッシュ入力$0.500$0.200
タスクあたりの価格:チャットの返答$0.011$0.0013
タスクあたりの価格:30ページのレポートを要約$0.078$0.017
タスクあたりの価格:コード編集$0.075$0.011
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$0.420$0.085
タスクあたりの価格:構造化データの抽出$0.016$0.0030
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)$0.217$0.038
出力速度81 tok/s349 tok/s
回答開始までの時間38.3秒11.8秒
回答が完了するまでの時間(最終測定2026年11月13日)104.3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-5.5 (xhigh)のスコアは64.1、最初の回答トークンまで38秒。GPT-5.5 (high)は63.5(16秒)、GPT-5.5は61.0(3秒)。Grok 4.20 Multi-Agentのスコアは58.5、最初の回答トークンまで12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

132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-5.5 (xhigh)Grok 4.20 Multi-Agent
BenchLeader IndexBenchLeader64.158.5
エージェント・ツールスコアBenchLeader61.8–
コーディングスコアBenchLeader60.764.3
指示追従スコアBenchLeader74.0–
知識スコアBenchLeader63.6–
長文コンテキストスコアBenchLeader66.9–
数学スコアBenchLeader69.363.4
マルチモーダルスコアBenchLeader62.359.3
推論スコアBenchLeader68.164.7
人間の評価スコアBenchLeader–65.9
ブレンド価格($/100万トークン)BenchLeader$11.25$1.56
出力速度BenchLeader81 tok/s349 tok/s
回答開始までの時間BenchLeader38.3秒11.8秒
コンテキストウィンドウBenchLeader1,050,000トークン2,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub90.7%†–
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1484
LiveBench 1.0 ReasoningLiveBench89.7%–
GPQA Diamond (AA)Artificial Analysis93.5%–
Humanity's Last Exam (AA)Artificial Analysis45.8%–
GPQA Diamond (Vals)Vals AI93.2%–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%–
Arena ExpertArena (LMArena)1510†1483
Chess PuzzlesEpoch AI Benchmarking Hub63.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%–
DTBenchEpoch AI Benchmarking Hub96.0%–
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
コーディング
SciCodeSciCode55.8%–
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1509
132件のベンチマークをすべて表示
指標公開元GPT-5.5 (xhigh)Grok 4.20 Multi-Agent
コーディング
Arena WebDevArena (LMArena)1512–
LiveBench 1.0 CodingLiveBench82.2%–
LiveCodeBenchVals AI85.3%–
SWE-bench (Vals)Vals AI82.6%–
Code MigrationVals AI45.2%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI69.8%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%–
MirrorCodeEpoch AI Benchmarking Hub23.3%–
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.0–
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%–
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%–
GameBench 2 OverallDuelLab GameBench 249.2†–
GameBench 2 by reasoning settingDuelLab GameBench 259.9–
Design Arena WebsiteDesign Arena1248†–
エージェント・ツール
Terminal-BenchTerminal-Bench84.7%†–
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†–
LiveBench Agentic CodingLiveBench54.0%–
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†–
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1Artificial Analysis1357–
τ³-Banking (AA)Artificial Analysis39.0%–
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%–
Finance Agent v2Vals AI51.8%–
Harvey's Legal Agent Benchmark v1Vals AI3.8%–
Legal Research BenchVals AI40.4%–
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†1207
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†–
Vending-Bench 2Andon Labs7523.8†–
AutomationBenchArtificial Analysis47.3%–
GDP.pdf (AA)Artificial Analysis21.2%–
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis1135–
Design Arena AgenticDesign Arena1113†–
RoboDojo (LLM as robot policy)RoboDojo1.1†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%–
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†–
ProofBenchVals AI50.0%–
LiveBench MathematicsLiveBench95.9%–
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1455
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 1.0 Data AnalysisLiveBench81.6%–
MMLU-ProVals AI88.1%–
LegalBenchVals AI86.5%–
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%–
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%–
MedCodeVals AI49.1%–
MedScribeVals AI86.9%–
Public Benefits Bench v1.1Vals AI60.9%–
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%–
指示追従
LiveBench LanguageLiveBench87.4%–
LiveBench Instruction FollowingLiveBench70.7%–
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1444
人間の評価
Arena TextArena (LMArena)1476†1471
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†–
Arena Creative WritingArena (LMArena)1448†1448
Arena Multi-turnArena (LMArena)1484†1475
Arena Longer QueriesArena (LMArena)1486†1458
マルチモーダル
Arena VisionArena (LMArena)1296†1259
MMMU-ProArtificial Analysis79.9%–
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.8%–
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
Code2Video-AAArtificial Analysis1000–
長文コンテキスト
AA-LCR v1.1Artificial Analysis84.3%–
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†–
LiveBench 1.0LiveBench80.2%–
AA Intelligence Index v4.3.2Artificial Analysis38.4–
AA Progress Index v1Artificial Analysis320–
Vals RSI IndexVals AI16.5%–
Vals Multimodal IndexVals AI68.1%–
安全性・誠実さ
FORTRESSScale AI SEAL16.3%–

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

  • GPT-5.5 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):スコアの改訂1件。
  • GPT-5.5 (xhigh):新しい結果1件(MirrorCode)。
  • GPT-5.5 (xhigh):スコアの改訂1件。
  • GPT-5.5 (xhigh):新しい結果1件(AA Progress Index v1)。
  • GPT-5.5 (xhigh):価格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):新しい結果1件(AA-Briefcase v1.1)。
  • GPT-5.5 (xhigh):新しい結果2件(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.5 (xhigh):スコアの改訂1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-5.5 vs Grok 4.20 Multi-Agent:よくある質問

GPT-5.5はGrok 4.20 Multi-Agentより優れていますか?
品質ではGPT-5.5 (xhigh)がリードしています:64.1 対 58.5。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-5.5 (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-5.5とGrok 4.20 Multi-Agent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Grok 4.20 Multi-Agentの方が安く、100万トークンあたり$1.56 対 $11.25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-5.5とGrok 4.20 Multi-Agentのどちらが向いていますか?
コーディングではGrok 4.20 Multi-Agentの方がスコアが高くなっています(カテゴリ指標で64 対 61。50が平均)。
GPT-5.5とGrok 4.20 Multi-Agentはどちらが速いですか?
Grok 4.20 Multi-Agentの方が出力が3倍以上速くなっています(出力349 対 81トークン/秒、Artificial Analysisの7日間の中央値)。
長い文書にはどちらが向いていますか?
コンテキストはGrok 4.20 Multi-Agentの方が長く、2,000,000トークンです(GPT-5.5は1,050,000トークン)。
ほかの質問(2件)
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Grok 4.20 Multi-Agentです。Artificial Analysisの測定では、最初の回答トークンまで11.8秒 対 38.3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-5.5はいつリリースされましたか?
GPT-5.5は2026年4月23日にリリースされました。