BenchLeader

GPT-5.5 vs Qwen3.8 27B

詳しいプロフィール:GPT-5.5(OpenAI)とQwen3.8 27B(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 · 13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Qwen3.8 27Bを上回ります(BenchLeader Indexで64.1 対 55.1)。ただし、価格はQwen3.8 27Bの方が10倍安く、100万トークンあたりのブレンド価格で$1.09 対 $11.25です。両方を測定できるすべてのカテゴリでGPT-5.5がリードしています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.5が64.1、Qwen3.8 27Bが55.1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)。
  • Qwen3.8 27Bの100万トークンあたりのブレンド価格は$1.09です(定価、2026年11月16日)。
  • 両モデルに結果がある12件のベンチマークのうち、GPT-5.5が9件でリードしています(BenchLeader、2026年11月16日)。
  • Arena WebDevでの評価はGPT-5.5が1512、Qwen3.8 27Bが1590です(LMArena、2026年11月16日までの公開値)。

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
コーディングどちらでもカテゴリスコア61 対 62;Arena WebDev 1512 対 1590どちらでも
エージェント・ツール利用GPT-5.5カテゴリスコア62 対 44;LiveBench Agentic Coding 54.0% 対 61.4%高
数学GPT-5.5カテゴリスコア69 対 55;ProofBench 50.0% 対 16.0%高
推論GPT-5.5カテゴリスコア68 対 58;LiveBench 1.0 Reasoning 89.7% 対 80.0%高
画像などのメディアGPT-5.5カテゴリスコア62 対 61中
チャットの質(人間の評価)–Arenaの評価があるのはQwen3.8 27Bのみです(カテゴリスコア61)比較不可
最低コストQwen3.8 27B100万トークンあたりブレンド価格$1.06 対 $11.25;エージェント型コーディングセッション$0.037 対 $0.420–
回答開始の速さQwen3.8 27B最初の回答トークンまで0.7秒(Qwen3.8 27B)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 55.1。
  • GPT-5.5 (xhigh)はエージェント・ツール、数学、マルチモーダル、推論で優れています。
  • Qwen3.8 27Bはコーディングで優れています。
  • Qwen3.8 27Bの方が10倍安くなっています(100万トークンあたりブレンド価格$1.09 対 $11.25)。

概要

仕様GPT-5.5Qwen3.8 27B
プロバイダーOpenAIAlibaba
リリース日2026年4月23日2026年8月14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-5.5 (xhigh)Qwen3.8 27B
オープンウェイトなしあり
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$0.420 / $3.00 / $0.085

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)Qwen3.8 27Bトップ
推論68.157.6GPT-5.5
コーディング60.761.6互角
エージェント・ツール61.844.2GPT-5.5
数学69.354.6GPT-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–61.3比較不可
マルチモーダル62.360.7GPT-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推論コーディングエージェント・ツール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, エージェント・ツール: 61.8GPT-5.5, 数学: 69.3GPT-5.5, マルチモーダル: 62.3Qwen3.8 27B, 推論: 57.6Qwen3.8 27B, コーディング: 61.6Qwen3.8 27B, エージェント・ツール: 44.2Qwen3.8 27B, 数学: 54.6Qwen3.8 27B, マルチモーダル: 60.7

描画していないもの(測定済みのモデルが2つ未満):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12件のベンチマークのうち、GPT-5.5のリードが9件、Qwen3.8 27Bのリードが3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)Qwen3.8 27Bトップ
BenchLeader Index64.155.1GPT-5.5
Arena Text1481†1434GPT-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)Qwen3.8 27B
100万トークンあたりのブレンド価格$11.25$1.06
100万トークンあたりの入力/出力$5.00 / $30.00$0.420 / $3.00
100万トークンあたりのキャッシュ入力$0.500$0.085
タスクあたりの価格:チャットの返答$0.011$0.0011
タスクあたりの価格:30ページのレポートを要約$0.078$0.0068
タスクあたりの価格:コード編集$0.075$0.0070
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$0.037
タスクあたりの価格:構造化データの抽出$0.016$0.0014
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$0.022
出力速度81 tok/s73 tok/s
回答開始までの時間38.3秒0.7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)。Qwen3.8 27Bのスコアは55.1、最初の回答トークンまで1秒。Qwen3.8 27B (xhigh)は52.2(109秒)、Qwen3.8 27B (medium)は50.2(24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

161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)Qwen3.8 27B
BenchLeader IndexBenchLeader64.155.1
エージェント・ツールスコアBenchLeader61.844.2
コーディングスコアBenchLeader60.761.6
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BenchLeader69.354.6
マルチモーダルスコアBenchLeader62.360.7
推論スコアBenchLeader68.157.6
人間の評価スコアBenchLeader–61.3
ブレンド価格($/100万トークン)BenchLeader$11.25$1.06
出力速度BenchLeader81 tok/s73 tok/s
回答開始までの時間BenchLeader38.3秒0.7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 Hub90.7%†–
SimpleBenchSimpleBench69.0%†60.2%
Arena Hard PromptsArena (LMArena)1499†1459
LiveBench 2.0 ReasoningLiveBench–80.0%†
LiveBench 1.0 ReasoningLiveBench89.7%80.0%
GPQA Diamond (AA)Artificial Analysis93.5%90.5%†
Humanity's Last Exam (AA)Artificial Analysis45.8%33.9%†
HLE-Diamond (AA)Artificial Analysis–15.3%†
GPQA Diamond (Vals)Vals AI93.2%88.9%†
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%87.5%†
ARC-AGI-2ARC Prize85.0%42.4%†
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%5.4%†
CritPt v2 hard subset (AA)Artificial Analysis–4.0%†
Arena ExpertArena (LMArena)1510†1473
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%41.4%
DTBenchEpoch AI Benchmarking Hub96.0%88.0%
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
コーディング
SciCodeSciCode55.8%46.6%†
WeirdMLWeirdML84.9%–
161件のベンチマークをすべて表示
指標公開元GPT-5.5 (xhigh)Qwen3.8 27B
コーディング
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1496
Arena WebDevArena (LMArena)15121590
LiveBench 2.0 CodingLiveBench–69.3%†
LiveBench 1.0 CodingLiveBench82.2%75.7%
LiveCodeBenchVals AI85.3%84.0%†
IOIVals AI–39.1%†
SWE-bench (Vals)Vals AI82.6%86.0%†
Code MigrationVals AI45.2%14.2%†
ProgramBenchVals AI0.5%0.0%†
Vibe Code Bench v1.1Vals AI69.8%64.8%†
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%†45.0%†
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.0–
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%5.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%79.8%†
GameBench 2 OverallDuelLab GameBench 249.2†–
GameBench 2 by reasoning settingDuelLab GameBench 259.943.8†
Design Arena WebsiteDesign Arena1248†–
FrontierCode 1.1 (AA)Artificial Analysis–34.2%†
FrontierCode 2.0 (AA)Artificial Analysis–14.9%†
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%†47.5%
Arena AgentArena (LMArena)–-4.8
LiveBench Long AgenticLiveBench–15.9%†
LiveBench BrowserLiveBench–24.2%†
LiveBench Agentic CodingLiveBench54.0%61.4%
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†58.4%†
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–46.0%†
GDPval-AA v2.1Artificial Analysis13571426†
τ³-Banking (AA)Artificial Analysis39.0%48.0%†
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%–
CyberBenchVals AI–67.8%†
Finance Agent v2Vals AI51.8%48.5%†
Harvey's Legal Agent Benchmark v1Vals AI3.8%11.3%†
Legal Research BenchVals AI40.4%36.1%†
SkillsBenchVals AI62.2%38.1%†
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%30.9%†
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench ScienceVals AI–0.0%†
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†–
Arena Agent Task CompletionArena (LMArena)–-2.7
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%48.2%†
GDP.pdf (AA)Artificial Analysis21.2%16.4%†
EnterpriseOps-GymArtificial Analysis46.6%44.2%†
AA-Briefcase v1.1Artificial Analysis11351391†
Design Arena AgenticDesign Arena1113†–
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–0.5%†
CWE-Bench (AA)Artificial Analysis–26.7%†
DeepSec-Bench (AA)Artificial Analysis–11.5%†
CyberGym end-to-end (AA)Artificial Analysis–0.0%†
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%16.0%
LiveBench MathematicsLiveBench95.9%86.2%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1451
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 2.0 Data AnalysisLiveBench–76.6%†
LiveBench ResearchLiveBench–61.3%†
LiveBench 1.0 Data AnalysisLiveBench81.6%76.6%
AA-Omniscience v1.1Artificial Analysis–-6.4†
MMLU-ProVals AI88.1%84.3%†
LegalBenchVals AI86.5%82.4%†
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%70.8%†
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%59.7%†
MedCodeVals AI49.1%28.7%†
MedScribeVals AI86.9%83.8%†
Public Benefits Bench v1.1Vals AI60.9%–
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–17.3%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–71.4%†
指示追従
LiveBench LanguageLiveBench87.4%74.3%
LiveBench Instruction FollowingLiveBench70.7%72.7%
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1419
人間の評価
Arena TextArena (LMArena)1476†1434
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†1671
Arena Creative WritingArena (LMArena)1448†1359
Arena Multi-turnArena (LMArena)1484†1436
Arena Longer QueriesArena (LMArena)1486†1443
マルチモーダル
Arena VisionArena (LMArena)1296†1270
LiveBench DesignLiveBench–72.4%†
MMMU-ProArtificial Analysis79.9%76.3%†
MMMU-Pro (Vals)Vals AI88.3%83.9%†
MortgageTaxVals AI68.8%64.9%†
GeoBenchGeoBench–38.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
Code2Video-AAArtificial Analysis1000949†
長文コンテキスト
AA-LCR v1.1Artificial Analysis84.3%82.0%†
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%22.8%†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†152.6
LiveBench 2.0LiveBench–54.0%†
LiveBench 1.0LiveBench80.2%75.3%
AA Intelligence Index v5.0.1Artificial Analysis–20.1†
AA Intelligence Index v4.3.2Artificial Analysis38.433.7†
AA Progress Index v1Artificial Analysis320303.1†
Vals RSI IndexVals AI16.5%–
Vals Multimodal IndexVals AI68.1%–
AA Cyber IndexArtificial Analysis–12.7†
安全性・誠実さ
FORTRESSScale AI SEAL16.3%–
メタデータ
AA Openness IndexArtificial Analysis–38.9†

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 27B:BenchLeader Index 53.2 → 55.1。
  • Qwen3.8 27B:価格 $0.10/M → $0.085/M。
  • GPT-5.5 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Qwen3.8 27B:入力価格 $0.45/M → $0.42/M。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):スコアの改訂1件。
  • Qwen3.8 27B:BenchLeader Index 54.0 → 53.2。
  • GPT-5.5 (xhigh):新しい結果1件(MirrorCode)。
  • Qwen3.8 27B:新しい結果2件(SimpleBench, GeoBench)。
  • Qwen3.8 27B:スコアの改訂5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 Qwen3.8 27B:よくある質問

GPT-5.5はQwen3.8 27B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 55.1。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Qwen3.8 27B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 27Bの方が安く、100万トークンあたり$1.09 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Qwen3.8 27Bのどちらが向いていますか?
コーディングでは互角です(カテゴリ指標で61 対 62)。共通するコーディングベンチマークのうち最も重要なArena WebDevでは、GPT-5.5が1512、Qwen3.8 27Bが1590です。
GPT-5.5とQwen3.8 27Bはどちらが速いですか?
GPT-5.5の方が出力が速くなっています(出力81 対 73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-5.5とQwen3.8 27B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-5.5の方がスコアが高くなっています(カテゴリ指標で62 対 44。50が平均)。
ほかの質問(4件)
長い文書にはどちらが向いていますか?
コンテキストはGPT-5.5の方が長く、1,050,000トークンです(Qwen3.8 27Bは262,144トークン)。
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 27Bです。Artificial Analysisの測定では、最初の回答トークンまで0.7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とQwen3.8 27B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12件のベンチマークのうち、GPT-5.5のリードが9件、Qwen3.8 27Bのリードが3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。
Qwen3.8 27Bはいつリリースされましたか?
Qwen3.8 27Bは2026年8月14日にリリースされました。