BenchLeader

GPT-5.5 vs Qwen3.8 Max

詳しいプロフィール:GPT-5.5(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-5.5がQwen3.8 Maxを上回ります(BenchLeader Indexで64.1 対 58.7)。ただし、価格はQwen3.8 Maxの方が3.8倍安く、100万トークンあたりのブレンド価格で$3.00 対 $11.25です。推論(68 対 52)、知識(64 対 58)、数学(69 対 65)を重視するならGPT-5.5、マルチモーダル(66 対 62)を重視するならQwen3.8 Maxが向いています。回答開始までの時間はGPT-5.5の方が短く、38.3秒 対 119.6秒です。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.5が64.1、Qwen3.8 Maxが58.7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 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)。
  • 両モデルに結果がある53件のベンチマークのうち、GPT-5.5が27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 Maxが1676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 1676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 59;τ³-Banking (AA) 39.0% 対 51.3%中
数学GPT-5.5カテゴリスコア69 対 65;ProofBench 50.0% 対 58.0%中
推論GPT-5.5カテゴリスコア68 対 52;LiveBench 1.0 Reasoning 89.7% 対 88.2%高
知識GPT-5.5カテゴリスコア64 対 58;LegalBench 86.5% 対 83.6%中
長い文書GPT-5.5カテゴリスコア67 対 65;AA-LCR v1.1 84.3% 対 80.3%中
画像などのメディアQwen3.8 Maxカテゴリスコア66 対 62;MMMU-Pro 82.8% 対 79.9%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 $11.25;エージェント型コーディングセッション$0.144 対 $0.420–
回答開始の速さGPT-5.5最初の回答トークンまで38.3秒(GPT-5.5 (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-5.5 (xhigh)がリードしています:64.1 対 58.7。
  • GPT-5.5 (xhigh)はエージェント・ツール、知識、長文コンテキスト、数学、推論で優れています。
  • Qwen3.8 Max (max)はコーディング、マルチモーダルで優れています。
  • Qwen3.8 Max (max)の方が3.8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 $11.25)。
  • GPT-5.5 (xhigh)の方が出力が1.4倍速くなっています(81 対 59トークン/秒)。

概要

仕様GPT-5.5Qwen3.8 Max
プロバイダーOpenAIAlibaba
リリース日2026年4月23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-5.5 (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)$5.00 / $30.00 / $0.500$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-5.5 (xhigh)Qwen3.8 Max (max)トップ
推論68.151.5GPT-5.5
コーディング60.761.6互角
エージェント・ツール61.858.5GPT-5.5
数学69.365.2GPT-5.5
知識63.658.0GPT-5.5
指示追従74.0–比較不可
人間の評価–67.5比較不可
マルチモーダル62.365.7Qwen3.8 Max
長文コンテキスト66.964.8GPT-5.5
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-5.5, 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, 知識: 63.6GPT-5.5, 長文コンテキスト: 66.9GPT-5.5, マルチモーダル: 62.3Qwen3.8 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53件のベンチマークのうち、GPT-5.5のリードが27件、Qwen3.8 Maxのリードが26件です。第三者の総合指標でも評価が分かれ、GPT-5.5はBenchLeader Indexで、Qwen3.8 MaxはArena Textでリードしています。

総合IndexGPT-5.5 (xhigh)Qwen3.8 Max (max)トップ
BenchLeader Index64.158.7GPT-5.5
Arena Text1481†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-5.5 (xhigh)Qwen3.8 Max (max)
100万トークンあたりのブレンド価格$11.25$3.00
100万トークンあたりの入力/出力$5.00 / $30.00$2.00 / $6.00
100万トークンあたりのキャッシュ入力$0.500$0.250
タスクあたりの価格:チャットの返答$0.011$0.0026
タスクあたりの価格:30ページのレポートを要約$0.078$0.028
タスクあたりの価格:コード編集$0.075$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$0.420$0.144
タスクあたりの価格:構造化データの抽出$0.016$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)$0.217$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81 tok/s59 tok/s
回答開始までの時間38.3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)104.3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-5.5 (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 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

180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 Max (max)
BenchLeader IndexBenchLeader64.158.7
エージェント・ツールスコアBenchLeader61.858.5
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BenchLeader63.658.0
長文コンテキストスコアBenchLeader66.964.8
数学スコアBenchLeader69.365.2
マルチモーダルスコアBenchLeader62.365.7
推論スコアBenchLeader68.151.5
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$11.25$3.00
出力速度BenchLeader81 tok/s59 tok/s
回答開始までの時間BenchLeader38.3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 Hub90.7%†92.7%†
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench89.7%88.2%
GPQA Diamond (AA)Artificial Analysis93.5%92.8%
Humanity's Last Exam (AA)Artificial Analysis45.8%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI93.2%93.7%
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)1510†1514
Chess PuzzlesEpoch AI Benchmarking Hub63.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%38.0%†
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%46.2%†
DTBenchEpoch AI Benchmarking Hub96.0%92.0%†
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
コーディング
SciCodeSciCode55.8%53.2%
180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 Max (max)
コーディング
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1523
Arena WebDevArena (LMArena)15121676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench82.2%72.9%
LiveCodeBenchVals AI85.3%87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI82.6%85.6%
Code MigrationVals AI45.2%24.0%
ProgramBenchVals AI0.5%0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI69.8%64.7%
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%–
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%†
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%57.5%†
ALE-BenchEpoch AI Benchmarking Hub1943.01679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 249.2†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 259.969.6†
Design Arena WebsiteDesign Arena1248†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-Bench84.7%†27.0%
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench54.0%64.7%
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†67.4%
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis13571674
τ³-Banking (AA)Artificial Analysis39.0%51.3%
ITBench SRE (AA)Artificial Analysis45.8%40.3%
Analyst Agent (AA)Artificial Analysis50.0%45.0%
APEX-Agents (AA)Artificial Analysis37.7%42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI51.8%50.6%
Harvey's Legal Agent Benchmark v1Vals AI3.8%10.4%
Legal Research BenchVals AI40.4%47.6%
SkillsBenchVals AI62.2%42.0%
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%32.1%
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†1227
Arena Agent Task CompletionArena (LMArena)–4.5
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%56.2%
GDP.pdf (AA)Artificial Analysis21.2%22.8%
EnterpriseOps-GymArtificial Analysis46.6%47.6%
AA-Briefcase v1.1Artificial Analysis11351604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena1113†1264
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†100.0%†
ProofBenchVals AI50.0%58.0%
LiveBench MathematicsLiveBench95.9%91.3%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1505
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench81.6%78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI88.1%88.6%
LegalBenchVals AI86.5%83.6%
CorpFinVals AI68.4%65.8%
TaxEvalVals AI75.0%75.5%
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI49.1%40.7%
MedScribeVals AI86.9%85.0%
Public Benefits Bench v1.1Vals AI60.9%67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%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 LanguageLiveBench87.4%79.7%
LiveBench Instruction FollowingLiveBench70.7%74.1%
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1478
人間の評価
Arena TextArena (LMArena)1476†1484
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†–
Arena Creative WritingArena (LMArena)1448†1472
Arena Multi-turnArena (LMArena)1484†1495
Arena Longer QueriesArena (LMArena)1486†1496
マルチモーダル
Arena VisionArena (LMArena)1296†1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis79.9%82.8%
MMMU-Pro (Vals)Vals AI88.3%88.0%
MortgageTaxVals AI68.8%64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis10001021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis84.3%80.3%
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%26.1%
FACTS GroundingGoogle–73.8%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench80.2%78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis38.445.4
AA Progress Index v1Artificial Analysis320323.7
Vals RSI IndexVals AI16.5%21.8%
Vals Multimodal IndexVals AI68.1%65.4%
安全性・誠実さ
FORTRESSScale AI SEAL16.3%–
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-5.5 (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-5.5 (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)。
  • Qwen3.8 Max (max):スコアの改訂6件。
  • 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-5.5 (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 Qwen3.8 Max:よくある質問

GPT-5.5はQwen3.8 Max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 58.7。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-5.5 (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 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 $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 Max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 Maxが1676です。
GPT-5.5とQwen3.8 Max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 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-5.5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-5.5の方がスコアが高くなっています(カテゴリ指標で62 対 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-5.5が39.0%、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GPT-5.5の方がスコアが高くなっています(67 対 65)。どちらも約1.1Mトークンです(GPT-5.5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GPT-5.5です。Artificial Analysisの測定では、最初の回答トークンまで38.3秒 対 119.6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 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53件のベンチマークのうち、GPT-5.5のリードが27件、Qwen3.8 Maxのリードが26件です。第三者の総合指標でも評価が分かれ、GPT-5.5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。