BenchLeader

GPT-5.6 Sol vs Grok 4

詳しいプロフィール:GPT-5.6 Sol(OpenAI)とGrok 4(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 · 16件の情報源のデータ

2026年11月16日時点で、品質ではGPT-5.6 SolがGrok 4を上回ります(BenchLeader Indexで65.3 対 58.1)。ただし、価格はGrok 4の方が1.3倍安く、100万トークンあたりのブレンド価格で$6.00 対 $8.00です。マルチモーダル(66 対 52)、数学(70 対 58)、コーディング(66 対 56)を重視するならGPT-5.6 Sol、長文コンテキスト(68 対 67)を重視するならGrok 4が向いています。回答開始までの時間はGrok 4の方が短く、17.5秒 対 33.5秒です。GPT-5.6 Solは出力が約1.5倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.6 Solが65.3、Grok 4が58.1です(BenchLeader、2026年11月16日)。
  • GPT-5.6 Solの100万トークンあたりのブレンド価格は$8.00です(定価、2026年11月16日)。
  • Grok 4の100万トークンあたりのブレンド価格は$6.00です(定価、2026年11月16日)。
  • GPT-5.6 SolはGrok 4より出力が約1.5倍速いです(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26件のベンチマークのうち、GPT-5.6 Solが24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-5.6 Solカテゴリスコア66 対 56;WeirdML 87.0% 対 45.7%高
エージェント・ツール利用GPT-5.6 Solカテゴリスコア68 対 59;Terminal-Bench 38.5% 対 27.2%高
数学GPT-5.6 Solカテゴリスコア70 対 58;OTIS Mock AIME 100.0% 対 84.0%高
推論GPT-5.6 Solカテゴリスコア65 対 60;GPQA Diamond 93.5% 対 87.0%中
知識GPT-5.6 Solカテゴリスコア64 対 56;MMLU-Pro 89.1% 対 85.3%高
長い文書Grok 4カテゴリスコア68 対 67;AA-LCR v1.1 68.0% 対 84.0%中
画像などのメディアGPT-5.6 Solカテゴリスコア66 対 52;MMMU-Pro 83.4% 対 68.8%高
指示への追従GPT-5.6 Solカテゴリスコア71 対 63;IFBench 72.7% 対 53.7%高
チャットの質(人間の評価)–Arenaの評価があるのはGrok 4のみです(カテゴリスコア59)比較不可
最低コストGrok 4100万トークンあたりブレンド価格$6.00 対 $8.00;エージェント型コーディングセッション$0.240 対 $0.320–
回答開始の速さGrok 4最初の回答トークンまで17.5秒(Grok 4)対 33.5秒(GPT-5.6 Sol (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-5.6 Sol (max)がリードしています:65.3 対 58.1。
  • GPT-5.6 Sol (max)はエージェント・ツール、コーディング、指示追従、知識、数学、マルチモーダル、推論で優れています。
  • Grok 4は長文コンテキストで優れています。
  • Grok 4の方が1.3倍安くなっています(100万トークンあたりブレンド価格$6.00 対 $8.00)。
  • GPT-5.6 Sol (max)の方が出力が1.4倍速くなっています(100 対 69トークン/秒)。

概要

仕様GPT-5.6 SolGrok 4
プロバイダーOpenAISpaceXAI
リリース日2026年7月9日2025年7月9日
コンテキストウィンドウ(トークン)1,050,000256,000
比較した構成GPT-5.6 Sol (max)Grok 4
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)$4.00 / $20.00 / $0.400$3.00 / $15.00 / –

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-5.6 Sol (max)Grok 4トップ
推論64.760.0GPT-5.6 Sol
コーディング65.855.9GPT-5.6 Sol
エージェント・ツール67.558.6GPT-5.6 Sol
数学70.058.3GPT-5.6 Sol
知識63.856.0GPT-5.6 Sol
指示追従71.262.5GPT-5.6 Sol
人間の評価–58.5比較不可
マルチモーダル65.952.0GPT-5.6 Sol
長文コンテキスト66.768.3Grok 4

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・ツール数学知識指示追従長文コンテキストマルチモーダルGPT-5.6 Sol, 推論: 64.7GPT-5.6 Sol, コーディング: 65.8GPT-5.6 Sol, エージェント・ツール: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知識: 63.8GPT-5.6 Sol, 指示追従: 71.2GPT-5.6 Sol, 長文コンテキスト: 66.7GPT-5.6 Sol, マルチモーダル: 65.9Grok 4, 推論: 60.0Grok 4, コーディング: 55.9Grok 4, エージェント・ツール: 58.6Grok 4, 数学: 58.3Grok 4, 知識: 56.0Grok 4, 指示追従: 62.5Grok 4, 長文コンテキスト: 68.3Grok 4, マルチモーダル: 52.0

描画していないもの(測定済みのモデルが2つ未満):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26件のベンチマークのうち、GPT-5.6 Solのリードが24件、Grok 4のリードが2件です。両方を評価しているすべての総合指標で、GPT-5.6 Solが上回っています。

総合IndexGPT-5.6 Sol (max)Grok 4トップ
BenchLeader Index65.358.1GPT-5.6 Sol
Arena Text1485†1411GPT-5.6 Sol

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-5.6 Sol (max)Grok 4
100万トークンあたりのブレンド価格$8.00$6.00
100万トークンあたりの入力/出力$4.00 / $20.00$3.00 / $15.00
100万トークンあたりのキャッシュ入力$0.400–
タスクあたりの価格:チャットの返答$0.0076$0.0057
タスクあたりの価格:30ページのレポートを要約$0.060$0.045
タスクあたりの価格:コード編集$0.054$0.041
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$0.320$0.240
タスクあたりの価格:構造化データの抽出$0.012$0.0090
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)$0.158–
出力速度100 tok/s69 tok/s
回答開始までの時間33.5秒17.5秒
回答が完了するまでの時間(最終測定2026年11月13日)157.3秒42.8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-5.6 Sol (max)のスコアは65.3、最初の回答トークンまで34秒。GPT-5.6 Sol (xhigh)は63.9(17秒)、GPT-5.6 Sol (high)は63.4(10秒)。Grok 4のスコアは58.1、最初の回答トークンまで18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

176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-5.6 Sol (max)Grok 4
BenchLeader IndexBenchLeader65.358.1
エージェント・ツールスコアBenchLeader67.558.6
コーディングスコアBenchLeader65.855.9
指示追従スコアBenchLeader71.262.5
知識スコアBenchLeader63.856.0
長文コンテキストスコアBenchLeader66.768.3
数学スコアBenchLeader70.058.3
マルチモーダルスコアBenchLeader65.952.0
推論スコアBenchLeader64.760.0
人間の評価スコアBenchLeader–58.5
ブレンド価格($/100万トークン)BenchLeader$8.00$6.00
出力速度BenchLeader100 tok/s69 tok/s
回答開始までの時間BenchLeader33.5秒17.5秒
コンテキストウィンドウBenchLeader1,050,000トークン256,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.5%87.0%
SimpleBenchSimpleBench64.8%†60.5%
Arena Hard PromptsArena (LMArena)1511†1421
LiveBench 1.0 ReasoningLiveBench91.7%–
GPQA Diamond (AA)Artificial Analysis94.1%87.7%
Humanity's Last Exam (AA)Artificial Analysis49.5%26.7%
GPQA Diamond (Vals)Vals AI95.2%88.1%
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†73.6%
GPQA Diamond (HELM)HELM Capabilities–72.6%
ARC-AGI-1ARC Prize96.5%66.7%†
ARC-AGI-2ARC Prize92.5%16.0%†
ARC-AGI-3ARC Prize7.8%–
CritPtArtificial Analysis32.3%2.0%
CritPt v2 hard subset (AA)Artificial Analysis60.0%–
MysteryMechanismVals AI33.3%–
HLE-Diamond (Scale)Scale AI SEAL31.2%†–
Arena ExpertArena (LMArena)1532†1429
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%–
LMCAEpoch AI Benchmarking Hub58.4%–
DTBenchEpoch AI Benchmarking Hub95.5%–
ForecastBenchForecastBench65.7%64.7%
BTF-3Epoch AI Benchmarking Hub13.7%–
コーディング
SciCodeSciCode57.1%–
176件のベンチマークをすべて表示
指標公開元GPT-5.6 Sol (max)Grok 4
コーディング
WeirdMLWeirdML87.0%45.7%
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1435
Arena WebDevArena (LMArena)1615†–
LiveBench 1.0 CodingLiveBench83.9%–
LiveCodeBenchVals AI82.6%83.3%
IOIVals AI91.2%–
SWE-bench (Vals)Vals AI96.2%57.8%
Aider PolyglotAider polyglot leaderboard–79.6%†
Code MigrationVals AI52.9%–
ProgramBenchVals AI1.5%–
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†–
SWE-Bench Pro V2Scale AI SEAL95.5%†–
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†–
MirrorCodeEpoch AI Benchmarking Hub20.0%†–
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.9–
FrontierSWEEpoch AI Benchmarking Hub32.2%–
WeirdML v3WeirdML15.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%–
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%–
Startrise FrontendStartrise66.2%†–
GameBench 2 OverallDuelLab GameBench 267.0†–
GameBench 2 by reasoning settingDuelLab GameBench 280.0†–
Design Arena WebsiteDesign Arena1319†1006
LiveCodeBench (AA)Artificial Analysis–81.9%
エージェント・ツール
Terminal-BenchTerminal-Bench38.5%27.2%
OSWorld-Verified 2.0OSWorld27.3%–
GDPvalOpenAI–21.1%†
CybenchCybench–43.0%
APEX-AgentsMercor51.4%†–
Arena AgentArena (LMArena)4.6†–
LiveBench Agentic CodingLiveBench56.2%–
Terminal-Bench HardArtificial Analysis65.9%37.9%
τ²-Bench Telecom (AA)Artificial Analysis85.1%74.8%
Terminal-Bench 2.1 (Vals)Vals AI85.8%–
HiL-BenchScale AI SEAL32.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1Artificial Analysis1619–
τ³-Banking (AA)Artificial Analysis44.3%–
ITBench SRE (AA)Artificial Analysis56.2%–
Analyst Agent (AA)Artificial Analysis47.5%–
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%–
Finance Agent v2Vals AI53.8%–
Harvey's Legal Agent Benchmark v1Vals AI2.5%–
Legal Research BenchVals AI48.1%–
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%–
Tax Agent BenchVals AI31.1%–
Terminal-Bench 2.0 (Vals)Vals AI–28.1%
Terminal-Bench 4.0 (Vals)Vals AI37.9%–
Terminal-Bench ScienceVals AI20.0%–
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†1123
Arena Agent Task CompletionArena (LMArena)2.3†–
BALROGBALROG60.0%43.6%
DeepResearch BenchDeepResearch Bench–47.3%
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
METR Time HorizonsMETR–66.6%
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†–
AutomationBenchArtificial Analysis60.1%–
GDP.pdf (AA)Artificial Analysis27.2%–
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis1479–
Design Arena AgenticDesign Arena1238†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%–
FACTS SearchGoogle92.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%–
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%84.0%
ProofBenchVals AI83.0%–
LiveBench MathematicsLiveBench96.2%–
AIME (Vals)Vals AI–90.6%
MGSMVals AI–90.9%
IMO 2025MathArena–21.4%
MathArena ApexMathArena–2.1%
Omni-MATH (HELM)HELM Capabilities–60.3%
MATH 500Vals AI–96.2%
Arena MathsArena (LMArena)1494†1425
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
AIME 2025 (AA)Artificial Analysis–92.7%
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%–
LiveBench 1.0 Data AnalysisLiveBench79.8%–
MMLU-ProVals AI89.1%85.3%
LegalBenchVals AI87.0%83.2%
CorpFinVals AI64.4%66.0%
TaxEvalVals AI74.8%65.1%
MedQAVals AI–92.5%
PRBench FinanceScale AI SEAL50.5%–
PRBench LegalScale AI SEAL50.5%–
MMLU-Pro (HELM)HELM Capabilities–85.1%
BioMysteryBenchVals AI71.1%–
CaseLaw v2Vals AI–65.8%
Excel Modeling BenchmarkVals AI72.3%–
MedCodeVals AI44.0%38.1%
MedScribeVals AI85.2%78.2%
Public Benefits Bench v1.1Vals AI66.5%–
Financial Coaching BenchVals AI74.9%–
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%–
Global-MMLU-Lite (AA)Artificial Analysis–89.5%
FACTS ParametricGoogle81.1%†–
指示追従
LiveBench LanguageLiveBench87.7%–
LiveBench Instruction FollowingLiveBench71.8%–
IFBenchArtificial Analysis72.7%53.7%
IFEval (HELM)HELM Capabilities–94.9%
WildBench (HELM)HELM Capabilities–79.7%
Arena Instruction FollowingArena (LMArena)1490†1396
人間の評価
Arena TextArena (LMArena)1485†1411
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†–
Arena Creative WritingArena (LMArena)1471†1394
Arena Multi-turnArena (LMArena)1491†1413
Arena Longer QueriesArena (LMArena)1498†1416
Lech Mazur Creative WritingLech Mazur–76.9%
マルチモーダル
Arena VisionArena (LMArena)1282†1210
MMMU-ProArtificial Analysis83.4%68.8%
MMMU-Pro (Vals)Vals AI88.8%76.3%
MortgageTaxVals AI67.3%44.5%
Humanity's Sixth SenseScale AI SEAL30.0%–
GeoBenchGeoBench73.0%†45.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub56.7%–
FACTS MultimodalGoogle46.4%†–
長文コンテキスト
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis84.0%68.0%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%–
FACTS GroundingGoogle61.9%†–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†146.9
LiveBench 1.0LiveBench81.0%–
AA Intelligence Index v4.3.2Artificial Analysis47.022.5
AA Progress Index v1Artificial Analysis331.5262.3
HELM Capabilities meanHELM Capabilities–78.5%
Vals RSI IndexVals AI23.9%–
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%–
安全性・誠実さ
FORTRESSScale AI SEAL20.1%†–
DistressBenchScale AI SEAL73.6%†–
メタデータ
AA Openness IndexArtificial Analysis–5.6

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

  • GPT-5.6 Sol (max):新しい結果1件(GDPval-AA v2.1)。
  • Grok 4:新しい結果1件(AIME 2025 (AA))。
  • GPT-5.6 Sol (max):スコアの改訂1件。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):スコアの改訂1件。
  • Grok 4:新しい結果1件(Arena Search)。
  • Grok 4:スコアの改訂1件。
  • GPT-5.6 Sol (max):スコアの改訂1件。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • GPT-5.6 Sol (max):新しい結果2件(AA Progress Index v1, CritPt v2 hard subset (AA))。

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-5.6 Sol vs Grok 4:よくある質問

GPT-5.6 SolはGrok 4より優れていますか?
品質ではGPT-5.6 Sol (max)がリードしています:65.3 対 58.1。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-5.6 Sol (max)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-5.6 SolとGrok 4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の方が安く、100万トークンあたり$6.00 対 $8.00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-5.6 SolとGrok 4のどちらが向いていますか?
コーディングではGPT-5.6 Solの方がスコアが高くなっています(カテゴリ指標で66 対 56。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-5.6 Solが82.6%、Grok 4が83.3%です。
GPT-5.6 SolとGrok 4はどちらが速いですか?
GPT-5.6 Solの方が出力が約1.5倍速くなっています(出力100 対 69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-5.6 SolとGrok 4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-5.6 Solの方がスコアが高くなっています(カテゴリ指標で68 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Terminal-Benchでは、GPT-5.6 Solが38.5%、Grok 4が27.2%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Grok 4の方がスコアが高くなっています(68 対 67)。コンテキストはGPT-5.6 Solの方が長く、1,050,000トークンです(Grok 4は256,000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Grok 4です。Artificial Analysisの測定では、最初の回答トークンまで17.5秒 対 33.5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-5.6 SolとGrok 4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26件のベンチマークのうち、GPT-5.6 Solのリードが24件、Grok 4のリードが2件です。両方を評価しているすべての総合指標で、GPT-5.6 Solが上回っています。
GPT-5.6 Solはいつリリースされましたか?
GPT-5.6 Solは2026年7月9日にリリースされました。