BenchLeader

GPT-5.6 Terra vs o3

詳しいプロフィール:GPT-5.6 Terra(OpenAI)とo3(OpenAI)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 18件の情報源のデータ

2026年11月16日時点で、GPT-5.6 Terraとo3の品質は互角です(BenchLeader Indexで60.1 対 60.4、±5.1の誤差範囲内)。価格はo3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$3.50 対 $4.50です。マルチモーダル(61 対 53)、人間の評価(66 対 61)、長文コンテキスト(64 対 62)を重視するならGPT-5.6 Terra、エージェント・ツール(70 対 63)、推論(61 対 55)、数学(71 対 66)を重視するならo3が向いています。回答開始までの時間はo3の方が短く、5.2秒 対 19.2秒です。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.6 Terraが60.1、o3が60.4です(BenchLeader、2026年11月16日)。
  • GPT-5.6 Terraの100万トークンあたりのブレンド価格は$4.50です(定価、2026年11月16日)。
  • o3の100万トークンあたりのブレンド価格は$3.50です(定価、2026年11月16日)。
  • 両モデルに結果がある18件のベンチマークのうち、GPT-5.6 Terraが16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
コーディングどちらでもカテゴリスコア59 対 60;Arena Coding 1517 対 1460どちらでも
エージェント・ツール利用o3カテゴリスコア70 対 63;Terminal-Bench Hard 37.1% 対 62.9%中
数学o3カテゴリスコア71 対 66;Arena Maths 1448 対 1478中
推論o3カテゴリスコア61 対 55;Arena Hard Prompts 1441 対 1491中
知識o3カテゴリスコア56 対 53中
長い文書GPT-5.6 Terraカテゴリスコア64 対 62;AA-LCR v1.1 79.0% 対 74.7%中
画像などのメディアGPT-5.6 Terraカテゴリスコア61 対 53;Arena Vision 1269 対 1214高
指示への追従どちらでもカテゴリスコア66 対 65;IFBench 66.3% 対 71.4%どちらでも
チャットの質(人間の評価)GPT-5.6 TerraArenaの投票で66 対 61中
最低コストo3100万トークンあたりブレンド価格$3.50 対 $4.50;エージェント型コーディングセッション$0.152 対 $0.168–
回答開始の速さo3最初の回答トークンまで5.2秒(o3)対 19.2秒(GPT-5.6 Terra (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

  • GPT-5.6 Terra (xhigh)とo3の品質は互角です(60.1 対 60.4、±5.1の誤差範囲内)。
  • GPT-5.6 Terra (xhigh)は人間の評価、指示追従、長文コンテキスト、マルチモーダルで優れています。
  • o3はエージェント・ツール、コーディング、知識、数学、推論で優れています。
  • o3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$3.50 対 $4.50)。
  • o3の方が出力が1.4倍速くなっています(131 対 97トークン/秒)。

概要

仕様GPT-5.6 Terrao3
プロバイダーOpenAIOpenAI
リリース日2026年7月9日2025年4月16日
コンテキストウィンドウ(トークン)1,050,000200,000
比較した構成GPT-5.6 Terra (xhigh)o3
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)$2.00 / $12.00 / $0.200$2.00 / $8.00 / $0.500

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 Terra (xhigh)o3トップ
推論54.860.9o3
コーディング59.159.8互角
エージェント・ツール63.170.3o3
数学65.770.6o3
知識53.056.2o3
指示追従65.665.2互角
人間の評価65.561.0GPT-5.6 Terra
マルチモーダル61.252.8GPT-5.6 Terra
長文コンテキスト64.161.9GPT-5.6 Terra

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人間の評価GPT-5.6 Terra, 推論: 54.8GPT-5.6 Terra, コーディング: 59.1GPT-5.6 Terra, エージェント・ツール: 63.1GPT-5.6 Terra, 数学: 65.7GPT-5.6 Terra, 知識: 53.0GPT-5.6 Terra, 指示追従: 65.6GPT-5.6 Terra, 長文コンテキスト: 64.1GPT-5.6 Terra, マルチモーダル: 61.2GPT-5.6 Terra, 人間の評価: 65.5o3, 推論: 60.9o3, コーディング: 59.8o3, エージェント・ツール: 70.3o3, 数学: 70.6o3, 知識: 56.2o3, 指示追従: 65.2o3, 長文コンテキスト: 61.9o3, マルチモーダル: 52.8o3, 人間の評価: 61.0

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18件のベンチマークのうち、GPT-5.6 Terraのリードが16件、o3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 Terraが上回っています。

総合IndexGPT-5.6 Terra (xhigh)o3トップ
BenchLeader Index60.160.4互角
Arena Text14681432GPT-5.6 Terra

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 Terra (xhigh)o3
100万トークンあたりのブレンド価格$4.50$3.50
100万トークンあたりの入力/出力$2.00 / $12.00$2.00 / $8.00
100万トークンあたりのキャッシュ入力$0.200$0.500
タスクあたりの価格:チャットの返答$0.0044$0.0032
タスクあたりの価格:30ページのレポートを要約$0.031$0.029
タスクあたりの価格:コード編集$0.030$0.024
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$0.168$0.152
タスクあたりの価格:構造化データの抽出$0.0064$0.0056
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)$0.087$0.085
出力速度97 tok/s131 tok/s
回答開始までの時間19.2秒5.2秒
回答が完了するまでの時間(最終測定2026年11月13日)84.0秒17.3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-5.6 Terra (xhigh)のスコアは60.1、最初の回答トークンまで19秒。GPT-5.6 Terra (max)は59.5(73秒)、GPT-5.6 Terra (high)は56.8(6秒)。o3のスコアは60.4、最初の回答トークンまで5秒。o3 (high)は55.1(5秒)、o3 (medium)は53.3(5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

183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 Terra (xhigh)o3
BenchLeader IndexBenchLeader60.160.4
エージェント・ツールスコアBenchLeader63.170.3
コーディングスコアBenchLeader59.159.8
人間の評価スコアBenchLeader65.561.0
指示追従スコアBenchLeader65.665.2
知識スコアBenchLeader53.056.2
長文コンテキストスコアBenchLeader64.161.9
数学スコアBenchLeader65.770.6
マルチモーダルスコアBenchLeader61.252.8
推論スコアBenchLeader54.860.9
ブレンド価格($/100万トークン)BenchLeader$4.50$3.50
出力速度BenchLeader97 tok/s131 tok/s
回答開始までの時間BenchLeader19.2秒5.2秒
コンテキストウィンドウBenchLeader1,050,000トークン200,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%†81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench48.9%53.1%†
Arena Hard PromptsArena (LMArena)14911441
LiveBench 2.0 ReasoningLiveBench90.6%†–
LiveBench 1.0 ReasoningLiveBench90.6%†–
GPQA Diamond (AA)Artificial Analysis90.8%82.7%
Humanity's Last Exam (AA)Artificial Analysis41.9%20.1%
HLE-Diamond (AA)Artificial Analysis24.7%–
GPQA Diamond (Vals)Vals AI90.9%84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize94.0%60.8%†
ARC-AGI-2ARC Prize74.2%6.5%†
ARC-AGI-3ARC Prize0.7%–
CritPtArtificial Analysis27.1%1.1%
CritPt v2 hard subset (AA)Artificial Analysis50.5%†–
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)15071448
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub52.2%39.7%†
DTBenchEpoch AI Benchmarking Hub92.5%84.8%†
ForecastBenchForecastBench–64.3%
183件のベンチマークをすべて表示
指標公開元GPT-5.6 Terra (xhigh)o3
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode52.3%–
WeirdMLWeirdML78.3%†52.4%†
FrontierCodeCognition41.3%†–
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)15171460
Arena WebDevArena (LMArena)1520–
LiveBench 2.0 CodingLiveBench84.2%†–
LiveBench 1.0 CodingLiveBench78.3%†–
LiveCodeBenchVals AI85.9%83.9%†
IOIVals AI87.6%†–
SWE-bench (Vals)Vals AI95.4%†–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Code MigrationVals AI47.8%†–
ProgramBenchVals AI0.5%†–
Vibe Code Bench 1-100Vals AI14.8%†–
Vibe Code Bench v1.1Vals AI74.6%†–
SWE-Bench Pro V2Scale AI SEAL92.4%–
SWE-Bench Pro V2 HARDScale AI SEAL86.3%–
MirrorCodeEpoch AI Benchmarking Hub41.1%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%–
CursorBenchCursor33.6%–
ALE-BenchEpoch AI Benchmarking Hub1951.4†933.5†
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%–
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%–
Startrise FrontendStartrise66.9%†–
GameBench 2 OverallDuelLab GameBench 245.6†34.1
GameBench 2 by reasoning settingDuelLab GameBench 253.530.4†
Design Arena WebsiteDesign Arena1260†1028
FrontierCode 2.0 (AA)Artificial Analysis23.9%†–
LiveCodeBench (AA)Artificial Analysis–80.8%
エージェント・ツール
Terminal-BenchTerminal-Bench21.5%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor58.2%†–
Arena AgentArena (LMArena)-1.8–
LiveBench Long AgenticLiveBench25.9%†–
LiveBench BrowserLiveBench70.3%†–
LiveBench Agentic CodingLiveBench55.0%†–
Terminal-Bench HardArtificial Analysis62.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis80.4%80.7%
Terminal-Bench 2.1 (Vals)Vals AI77.5%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis47.4%–
GDPval-AA v2.1Artificial Analysis1456–
τ³-Banking (AA)Artificial Analysis29.7%–
ITBench SRE (AA)Artificial Analysis51.0%†–
APEX-Agents (AA)Artificial Analysis38.9%†–
CyberBenchVals AI72.1%†–
Finance Agent v2Vals AI54.4%†–
Harvey's Legal Agent Benchmark v1Vals AI0.8%†–
Legal Research BenchVals AI41.4%†–
SkillsBenchVals AI58.9%†–
SREBenchVals AI9.5%†–
Tax Agent BenchVals AI30.0%†–
Terminal-Bench 4.0 (Vals)Vals AI22.7%†–
Terminal-Bench ScienceVals AI10.0%†–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)-7.2–
BALROGBALROG53.2%†–
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs7343.2†–
AutomationBenchArtificial Analysis47.1%–
GDP.pdf (AA)Artificial Analysis24.6%–
EnterpriseOps-GymArtificial Analysis38.5%†–
AA-Briefcase v1.1Artificial Analysis1332–
Design Arena AgenticDesign Arena1089†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis13.8%†–
DeepSec-Bench (AA)Artificial Analysis25.1%†–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle87.0%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI74.0%–
LiveBench MathematicsLiveBench94.9%†–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)14781448
AIME 2025 (AA)Artificial Analysis–88.3%
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†49.4%†
LiveBench 2.0 Data AnalysisLiveBench79.3%†–
LiveBench ResearchLiveBench79.7%†–
LiveBench 1.0 Data AnalysisLiveBench79.3%†–
AA-Omniscience v1.1Artificial Analysis-11.5–
MMLU-ProVals AI86.7%85.6%†
LegalBenchVals AI85.1%†83.8%†
CorpFinVals AI65.3%59.7%†
TaxEvalVals AI76.2%74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
Excel Modeling BenchmarkVals AI66.2%†–
MedCodeVals AI43.4%47.3%†
MedScribeVals AI82.9%76.7%†
Public Benefits Bench v1.1Vals AI62.4%†–
Financial Coaching BenchVals AI71.0%†–
GDP.pdfEpoch AI Benchmarking Hub24.7%†–
AA-Omniscience v1.1: accuracyArtificial Analysis41.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis9.9%–
FACTS ParametricGoogle57.6%†–
指示追従
LiveBench LanguageLiveBench82.9%†–
LiveBench Instruction FollowingLiveBench64.6%†–
IFBenchArtificial Analysis66.3%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)14631403
人間の評価
Arena TextArena (LMArena)14681432
EQ-Bench 4EQ-Bench1220†–
EQ-Bench Creative Writing v3EQ-Bench1856†1675
Arena Creative WritingArena (LMArena)14301383
Arena Multi-turnArena (LMArena)14751420
Arena Longer QueriesArena (LMArena)14691411
Lech Mazur Creative WritingLech Mazur–83.9%†
マルチモーダル
Arena VisionArena (LMArena)12691214
LiveBench DesignLiveBench70.9%†–
MMMU-ProArtificial Analysis79.5%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI86.5%†80.4%†
MortgageTaxVals AI67.3%65.7%†
SAGEVals AI87.0%†–
Humanity's Sixth SenseScale AI SEAL22.7%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†–
FACTS MultimodalGoogle39.9%†–
長文コンテキスト
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis79.0%74.7%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis22.8%–
FACTS GroundingGoogle60.5%†–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†147.1
LiveBench 2.0LiveBench67.2%†–
LiveBench 1.0LiveBench77.9%†–
AA Intelligence Index v5.0.1Artificial Analysis32.3†–
AA Intelligence Index v4.3.2Artificial Analysis38.020.2
AA Progress Index v1Artificial Analysis312258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals Multimodal IndexVals AI65.1%–
安全性・誠実さ
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL76.4%†–
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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:スコアの改訂1件。
  • GPT-5.6 Terra (xhigh):新しい結果2件(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • o3:新しい結果1件(Arena Search)。
  • GPT-5.6 Terra (xhigh):スコアの改訂1件。
  • o3:スコアの改訂1件。
  • GPT-5.6 Terra (xhigh):スコアの改訂1件。
  • GPT-5.6 Terra (xhigh):BenchLeader Index 61.2 → 60.4。
  • GPT-5.6 Terra (xhigh):新しい結果2件(AA Progress Index v1, HLE-Diamond (AA))、スコアの改訂3件。
  • o3:新しい結果1件(AA Progress Index v1)。

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 Terra vs o3:よくある質問

GPT-5.6 Terraはo3より優れていますか?
GPT-5.6 Terra (xhigh)とo3の品質は互角です(60.1 対 60.4、±5.1の誤差範囲内)。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日時点では両者の差は誤差範囲内なので、用途に合わせてカテゴリ別のスコアを確認してください。
GPT-5.6 Terraとo3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o3の方が安く、100万トークンあたり$3.50 対 $4.50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 Terraとo3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59 対 60)。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 Codingでは、GPT-5.6 Terraが1517、o3が1460です。
GPT-5.6 Terraとo3はどちらが速いですか?
o3の方が出力が速くなっています(出力131 対 97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 Terraとo3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o3の方がスコアが高くなっています(カテゴリ指標で70 対 63。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 Hardでは、GPT-5.6 Terraが62.9%、o3が37.1%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-5.6 Terraの方がスコアが高くなっています(64 対 62)。コンテキストはGPT-5.6 Terraの方が長く、1,050,000トークンです(o3は200,000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o3です。Artificial Analysisの測定では、最初の回答トークンまで5.2秒 対 19.2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 Terraとo3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18件のベンチマークのうち、GPT-5.6 Terraのリードが16件、o3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 Terraが上回っています。
GPT-5.6 Terraはいつリリースされましたか?
GPT-5.6 Terraは2026年7月9日にリリースされました。