BenchLeader

GPT-5 vs Grok 4.6

詳しいプロフィール:GPT-5(OpenAI)とGrok 4.6(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 · 11件の情報源のデータ

2026年11月16日時点で、GPT-5とGrok 4.6の品質は互角です(BenchLeader Indexで59.0 対 60.6、±6.4の誤差範囲内)。価格はほぼ同じです(100万トークンあたりのブレンド価格で$3.44 対 $3.00)。長文コンテキスト(70 対 65)、数学(65 対 63)を重視するならGPT-5、推論(64 対 48)、コーディング(61 対 57)、マルチモーダル(60 対 57)を重視するならGrok 4.6が向いています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5が59.0、Grok 4.6が60.6です(BenchLeader、2026年11月16日)。
  • GPT-5の100万トークンあたりのブレンド価格は$3.44です(定価、2026年11月16日)。
  • Grok 4.6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12件のベンチマークのうち、Grok 4.6が11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が1417、Grok 4.6が1618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Grok 4.6カテゴリスコア61 対 57;Arena WebDev 1618 対 1417中
エージェント・ツール利用Grok 4.6カテゴリスコア59 対 58;Terminal-Bench 19.7% 対 49.6%中
数学GPT-5カテゴリスコア65 対 63;OTIS Mock AIME 87.2% 対 97.8%中
推論Grok 4.6カテゴリスコア64 対 48;GPQA Diamond 94.0% 対 85.3%高
長い文書GPT-5カテゴリスコア70 対 65;AA-LCR v1.1 76.0% 対 80.3%中
画像などのメディアGrok 4.6カテゴリスコア60 対 57中
チャットの質(人間の評価)–Arenaの評価があるのはGrok 4.6のみです(カテゴリスコア64)比較不可
最低コストどちらでも100万トークンあたりブレンド価格$3.44 対 $3.00;エージェント型コーディングセッション$0.115 対 $0.144–
回答開始の速さどちらでも最初の回答トークンまで22.9秒(GPT-5 (medium))対 28.6秒(Grok 4.6 (high))–
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 (medium)とGrok 4.6 (high)の品質は互角です(59.0 対 60.6、±6.4の誤差範囲内)。
  • GPT-5 (medium)は長文コンテキスト、数学で優れています。
  • Grok 4.6 (high)はエージェント・ツール、コーディング、マルチモーダル、推論で優れています。
  • 価格はほぼ同じです(100万トークンあたりブレンド価格$3.00)。

概要

仕様GPT-5Grok 4.6
プロバイダーOpenAISpaceXAI
リリース日2025年8月7日2026年8月11日
コンテキストウィンドウ(トークン)400,000500,000
比較した構成GPT-5 (medium)Grok 4.6 (high)
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)$1.25 / $10.00 / $0.125$2.00 / $6.00 / $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 (medium)Grok 4.6 (high)トップ
推論47.963.5Grok 4.6
コーディング57.461.1Grok 4.6
エージェント・ツール58.159.2Grok 4.6
数学65.463.4GPT-5
知識–59.5比較不可
指示追従69.4–比較不可
人間の評価–64.1比較不可
マルチモーダル56.660.0Grok 4.6
長文コンテキスト70.464.8GPT-5

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・ツール数学長文コンテキストマルチモーダルGPT-5, 推論: 47.9GPT-5, コーディング: 57.4GPT-5, エージェント・ツール: 58.1GPT-5, 数学: 65.4GPT-5, 長文コンテキスト: 70.4GPT-5, マルチモーダル: 56.6Grok 4.6, 推論: 63.5Grok 4.6, コーディング: 61.1Grok 4.6, エージェント・ツール: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 長文コンテキスト: 64.8Grok 4.6, マルチモーダル: 60.0

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, 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のリードが1件、Grok 4.6のリードが11件です。両方を評価しているすべての総合指標で、Grok 4.6が上回っています。

総合IndexGPT-5 (medium)Grok 4.6 (high)トップ
BenchLeader Index59.060.6互角
Arena Text1435†1457Grok 4.6

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 (medium)Grok 4.6 (high)
100万トークンあたりのブレンド価格$3.44$3.00
100万トークンあたりの入力/出力$1.25 / $10.00$2.00 / $6.00
100万トークンあたりのキャッシュ入力$0.125$0.500
タスクあたりの価格:チャットの返答$0.0035$0.0026
タスクあたりの価格:30ページのレポートを要約$0.021$0.028
タスクあたりの価格:コード編集$0.022$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$0.115$0.144
タスクあたりの価格:構造化データの抽出$0.0045$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)$0.064$0.076
出力速度82 tok/s73 tok/s
回答開始までの時間22.9秒28.6秒
回答が完了するまでの時間(最終測定2026年11月13日)66.2秒62.7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 (medium)のスコアは59.0、最初の回答トークンまで23秒。GPT-5 (high)は58.2(49秒)、GPT-5は56.6(5秒)。Grok 4.6 (high)のスコアは60.6、最初の回答トークンまで29秒。Grok 4.6 (medium)は59.4(19秒)、Grok 4.6 (xhigh)は56.1(37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

186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 (medium)Grok 4.6 (high)
BenchLeader IndexBenchLeader59.060.6
エージェント・ツールスコアBenchLeader58.159.2
コーディングスコアBenchLeader57.461.1
指示追従スコアBenchLeader69.4–
長文コンテキストスコアBenchLeader70.464.8
数学スコアBenchLeader65.463.4
マルチモーダルスコアBenchLeader56.660.0
推論スコアBenchLeader47.963.5
人間の評価スコアBenchLeader–64.1
知識スコアBenchLeader–59.5
ブレンド価格($/100万トークン)BenchLeader$3.44$3.00
出力速度BenchLeader82 tok/s73 tok/s
回答開始までの時間BenchLeader22.9秒28.6秒
コンテキストウィンドウBenchLeader400,000トークン500,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub85.3%94.0%
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†75.9%†
Arena Hard PromptsArena (LMArena)1449†1481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench–90.5%†
GPQA Diamond (AA)Artificial Analysis84.2%95.0%
Humanity's Last Exam (AA)Artificial Analysis25.4%42.9%
HLE-Diamond (AA)Artificial Analysis–21.5%†
GPQA Diamond (Vals)Vals AI85.6%†94.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†–
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%87.0%
ARC-AGI-2ARC Prize7.5%65.1%
ARC-AGI-3ARC Prize–2.1%†
CritPtArtificial Analysis0.0%17.1%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†40.0%†
MysteryMechanismVals AI–30.6%
Arena ExpertArena (LMArena)1445†1496
Chess PuzzlesEpoch AI Benchmarking Hub32.0%33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%34.0%†
LMCAEpoch AI Benchmarking Hub40.0%†48.5%†
DTBenchEpoch AI Benchmarking Hub90.7%†97.3%†
ForecastBenchForecastBench65.0%†65.4%†
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
186件のベンチマークをすべて表示
指標公開元GPT-5 (medium)Grok 4.6 (high)
コーディング
SciCodeSciCode42.9%†56.5%
WeirdMLWeirdML39.8%†67.3%
FrontierCodeCognition–48.0%†
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1508
Arena WebDevArena (LMArena)14171618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench–76.8%†
SciCode (AA)Artificial Analysis–56.5%
LiveCodeBenchVals AI85.9%†88.2%
IOIVals AI–47.6%
SWE-bench (Vals)Vals AI69.0%†95.6%
SWE-Bench ProScale AI SEAL41.8%†–
Aider PolyglotAider polyglot leaderboard86.7%–
SWE-bench Verified (bash only)SWE-bench65.0%–
SWE-bench Verified (any scaffold)SWE-bench74.4%†–
Code MigrationVals AI–44.6%
ProgramBenchVals AI–1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI20.1%†76.2%
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub1162.5†1508.1†
AlgoTuneAlgoTune1.7†–
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 2–59.4†
GameBench 2 by reasoning settingDuelLab GameBench 238.068.7†
Design Arena WebsiteDesign Arena1174†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
LiveCodeBench (AA)Artificial Analysis70.3%–
エージェント・ツール
Terminal-BenchTerminal-Bench49.6%19.7%
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
APEX-AgentsMercor–65.3%†
Arena AgentArena (LMArena)–-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench–57.0%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis86.5%–
Terminal-Bench 2.1 (Vals)Vals AI–78.3%
GDPval-AA v2.1Artificial Analysis925†1627
τ³-Banking (AA)Artificial Analysis22.1%†50.7%
Analyst Agent (AA)Artificial Analysis–41.3%
CyberBenchVals AI–67.7%
Finance Agent v2Vals AI–53.7%
Harvey's Legal Agent Benchmark v1Vals AI–15.8%
Legal Research BenchVals AI–48.1%
Poker AgentVals AI1103.2%†–
SkillsBenchVals AI–55.8%
Tax Agent BenchVals AI–33.7%
Terminal-Bench 2.0 (Vals)Vals AI37.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%
Terminal-Bench ScienceVals AI–11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1189†–
Arena Agent Task CompletionArena (LMArena)–-2.6†
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
Vending-Bench 2Andon Labs–9047.0†
AutomationBenchArtificial Analysis–66.7%
GDP.pdf (AA)Artificial Analysis–17.0%
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis–1526
Design Arena AgenticDesign Arena–1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
FACTS SearchGoogle–87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%97.8%
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†51.0%†
LiveBench MathematicsLiveBench–92.6%†
AIME (Vals)Vals AI93.4%†–
MGSMVals AI92.8%†–
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†–
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1445
AIME 2025 (AA)Artificial Analysis91.7%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench–73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI86.5%†89.4%
LegalBenchVals AI86.0%†86.3%
CorpFinVals AI61.1%†66.2%
TaxEvalVals AI73.4%†71.1%
MedQAVals AI96.3%†–
PRBench FinanceScale AI SEAL51.3%†–
PRBench LegalScale AI SEAL49.0%†–
MultiNRCScale AI SEAL52.1%†–
MMLU-Pro (HELM)HELM Capabilities86.3%†–
BioMysteryBenchVals AI–72.2%
CaseLaw v2Vals AI66.5%†–
Excel Modeling BenchmarkVals AI–62.7%
MedCodeVals AI49.6%†44.7%
MedScribeVals AI83.7%†86.5%
Public Benefits Bench v1.1Vals AI–66.8%
Access to Justice BenchmarkVals AI–71.3%
Immigration BenchVals AI–66.0%
EBR-benchEpoch AI Benchmarking Hub12.7%†30.5%†
GDP.pdfEpoch AI Benchmarking Hub–16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
FACTS ParametricGoogle–44.5%†
指示追従
LiveBench LanguageLiveBench–83.7%†
LiveBench Instruction FollowingLiveBench–71.9%†
IFBenchArtificial Analysis70.6%–
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1451
人間の評価
Arena TextArena (LMArena)1427†1457
EQ-Bench Creative Writing v3EQ-Bench1626†–
Arena Creative WritingArena (LMArena)1389†1442
Arena Multi-turnArena (LMArena)1449†1449
Arena Longer QueriesArena (LMArena)1435†1476
Lech Mazur Creative WritingLech Mazur86.0%–
マルチモーダル
Arena VisionArena (LMArena)1232†1264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis74.3%–
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†–
MortgageTaxVals AI65.5%†64.2%
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–40.0%†
FACTS MultimodalGoogle–39.3%†
長文コンテキスト
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%80.3%
Arena DocumentArena (LMArena)–1450
MLCRArtificial Analysis–15.6%
FACTS GroundingGoogle–66.5%†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench–78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis22.944.3
AA Progress Index v1Artificial Analysis264.4321.5
HELM Capabilities meanHELM Capabilities80.7%†–
Vals RSI IndexVals AI–25.5%†
Vals Science IndexVals AI–38.1%
安全性・誠実さ
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
メタデータ
AA Openness IndexArtificial Analysis5.6–

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 (medium):BenchLeader Index 58.2 → 59.0。
  • GPT-5 (medium):新しい結果1件(Aider Polyglot)。
  • GPT-5 (medium):新しい結果2件(Global-MMLU-Lite (AA), AIME 2025 (AA))、スコアの改訂1件。
  • Grok 4.6 (high):新しい結果1件(GDPval-AA v2.1)。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • GPT-5 (medium):スコアの改訂1件。
  • Grok 4.6 (high):スコアの改訂2件。
  • Grok 4.6 (high):スコアの改訂1件。
  • GPT-5 (medium):スコアの改訂1件。
  • GPT-5 (medium):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 vs Grok 4.6:よくある質問

GPT-5はGrok 4.6より優れていますか?
GPT-5 (medium)とGrok 4.6 (high)の品質は互角です(59.0 対 60.6、±6.4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とGrok 4.6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 4.6の方が安く、100万トークンあたり$3.00 対 $3.44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とGrok 4.6のどちらが向いていますか?
コーディングではGrok 4.6の方がスコアが高くなっています(カテゴリ指標で61 対 57。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Arena WebDevでは、GPT-5が1417、Grok 4.6が1618です。
GPT-5とGrok 4.6はどちらが速いですか?
GPT-5の方が出力が速くなっています(出力82 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とGrok 4.6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Grok 4.6の方がスコアが高くなっています(カテゴリ指標で59 対 58。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が49.6%、Grok 4.6が19.7%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の方がスコアが高くなっています(70 対 65)。コンテキストはGrok 4.6の方が長く、500,000トークンです(GPT-5は400,000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GPT-5です。Artificial Analysisの測定では、最初の回答トークンまで22.9秒 対 28.6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とGrok 4.6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のリードが1件、Grok 4.6のリードが11件です。両方を評価しているすべての総合指標で、Grok 4.6が上回っています。
Grok 4.6はいつリリースされましたか?
Grok 4.6は2026年8月11日にリリースされました。