BenchLeader

Grok 4.20 vs Qwen3.8 Max

詳しいプロフィール:Grok 4.20(SpaceXAI)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 · 14件の情報源のデータ

2026年11月16日時点で、Grok 4.20とQwen3.8 Maxの品質は互角です(BenchLeader Indexで58.3 対 58.7、±5.4の誤差範囲内)。価格はGrok 4.20の方が1.9倍安く、100万トークンあたりのブレンド価格で$1.56 対 $3.00です。推論(61 対 52)を重視するならGrok 4.20、数学(65 対 54)、コーディング(62 対 53)、エージェント・ツール(59 対 51)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Grok 4.20の方が短く、12.1秒 対 119.6秒です。Grok 4.20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Grok 4.20が58.3、Qwen3.8 Maxが58.7です(BenchLeader、2026年11月16日)。
  • Grok 4.20の100万トークンあたりのブレンド価格は$1.56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)。
  • Grok 4.20はQwen3.8 Max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40件のベンチマークのうち、Qwen3.8 Maxが40件でリードしています(BenchLeader、2026年11月16日)。
  • Arena WebDevでの評価はGrok 4.20が1376、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Qwen3.8 Maxカテゴリスコア62 対 53;Arena WebDev 1676 対 1376高
エージェント・ツール利用Qwen3.8 Maxカテゴリスコア59 対 51;Terminal-Bench 2.1 (Vals) 67.4% 対 44.2%高
数学Qwen3.8 Maxカテゴリスコア65 対 54;Arena Maths 1505 対 1464高
推論Grok 4.20カテゴリスコア61 対 52;Arena Hard Prompts 1489 対 1507高
知識Qwen3.8 Maxカテゴリスコア58 対 53;MMLU-Pro 88.6% 対 86.3%中
長い文書Qwen3.8 Maxカテゴリスコア65 対 59;AA-LCR v1.1 80.3% 対 69.0%中
画像などのメディアQwen3.8 Maxカテゴリスコア66 対 58;Arena Vision 1312 対 1263中
チャットの質(人間の評価)Qwen3.8 MaxArenaの投票で68 対 66中
最低コストGrok 4.20100万トークンあたりブレンド価格$1.56 対 $3.00;エージェント型コーディングセッション$0.085 対 $0.144–
回答開始の速さGrok 4.20最初の回答トークンまで12.1秒(Grok 4.20 (thinking))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

  • Grok 4.20 (thinking)とQwen3.8 Max (max)の品質は互角です(58.3 対 58.7、±5.4の誤差範囲内)。
  • Grok 4.20 (thinking)は推論で優れています。
  • Qwen3.8 Max (max)はエージェント・ツール、コーディング、人間の評価、知識、長文コンテキスト、数学、マルチモーダルで優れています。
  • Grok 4.20 (thinking)の方が1.9倍安くなっています(100万トークンあたりブレンド価格$1.56 対 $3.00)。
  • Grok 4.20 (thinking)の方が出力が1.9倍速くなっています(111 対 59トークン/秒)。

概要

仕様Grok 4.20Qwen3.8 Max
プロバイダーSpaceXAIAlibaba
リリース日2026年2月17日2026年8月3日
コンテキストウィンドウ(トークン)2,000,0001,000,000
比較した構成Grok 4.20 (thinking)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)$1.25 / $2.50 / $0.200$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Grok 4.20 (thinking)Qwen3.8 Max (max)トップ
推論60.551.5Grok 4.20
コーディング53.361.6Qwen3.8 Max
エージェント・ツール50.558.5Qwen3.8 Max
数学53.765.2Qwen3.8 Max
知識53.058.0Qwen3.8 Max
指示追従78.7–比較不可
人間の評価66.067.5Qwen3.8 Max
マルチモーダル58.365.7Qwen3.8 Max
長文コンテキスト58.964.8Qwen3.8 Max
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人間の評価Grok 4.20, 推論: 60.5Grok 4.20, コーディング: 53.3Grok 4.20, エージェント・ツール: 50.5Grok 4.20, 数学: 53.7Grok 4.20, 知識: 53.0Grok 4.20, 長文コンテキスト: 58.9Grok 4.20, マルチモーダル: 58.3Grok 4.20, 人間の評価: 66.0Qwen3.8 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: 65.7Qwen3.8 Max, 人間の評価: 67.5

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。

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40件のベンチマークのうち、Grok 4.20のリードが0件、Qwen3.8 Maxのリードが40件です。両方を評価しているすべての総合指標で、Qwen3.8 Maxが上回っています。

総合IndexGrok 4.20 (thinking)Qwen3.8 Max (max)トップ
BenchLeader Index58.358.7互角
Arena Text14721484Qwen3.8 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Grok 4.20 (thinking)Qwen3.8 Max (max)
100万トークンあたりのブレンド価格$1.56$3.00
100万トークンあたりの入力/出力$1.25 / $2.50$2.00 / $6.00
100万トークンあたりのキャッシュ入力$0.200$0.250
タスクあたりの価格:チャットの返答$0.0013$0.0026
タスクあたりの価格:30ページのレポートを要約$0.017$0.028
タスクあたりの価格:コード編集$0.011$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$0.085$0.144
タスクあたりの価格:構造化データの抽出$0.0030$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)$0.038$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111 tok/s59 tok/s
回答開始までの時間12.1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)43.8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。Grok 4.20 (thinking)のスコアは58.3、最初の回答トークンまで12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

157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Grok 4.20 (thinking)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader58.358.7
エージェント・ツールスコアBenchLeader50.558.5
コーディングスコアBenchLeader53.361.6
人間の評価スコアBenchLeader66.067.5
指示追従スコアBenchLeader78.7–
知識スコアBenchLeader53.058.0
長文コンテキストスコアBenchLeader58.964.8
数学スコアBenchLeader53.765.2
マルチモーダルスコアBenchLeader58.365.7
推論スコアBenchLeader60.551.5
総合スコアBenchLeader–45.0
ブレンド価格($/100万トークン)BenchLeader$1.56$3.00
出力速度BenchLeader111 tok/s59 tok/s
回答開始までの時間BenchLeader12.1秒119.6秒
コンテキストウィンドウBenchLeader2,000,000トークン1,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub89.3%92.7%†
Arena Hard PromptsArena (LMArena)14891507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis91.1%92.8%
Humanity's Last Exam (AA)Artificial Analysis34.5%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI88.6%93.7%
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize65.1%–
ARC-AGI-3ARC Prize0.1%–
CritPtArtificial Analysis6.6%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)14771514
Chess PuzzlesEpoch AI Benchmarking Hub29.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–38.0%†
CL-benchEpoch AI Benchmarking Hub22.2%†–
CL-bench LifeEpoch AI Benchmarking Hub11.9%†–
LMCAEpoch AI Benchmarking Hub38.7%†46.2%†
DTBenchEpoch AI Benchmarking Hub90.1%†92.0%†
ForecastBenchForecastBench64.1%–
コーディング
SciCodeSciCode–53.2%
WeirdMLWeirdML52.3%†–
157件のベンチマークをすべて表示
指標公開元Grok 4.20 (thinking)Qwen3.8 Max (max)
コーディング
Arena CodingArena (LMArena)15111523
Arena WebDevArena (LMArena)13761676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench–72.9%
LiveCodeBenchVals AI84.3%87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI72.2%85.6%
Code MigrationVals AI0.3%24.0%
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI4.1%64.7%
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 Hub–52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub1150.3†1679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 2–54.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–69.6†
Design Arena WebsiteDesign Arena12211269
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-Bench57.3%†27.0%
APEX-AgentsMercor–63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis93.0%–
Terminal-Bench 2.1 (Vals)Vals AI44.2%67.4%
HiL-BenchScale AI SEAL20.0%†–
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis–1674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis14.2%42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI28.5%50.6%
Harvey's Legal Agent Benchmark v1Vals AI0.0%10.4%
Legal Research BenchVals AI13.9%47.6%
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI7.0%32.1%
Terminal-Bench 2.0 (Vals)Vals AI40.5%–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)–4.5
Vending-Bench 2Andon Labs4662.9†–
AutomationBenchArtificial Analysis–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis–1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena10931264
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 Hub44.9%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub92.2%100.0%†
ProofBenchVals AI14.0%58.0%
LiveBench MathematicsLiveBench–91.3%
AIME (Vals)Vals AI96.5%–
Arena MathsArena (LMArena)14641505
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub30.2%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI86.3%88.6%
LegalBenchVals AI77.7%83.6%
CorpFinVals AI63.7%65.8%
TaxEvalVals AI74.1%75.5%
MedQAVals AI94.5%–
CaseLaw v2Vals AI54.5%–
Excel Modeling BenchmarkVals AI11.7%60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI32.2%40.7%
MedScribeVals AI63.4%85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
FACTS ParametricGoogle–30.8%
指示追従
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
IFBenchArtificial Analysis81.2%–
Arena Instruction FollowingArena (LMArena)14481478
人間の評価
Arena TextArena (LMArena)14721484
EQ-Bench Creative Writing v3EQ-Bench1574†–
Arena Creative WritingArena (LMArena)14451472
Arena Multi-turnArena (LMArena)14791495
Arena Longer QueriesArena (LMArena)14661496
マルチモーダル
Arena VisionArena (LMArena)12631312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis74.6%82.8%
MMMU-Pro (Vals)Vals AI83.5%88.0%
MortgageTaxVals AI45.4%64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub0.0%†–
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis69.0%80.3%
Arena DocumentArena (LMArena)1440–
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub152.3†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis25.745.4
AA Progress Index v1Artificial Analysis281.9323.7
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI39.1%65.4%
安全性・誠実さ
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

  • Grok 4.20 (thinking):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • 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。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):価格 $0.25/M → $0.22/M。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):価格 $0.25/M → $0.22/M。

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

Grok 4.20 vs Qwen3.8 Max:よくある質問

Grok 4.20はQwen3.8 Maxより優れていますか?
Grok 4.20 (thinking)とQwen3.8 Max (max)の品質は互角です(58.3 対 58.7、±5.4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。
Grok 4.20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Grok 4.20の方が安く、100万トークンあたり$1.56 対 $3.00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Grok 4.20とQwen3.8 Maxのどちらが向いていますか?
コーディングではQwen3.8 Maxの方がスコアが高くなっています(カテゴリ指標で62 対 53。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、Grok 4.20が1376、Qwen3.8 Maxが1676です。
Grok 4.20とQwen3.8 Maxはどちらが速いですか?
Grok 4.20の方が出力が約1.5倍速くなっています(出力111 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Grok 4.20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Qwen3.8 Maxの方がスコアが高くなっています(カテゴリ指標で59 対 51。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 2.1 (Vals)では、Grok 4.20が44.2%、Qwen3.8 Maxが67.4%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Qwen3.8 Maxの方がスコアが高くなっています(65 対 59)。コンテキストはGrok 4.20の方が長く、2,000,000トークンです(Qwen3.8 Maxは1,000,000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 4.20です。Artificial Analysisの測定では、最初の回答トークンまで12.1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。
Grok 4.20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40件のベンチマークのうち、Grok 4.20のリードが0件、Qwen3.8 Maxのリードが40件です。両方を評価しているすべての総合指標で、Qwen3.8 Maxが上回っています。
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。