Grok 4.3 vs o3
詳しいプロフィール:Grok 4.3(SpaceXAI)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 · 16件の情報源のデータ
2026年11月16日時点で、Grok 4.3とo3の品質は互角です(BenchLeader Indexで56.5 対 60.4、±7.4の誤差範囲内)。価格はGrok 4.3の方が2.2倍安く、100万トークンあたりのブレンド価格で$1.56 対 $3.50です。指示追従(79 対 65)、マルチモーダル(60 対 53)、推論(63 対 61)を重視するならGrok 4.3、エージェント・ツール(70 対 45)、数学(71 対 46)、知識(56 対 50)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 17.7秒です。o3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 4.3が56.5、o3が60.4です(BenchLeader、2026年11月16日)。
- Grok 4.3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)。
- 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)。
- o3はGrok 4.3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9件のベンチマークのうち、Grok 4.3が8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 | o3 | カテゴリスコア60 対 58 | 中 |
| エージェント・ツール利用 | o3 | カテゴリスコア70 対 45;Terminal-Bench Hard 37.1% 対 37.9% | 高 |
| 数学 | o3 | カテゴリスコア71 対 46 | 高 |
| 推論 | Grok 4.3 | カテゴリスコア63 対 61;GPQA Diamond (AA) 90.1% 対 82.7% | 中 |
| 知識 | o3 | カテゴリスコア56 対 50 | 中 |
| 長い文書 | どちらでも | カテゴリスコア61 対 62;AA-LCR v1.1 73.0% 対 74.7% | どちらでも |
| 画像などのメディア | Grok 4.3 | カテゴリスコア60 対 53;MMMU-Pro 78.1% 対 70.1% | 高 |
| 指示への追従 | Grok 4.3 | カテゴリスコア79 対 65;IFBench 81.3% 対 71.4% | 高 |
| チャットの質(人間の評価) | – | Arenaの評価があるのはo3のみです(カテゴリスコア61) | 比較不可 |
| 最低コスト | Grok 4.3 | 100万トークンあたりブレンド価格$1.56 対 $3.50;エージェント型コーディングセッション$0.085 対 $0.152 | – |
| 回答開始の速さ | o3 | 最初の回答トークンまで5.2秒(o3)対 17.7秒(Grok 4.3 (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
- Grok 4.3 (high)とo3の品質は互角です(56.5 対 60.4、±7.4の誤差範囲内)。
- Grok 4.3 (high)は指示追従、マルチモーダル、推論で優れています。
- o3はエージェント・ツール、コーディング、知識、長文コンテキスト、数学で優れています。
- Grok 4.3 (high)の方が2.2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 $3.50)。
- o3の方が出力が1.5倍速くなっています(131 対 85トークン/秒)。
概要
| 仕様 | Grok 4.3 | o3 |
|---|---|---|
| プロバイダー | SpaceXAI | OpenAI |
| リリース日 | 2026年4月17日 | 2025年4月16日 |
| コンテキストウィンドウ(トークン) | 1,000,000 | 200,000 |
| 比較した構成 | Grok 4.3 (high) | 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) | $1.25 / $2.50 / $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 | Grok 4.3 (high) | o3 | トップ |
|---|---|---|---|
| 推論 | 63.3 | 60.9 | Grok 4.3 |
| コーディング | 57.8 | 59.8 | o3 |
| エージェント・ツール | 44.8 | 70.3 | o3 |
| 数学 | 46.3 | 70.6 | o3 |
| 知識 | 50.3 | 56.2 | o3 |
| 指示追従 | 78.8 | 65.2 | Grok 4.3 |
| 人間の評価 | – | 61.0 | 比較不可 |
| マルチモーダル | 60.4 | 52.8 | Grok 4.3 |
| 長文コンテキスト | 61.0 | 61.9 | 互角 |
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。
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。
情報源で評価が分かれる点
両方に結果がある9件のベンチマークのうち、Grok 4.3のリードが8件、o3のリードが1件です。両方を評価しているすべての総合指標で、Grok 4.3が上回っています。
| 総合Index | Grok 4.3 (high) | o3 | トップ |
|---|---|---|---|
| BenchLeader Index | 56.5 | 60.4 | 互角 |
| Arena Text | 1442† | 1432 | Grok 4.3 |
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 4.3 (high) | o3 |
|---|---|---|
| 100万トークンあたりのブレンド価格 | $1.56 | $3.50 |
| 100万トークンあたりの入力/出力 | $1.25 / $2.50 | $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 | $0.0013 | $0.0032 |
| タスクあたりの価格:30ページのレポートを要約 | $0.017 | $0.029 |
| タスクあたりの価格:コード編集 | $0.011 | $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 | $0.085 | $0.152 |
| タスクあたりの価格:構造化データの抽出 | $0.0030 | $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) | $0.038 | $0.085 |
| 出力速度 | 85 tok/s | 131 tok/s |
| 回答開始までの時間 | 17.7秒 | 5.2秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 46.5秒 | 17.3秒 |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。Grok 4.3 (high)のスコアは56.5、最初の回答トークンまで18秒。Grok 4.3は54.5(1秒)、Grok 4.3 (推論なし)は46.3(1秒)。o3のスコアは60.4、最初の回答トークンまで5秒。o3 (high)は55.1(5秒)、o3 (medium)は53.3(5秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
138件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | Grok 4.3 (high) | o3 |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 56.5 | 60.4 |
| エージェント・ツールスコア | BenchLeader | 44.8 | 70.3 |
| コーディングスコア | BenchLeader | 57.8 | 59.8 |
| 指示追従スコア | BenchLeader | 78.8 | 65.2 |
| 知識スコア | BenchLeader | 50.3 | 56.2 |
| 長文コンテキストスコア | BenchLeader | 61.0 | 61.9 |
| 数学スコア | BenchLeader | 46.3 | 70.6 |
| マルチモーダルスコア | BenchLeader | 60.4 | 52.8 |
| 推論スコア | BenchLeader | 63.3 | 60.9 |
| 人間の評価スコア | BenchLeader | – | 61.0 |
| ブレンド価格($/100万トークン) | BenchLeader | $1.56 | $3.50 |
| 出力速度 | BenchLeader | 85 tok/s | 131 tok/s |
| 回答開始までの時間 | BenchLeader | 17.7秒 | 5.2秒 |
| コンテキストウィンドウ | BenchLeader | 1,000,000トークン | 200,000トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 88.8% | 81.8%† |
| Humanity's Last Exam | Scale AI / CAIS | – | 20.3%† |
| SimpleBench | SimpleBench | – | 53.1%† |
| Arena Hard Prompts | Arena (LMArena) | 1456† | 1441 |
| LiveBench 1.0 Reasoning | LiveBench | 70.8%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 90.1% | 82.7% |
| Humanity's Last Exam (AA) | Artificial Analysis | 37.2% | 20.1% |
| GPQA Diamond (Vals) | Vals AI | 91.4%† | 84.1%† |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 67.6% |
| GPQA Diamond (HELM) | HELM Capabilities | – | 75.3% |
| ARC-AGI-1 | ARC Prize | – | 60.8%† |
| ARC-AGI-2 | ARC Prize | – | 6.5%† |
| CritPt | Artificial Analysis | 8.0% | 1.1% |
| SciPredict | Scale AI SEAL | – | 17.9% |
| Arena Expert | Arena (LMArena) | 1454† | 1448 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 18.0% | 36.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 29.0%† |
| CL-bench | Epoch AI Benchmarking Hub | – | 17.8%† |
| LMCA | Epoch AI Benchmarking Hub | 38.3% | 39.7%† |
| DTBench | Epoch AI Benchmarking Hub | 90.7% | 84.8%† |
| ForecastBench | ForecastBench | 63.2%† | 64.3% |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | – | 62.3%† |
| SciCode | SciCode | 48.3% | – |
| WeirdML | WeirdML | 49.9%† | 52.4%† |
| GSO-Bench | GSO-Bench | – | 8.8%† |
138件のベンチマークをすべて表示
| 指標 | 公開元 | Grok 4.3 (high) | o3 |
|---|---|---|---|
| コーディング | |||
| Arena Coding | Arena (LMArena) | 1487† | 1460 |
| Arena WebDev | Arena (LMArena) | 1357† | – |
| LiveBench 1.0 Coding | LiveBench | 69.9%† | – |
| LiveCodeBench | Vals AI | 84.5% | 83.9%† |
| SWE-bench (Vals) | Vals AI | 71.4% | – |
| Aider Polyglot | Aider polyglot leaderboard | – | 76.9% |
| SWE-bench Verified (bash only) | SWE-bench | – | 58.4% |
| SWE-bench Verified (any scaffold) | SWE-bench | – | 58.4% |
| Code Migration | Vals AI | 6.8% | – |
| ProgramBench | Vals AI | 0.0% | – |
| Vibe Code Bench v1.1 | Vals AI | 19.4% | – |
| CadEval | Epoch AI Benchmarking Hub | – | 74.0%† |
| ALE-Bench | Epoch AI Benchmarking Hub | 944.2† | 933.5† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 0.0% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 39.7% | – |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 34.1 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 30.4† |
| Design Arena Website | Design Arena | 1186† | 1028 |
| LiveCodeBench (AA) | Artificial Analysis | – | 80.8% |
| エージェント・ツール | |||
| GDPval | OpenAI | – | 30.8%† |
| LiveBench Agentic Coding | LiveBench | 18.5%† | – |
| Terminal-Bench Hard | Artificial Analysis | 37.9% | 37.1% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 97.7% | 80.7% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 42.0% | – |
| BFCL Overall | Berkeley Function Calling Leaderboard | – | 63.0% |
| GDPval-AA v2.1 | Artificial Analysis | 945 | – |
| τ³-Banking (AA) | Artificial Analysis | 12.4% | – |
| ITBench SRE (AA) | Artificial Analysis | 32.7% | – |
| Analyst Agent (AA) | Artificial Analysis | 8.8% | – |
| APEX-Agents (AA) | Artificial Analysis | 17.0% | – |
| Finance Agent v2 | Vals AI | 37.7% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 0.4% | – |
| Legal Research Bench | Vals AI | 15.4% | – |
| SkillsBench | Vals AI | 40.6% | – |
| Tax Agent Bench | Vals AI | 6.2% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | 43.5%† | – |
| Arena Search | Arena (LMArena) | 1194† | 1197 |
| DeepResearch Bench | DeepResearch Bench | – | 45.2%† |
| METR Time Horizons | METR | – | 63.6% |
| Vending-Bench 2 | Andon Labs | 35.3† | – |
| AutomationBench | Artificial Analysis | 1.4% | – |
| GDP.pdf (AA) | Artificial Analysis | 5.8% | – |
| EnterpriseOps-Gym | Artificial Analysis | 26.3% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 763 | – |
| Design Arena Agentic | Design Arena | 1042† | – |
| BrowseComp-Plus | BrowseComp-Plus | – | 50.5% |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 42.8% | 33.3%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 14.6% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 93.3% | 83.9%† |
| MATH Level 5 | Epoch AI Benchmarking Hub | – | 97.8%† |
| ProofBench | Vals AI | 11.0% | – |
| LiveBench Mathematics | LiveBench | 84.3%† | – |
| AIME (Vals) | Vals AI | – | 85.3%† |
| MGSM | Vals AI | – | 91.8%† |
| IMO 2025 | MathArena | – | 16.7%† |
| Omni-MATH (HELM) | HELM Capabilities | – | 71.4% |
| MATH 500 | Vals AI | – | 94.6%† |
| Arena Maths | Arena (LMArena) | 1419† | 1448 |
| AIME 2025 (AA) | Artificial Analysis | – | 88.3% |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 33.2% | 49.4%† |
| LiveBench 1.0 Data Analysis | LiveBench | 55.8%† | – |
| MMLU-Pro | Vals AI | 85.8% | 85.6%† |
| LegalBench | Vals AI | 84.5%† | 83.8%† |
| CorpFin | Vals AI | 68.5%† | 59.7%† |
| TaxEval | Vals AI | 70.8%† | 74.6%† |
| MedQA | Vals AI | – | 96.1%† |
| PRBench Finance | Scale AI SEAL | – | 47.7% |
| PRBench Legal | Scale AI SEAL | – | 48.6% |
| MultiNRC | Scale AI SEAL | – | 45.5%† |
| MMLU-Pro (HELM) | HELM Capabilities | – | 85.9% |
| CaseLaw v2 | Vals AI | 79.3%† | – |
| Excel Modeling Benchmark | Vals AI | 18.4% | – |
| MedCode | Vals AI | 38.1%† | 47.3%† |
| MedScribe | Vals AI | 74.4%† | 76.7%† |
| Public Benefits Bench v1.1 | Vals AI | 51.7% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 8.0% | – |
| 指示追従 | |||
| LiveBench Language | LiveBench | 73.6%† | – |
| LiveBench Instruction Following | LiveBench | 62.8%† | – |
| IFBench | Artificial Analysis | 81.3% | 71.4% |
| MultiChallenge | Scale AI SEAL | – | 56.6%† |
| TutorBench | Scale AI SEAL | – | 52.1%† |
| IFEval (HELM) | HELM Capabilities | – | 86.9% |
| WildBench (HELM) | HELM Capabilities | – | 86.1% |
| Arena Instruction Following | Arena (LMArena) | 1415† | 1403 |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1442† | 1432 |
| EQ-Bench 4 | EQ-Bench | 1065† | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1675 |
| Arena Creative Writing | Arena (LMArena) | 1422† | 1383 |
| Arena Multi-turn | Arena (LMArena) | 1448† | 1420 |
| Arena Longer Queries | Arena (LMArena) | 1443† | 1411 |
| Lech Mazur Creative Writing | Lech Mazur | – | 83.9%† |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1229† | 1214 |
| MMMU-Pro | Artificial Analysis | 78.1% | 70.1% |
| VISTA | Scale AI SEAL | – | 50.1%† |
| MMMU-Pro (Vals) | Vals AI | 83.1%† | 80.4%† |
| MortgageTax | Vals AI | 48.3%† | 65.7%† |
| VTB | Scale AI SEAL | – | 13.7% |
| GeoBench | GeoBench | 56.0%† | 60.0%† |
| VPCT | Epoch AI Benchmarking Hub | – | 52.0%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 0.0%† | – |
| 長文コンテキスト | |||
| Fiction.LiveBench 120k | Fiction.live | – | 100.0%† |
| AA-LCR v1.1 | Artificial Analysis | 73.0% | 74.7% |
| MLCR | Artificial Analysis | 8.3% | – |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 149.9† | 147.1 |
| LiveBench 1.0 | LiveBench | 62.3%† | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 24.9 | 20.2 |
| AA Progress Index v1 | Artificial Analysis | 271.2 | 258.3 |
| HELM Capabilities mean | HELM Capabilities | – | 81.1% |
| Vals Multimodal Index | Vals AI | 43.3% | – |
| 安全性・誠実さ | |||
| FORTRESS | Scale AI SEAL | – | 16.0% |
| MASK | Scale AI SEAL | – | 84.5%† |
| PropensityBench | Scale AI SEAL | – | 10.5% |
| メタデータ | |||
| AA Openness Index | Artificial 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。
- Grok 4.3 (high):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)。
- o3:スコアの改訂1件。
- Grok 4.3 (high):BenchLeader Index 57.7 → 56.6。
- Grok 4.3 (high):新しい結果1件(AA Progress Index v1)。
- o3:新しい結果1件(AA Progress Index v1)。
- Grok 4.3 (high):新しい結果1件(Harvey's Legal Agent Benchmark v1)。
- Grok 4.3 (high):スコアの改訂1件。
関連する比較
- Grok 4.3 vs GPT-6 Astra
- Grok 4.3 vs GPT-5
- o3 vs Claude Opus 5.5
- Grok 4.3 vs GLM 5.3
- Grok 4.3 vs GPT-5.5 Pro
- o3 vs GPT-6.1 Sol
- o3 vs GPT-5.6 Sol
- o3 vs Gemini 4 Argon
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 4.3 vs o3:よくある質問
- Grok 4.3はo3より優れていますか?
- Grok 4.3 (high)とo3の品質は互角です(56.5 対 60.4、±7.4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 4.3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Grok 4.3の方が安く、100万トークンあたり$1.56 対 $3.50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Grok 4.3とo3のどちらが向いていますか?
- コーディングではo3の方がスコアが高くなっています(カテゴリ指標で60 対 58。50が平均)。
- Grok 4.3とo3はどちらが速いですか?
- o3の方が出力が約1.5倍速くなっています(出力131 対 85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 4.3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 45。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、Grok 4.3が37.9%、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互角です(61 対 62)。コンテキストはGrok 4.3の方が長く、1,000,000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 17.7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 4.3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9件のベンチマークのうち、Grok 4.3のリードが8件、o3のリードが1件です。両方を評価しているすべての総合指標で、Grok 4.3が上回っています。
- Grok 4.3はいつリリースされましたか?
- Grok 4.3は2026年4月17日にリリースされました。