BenchLeader

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 4.3100万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 4.3o3
プロバイダーSpaceXAIOpenAI
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)1,000,000200,000
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63.360.9Grok 4.3
コーディング57.859.8o3
エージェント・ツール44.870.3o3
数学46.370.6o3
知識50.356.2o3
指示追従78.865.2Grok 4.3
人間の評価–61.0比較不可
マルチモーダル60.452.8Grok 4.3
長文コンテキスト61.061.9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。

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Grok 4.3, 推論: 63.3Grok 4.3, コーディング: 57.8Grok 4.3, エージェント・ツール: 44.8Grok 4.3, 数学: 46.3Grok 4.3, 知識: 50.3Grok 4.3, 指示追従: 78.8Grok 4.3, 長文コンテキスト: 61.0Grok 4.3, マルチモーダル: 60.4o3, 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: 52.8

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IndexGrok 4.3 (high)o3トップ
BenchLeader Index56.560.4互角
Arena Text1442†1432Grok 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/s131 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 IndexBenchLeader56.560.4
エージェント・ツールスコアBenchLeader44.870.3
コーディングスコアBenchLeader57.859.8
指示追従スコアBenchLeader78.865.2
知識スコアBenchLeader50.356.2
長文コンテキストスコアBenchLeader61.061.9
数学スコアBenchLeader46.370.6
マルチモーダルスコアBenchLeader60.452.8
推論スコアBenchLeader63.360.9
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BenchLeader85 tok/s131 tok/s
回答開始までの時間BenchLeader17.7秒5.2秒
コンテキストウィンドウBenchLeader1,000,000トークン200,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub88.8%81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1456†1441
LiveBench 1.0 ReasoningLiveBench70.8%†–
GPQA Diamond (AA)Artificial Analysis90.1%82.7%
Humanity's Last Exam (AA)Artificial Analysis37.2%20.1%
GPQA Diamond (Vals)Vals AI91.4%†84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis8.0%1.1%
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)1454†1448
Chess PuzzlesEpoch AI Benchmarking Hub18.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub38.3%39.7%†
DTBenchEpoch AI Benchmarking Hub90.7%84.8%†
ForecastBenchForecastBench63.2%†64.3%
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode48.3%–
WeirdMLWeirdML49.9%†52.4%†
GSO-BenchGSO-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 CodingArena (LMArena)1487†1460
Arena WebDevArena (LMArena)1357†–
LiveBench 1.0 CodingLiveBench69.9%†–
LiveCodeBenchVals AI84.5%83.9%†
SWE-bench (Vals)Vals AI71.4%–
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 AI6.8%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI19.4%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub944.2†933.5†
Terminal-Bench 4.0 (AA)Artificial Analysis0.0%–
Terminal-Bench 2.1 (AA)Artificial Analysis39.7%–
GameBench 2 OverallDuelLab GameBench 2–34.1
GameBench 2 by reasoning settingDuelLab GameBench 2–30.4†
Design Arena WebsiteDesign Arena1186†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
エージェント・ツール
GDPvalOpenAI–30.8%†
LiveBench Agentic CodingLiveBench18.5%†–
Terminal-Bench HardArtificial Analysis37.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis97.7%80.7%
Terminal-Bench 2.1 (Vals)Vals AI42.0%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1Artificial Analysis945–
τ³-Banking (AA)Artificial Analysis12.4%–
ITBench SRE (AA)Artificial Analysis32.7%–
Analyst Agent (AA)Artificial Analysis8.8%–
APEX-Agents (AA)Artificial Analysis17.0%–
Finance Agent v2Vals AI37.7%–
Harvey's Legal Agent Benchmark v1Vals AI0.4%–
Legal Research BenchVals AI15.4%–
SkillsBenchVals AI40.6%–
Tax Agent BenchVals AI6.2%–
Terminal-Bench 2.0 (Vals)Vals AI43.5%†–
Arena SearchArena (LMArena)1194†1197
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs35.3†–
AutomationBenchArtificial Analysis1.4%–
GDP.pdf (AA)Artificial Analysis5.8%–
EnterpriseOps-GymArtificial Analysis26.3%–
AA-Briefcase v1.1Artificial Analysis763–
Design Arena AgenticDesign Arena1042†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub42.8%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub14.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub93.3%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI11.0%–
LiveBench MathematicsLiveBench84.3%†–
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)1419†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub33.2%49.4%†
LiveBench 1.0 Data AnalysisLiveBench55.8%†–
MMLU-ProVals AI85.8%85.6%†
LegalBenchVals AI84.5%†83.8%†
CorpFinVals AI68.5%†59.7%†
TaxEvalVals AI70.8%†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%
CaseLaw v2Vals AI79.3%†–
Excel Modeling BenchmarkVals AI18.4%–
MedCodeVals AI38.1%†47.3%†
MedScribeVals AI74.4%†76.7%†
Public Benefits Bench v1.1Vals AI51.7%–
GDP.pdfEpoch AI Benchmarking Hub8.0%–
指示追従
LiveBench LanguageLiveBench73.6%†–
LiveBench Instruction FollowingLiveBench62.8%†–
IFBenchArtificial Analysis81.3%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)1415†1403
人間の評価
Arena TextArena (LMArena)1442†1432
EQ-Bench 4EQ-Bench1065†–
EQ-Bench Creative Writing v3EQ-Bench–1675
Arena Creative WritingArena (LMArena)1422†1383
Arena Multi-turnArena (LMArena)1448†1420
Arena Longer QueriesArena (LMArena)1443†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
マルチモーダル
Arena VisionArena (LMArena)1229†1214
MMMU-ProArtificial Analysis78.1%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI83.1%†80.4%†
MortgageTaxVals AI48.3%†65.7%†
VTBScale AI SEAL–13.7%
GeoBenchGeoBench56.0%†60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub0.0%†–
長文コンテキスト
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis73.0%74.7%
MLCRArtificial Analysis8.3%–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub149.9†147.1
LiveBench 1.0LiveBench62.3%†–
AA Intelligence Index v4.3.2Artificial Analysis24.920.2
AA Progress Index v1Artificial Analysis271.2258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals Multimodal IndexVals AI43.3%–
安全性・誠実さ
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
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。
  • 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。

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。