BenchLeader

Muse Wonder vs o3

詳しいプロフィール:Muse Wonder(Meta)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、Muse Wonderとo3の品質は互角です(BenchLeader Indexで64.4 対 60.4、±4.4の誤差範囲内)。価格はo3の方が2.3倍安く、100万トークンあたりのブレンド価格で$3.50 対 $8.00です。両方を測定できるすべてのカテゴリでMuse Wonderがリードしています。o3の方が出力が約1.5倍速いです。

要点(2026年11月16日時点)

  • BenchLeader IndexはMuse Wonderが64.4、o3が60.4です(BenchLeader、2026年11月16日)。
  • Muse Wonderの100万トークンあたりのブレンド価格は$8.00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Muse Wonder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5件のベンチマークのうち、Muse Wonderが5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
エージェント・ツール利用Muse Wonderカテゴリスコア76 対 70中
数学どちらでもカテゴリスコア70 対 71どちらでも
知識Muse Wonderカテゴリスコア77 対 56;PRBench Finance 58.7% 対 47.7%高
チャットの質(人間の評価)Muse WonderArenaの投票で70 対 61高
最低コストo3100万トークンあたりブレンド価格$3.50 対 $8.00;エージェント型コーディングセッション$0.152 対 $0.320–
回答開始の速さMuse Wonder最初の回答トークンまで3.3秒(Muse Wonder)対 5.2秒(o3)–
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

  • Muse Wonderとo3の品質は互角です(64.4 対 60.4、±4.4の誤差範囲内)。
  • Muse Wonderはエージェント・ツール、人間の評価、知識で優れています。
  • o3は数学で優れています。
  • o3の方が2.3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 $8.00)。
  • o3の方が出力が1.9倍速くなっています(131 対 70トークン/秒)。

概要

仕様Muse Wondero3
プロバイダーMetaOpenAI
リリース日2026年10月12日2025年4月16日
コンテキストウィンドウ(トークン)1,048,576200,000
比較した構成Muse Wondero3
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)$4.00 / $20.00 / $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Muse Wondero3トップ
推論–60.9比較不可
コーディング–59.8比較不可
エージェント・ツール75.670.3Muse Wonder
数学70.170.6互角
知識77.156.2Muse Wonder
指示追従–65.2比較不可
人間の評価69.661.0Muse Wonder
マルチモーダル–52.8比較不可
長文コンテキスト–61.9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エージェント・ツール数学知識人間の評価Muse Wonder, エージェント・ツール: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知識: 77.1Muse Wonder, 人間の評価: 69.6o3, エージェント・ツール: 70.3o3, 数学: 70.6o3, 知識: 56.2o3, 人間の評価: 61.0

描画していないもの(測定済みのモデルが2つ未満):推論, コーディング, 指示追従, 長文コンテキスト, マルチモーダル。

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5件のベンチマークのうち、Muse Wonderのリードが5件、o3のリードが0件です。両方を評価しているすべての総合指標で、Muse Wonderが上回っています。

総合IndexMuse Wondero3トップ
BenchLeader Index64.460.4互角
Arena Text1511†1432Muse Wonder

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Muse Wondero3
100万トークンあたりのブレンド価格$8.00$3.50
100万トークンあたりの入力/出力$4.00 / $20.00$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$0.0076$0.0032
タスクあたりの価格:30ページのレポートを要約$0.060$0.029
タスクあたりの価格:コード編集$0.054$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$0.320$0.152
タスクあたりの価格:構造化データの抽出$0.012$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)$0.149$0.085
出力速度70 tok/s131 tok/s
回答開始までの時間3.3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)–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。Muse Wonderのスコアは64.4、最初の回答トークンまで3秒。Muse Wonder (max)は60.8(20秒)、Muse Wonder (high)は56.2(13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

189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Muse Wondero3
BenchLeader IndexBenchLeader64.460.4
エージェント・ツールスコアBenchLeader75.670.3
人間の評価スコアBenchLeader69.661.0
知識スコアBenchLeader77.156.2
数学スコアBenchLeader70.170.6
コーディングスコアBenchLeader–59.8
指示追従スコアBenchLeader–65.2
長文コンテキストスコアBenchLeader–61.9
マルチモーダルスコアBenchLeader–52.8
推論スコアBenchLeader–60.9
ブレンド価格($/100万トークン)BenchLeader$8.00$3.50
出力速度BenchLeader70 tok/s131 tok/s
回答開始までの時間BenchLeader3.3秒5.2秒
コンテキストウィンドウBenchLeader1,048,576トークン200,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub–81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1531†1441
LiveBench 2.0 ReasoningLiveBench90.6%†–
LiveBench 1.0 ReasoningLiveBench90.6%†–
GPQA Diamond (AA)Artificial Analysis–82.7%
Humanity's Last Exam (AA)Artificial Analysis50.1%†20.1%
HLE-Diamond (AA)Artificial Analysis39.0%†–
GPQA Diamond (Vals)Vals AI–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 Analysis28.3%†1.1%
CritPt v2 hard subset (AA)Artificial Analysis50.5%†–
MysteryMechanismVals AI27.5%†–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL37.3%–
Arena ExpertArena (LMArena)1525†1448
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub51.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub56.8%39.7%†
DTBenchEpoch AI Benchmarking Hub95.2%84.8%†
189件のベンチマークをすべて表示
指標公開元Muse Wondero3
推論
ForecastBenchForecastBench–64.3%
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode60.3%†–
WeirdMLWeirdML–52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)1542†1460
Arena WebDevArena (LMArena)1647†–
LiveBench 2.0 CodingLiveBench74.9%†–
LiveBench 1.0 CodingLiveBench80.7%†–
LiveCodeBenchVals AI–83.9%†
IOIVals AI66.9%†–
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 AI62.5%†–
Code Migration v1.1Vals AI72.4%†–
SWE-bench MultimodalVals AI45.6%†–
Vibe Code Bench 1-100Vals AI26.6%†–
Vibe Code Bench v1.1Vals AI83.1%†–
SWE Atlas v1.1Scale AI SEAL64.8%–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%–
SWE Atlas v1.1: Test WritingScale AI SEAL61.1%–
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%–
SWE-Bench Pro V2Scale AI SEAL96.7%†–
SWE-Bench Pro V2 HARDScale AI SEAL90.2%†–
MirrorCodeEpoch AI Benchmarking Hub45.6%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
CursorBenchCursor50.4%†–
ALE-BenchEpoch AI Benchmarking Hub–933.5†
WeirdML v3WeirdML15.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis52.0%†–
GameBench 2 OverallDuelLab GameBench 264.834.1
GameBench 2 by reasoning settingDuelLab GameBench 254.9†30.4†
Design Arena WebsiteDesign Arena1378†1028
FrontierCode 1.1 (AA)Artificial Analysis46.5%†–
FrontierCode 2.0 (AA)Artificial Analysis27.9%†–
LiveCodeBench (AA)Artificial Analysis–80.8%
エージェント・ツール
Terminal-BenchTerminal-Bench47.0%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor66.1%†–
Arena AgentArena (LMArena)1.8†–
LiveBench Long AgenticLiveBench46.2%†–
LiveBench BrowserLiveBench60.0%†–
LiveBench Agentic CodingLiveBench62.7%†–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
HiL-BenchScale AI SEAL79.7%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis63.5%†–
GDPval-AA v2.1Artificial Analysis1770†–
CUA-benchVals AI7.2%†–
CyberBenchVals AI80.4%†–
Finance Agent v2Vals AI56.6%†–
Finance Agent v2.1Vals AI65.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI23.8%†–
Harvey's Legal Agent Benchmark v1Vals AI17.1%†–
Legal Research BenchVals AI50.5%†–
Tax Agent BenchVals AI36.3%†–
Terminal-Bench 4.0 (Vals)Vals AI49.5%†–
Terminal-Bench ScienceVals AI22.9%†–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)5.4†–
DeepResearch BenchDeepResearch Bench–45.2%†
PostTrainBenchEpoch AI Benchmarking Hub24.2%†–
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs9432.2–
AutomationBenchArtificial Analysis68.1%†–
GDP.pdf (AA)Artificial Analysis30.6%†–
Harvey LAB-AA v1.1Harvey10.0%†–
AA-Briefcase v1.1Artificial Analysis1659†–
GDPxGDPx by SemiAnalysis6.8%†–
Design Arena AgenticDesign Arena1177†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis25.7%†–
MKA (AA)Artificial Analysis47.5%†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub82.1%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI84.0%–
LiveBench MathematicsLiveBench96.5%†–
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)1490†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
LiveBench 2.0 Data AnalysisLiveBench81.6%†–
LiveBench ResearchLiveBench93.0%†–
LiveBench 1.0 Data AnalysisLiveBench81.6%†–
AA-Omniscience v1.1Artificial Analysis25.1†–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL58.7%47.7%
PRBench LegalScale AI SEAL58.4%48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI67.0%†–
Excel Modeling BenchmarkVals AI67.1%†–
Excel Modeling Benchmark v1.1Vals AI72.5%†–
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
Public Benefits Bench v1.1Vals AI70.2%†–
Access to Justice BenchmarkVals AI73.0%†–
Financial Coaching BenchVals AI73.8%†–
Immigration BenchVals AI69.6%†–
EBR-benchEpoch AI Benchmarking Hub31.4%†–
GDP.pdfEpoch AI Benchmarking Hub30.8%†–
AA-Omniscience v1.1: accuracyArtificial Analysis38.0%†–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis79.1%†–
指示追従
LiveBench LanguageLiveBench82.9%†–
LiveBench Instruction FollowingLiveBench73.0%†–
IFBenchArtificial Analysis–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)1498†1403
人間の評価
Arena TextArena (LMArena)1511†1432
EQ-Bench 4EQ-Bench1325–
EQ-Bench Creative Writing v3EQ-Bench20071675
Arena Creative WritingArena (LMArena)1491†1383
Arena Multi-turnArena (LMArena)1525†1420
Arena Longer QueriesArena (LMArena)1507†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
マルチモーダル
Arena VisionArena (LMArena)–1214
LiveBench DesignLiveBench70.9%†–
MMMU-ProArtificial Analysis83.8%†70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
Humanity's Sixth SenseScale AI SEAL43.7%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub31.7%–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†–
VIALS-AAHandshake AI55.3%†–
Code2Video-AAArtificial Analysis997†–
長文コンテキスト
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis80.7%†74.7%
MLCRArtificial Analysis22.2%†–
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.7147.1
LiveBench 2.0LiveBench70.7%†–
LiveBench 1.0LiveBench81.2%†–
AA Intelligence Index v5.0.1Artificial Analysis43.6†–
AA Intelligence Index v4.3.2Artificial Analysis52.4†20.2
AA Progress Index v1Artificial Analysis335.8†258.3
Vals IndexVals AI64.9†–
HELM Capabilities meanHELM Capabilities–81.1%
Vals Finance IndexVals AI61.2%†–
Vals Science IndexVals AI39.1%†–
Vals Router IndexVals AI64.9%–
Vals Legal IndexVals AI75.3%†–
安全性・誠実さ
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL85.9%–
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

  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:スコアの改訂1件。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Muse Wonder:新しい結果1件(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:スコアの改訂5件。
  • o3:新しい結果1件(Arena Search)。
  • Muse Wonder:スコアの改訂1件。
  • o3: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

Muse Wonder vs o3:よくある質問

Muse Wonderはo3より優れていますか?
Muse Wonderとo3の品質は互角です(64.4 対 60.4、±4.4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。
Muse Wonder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 $8.00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。
Muse Wonder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 70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Muse Wonder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Muse Wonderの方がスコアが高くなっています(カテゴリ指標で76 対 70。50が平均)。
長い文書にはどちらが向いていますか?
コンテキストはMuse Wonderの方が長く、1,048,576トークンです(o3は200,000トークン)。
ほかの質問(3件)
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Muse Wonderです。Artificial Analysisの測定では、最初の回答トークンまで3.3秒 対 5.2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。
Muse Wonder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5件のベンチマークのうち、Muse Wonderのリードが5件、o3のリードが0件です。両方を評価しているすべての総合指標で、Muse Wonderが上回っています。
Muse Wonderはいつリリースされましたか?
Muse Wonderは2026年10月12日にリリースされました。