BenchLeader

o3 vs Qwen3.7

詳しいプロフィール:o3(OpenAI)とQwen3.7(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 · 18件の情報源のデータ

2026年11月16日時点で、o3とQwen3.7の品質は互角です(BenchLeader Indexで60.4 対 60.0、±5.3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$3.50 対 $3.75)。エージェント・ツール(70 対 49)、数学(71 対 58)、人間の評価(61 対 56)を重視するならo3、指示追従(78 対 65)、知識(61 対 56)、推論(64 対 61)を重視するならQwen3.7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 14.8秒です。Qwen3.7は出力が速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader Indexはo3が60.4、Qwen3.7が60.0です(BenchLeader、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)。
  • Qwen3.7の100万トークンあたりのブレンド価格は$3.75です(定価、2026年11月16日)。
  • Qwen3.7はo3より出力が速いです(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18件のベンチマークのうち、Qwen3.7が18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 59;Arena Coding 1460 対 1525中
エージェント・ツール利用o3カテゴリスコア70 対 49;Terminal-Bench Hard 37.1% 対 50.8%高
数学o3カテゴリスコア71 対 58;Arena Maths 1448 対 1483高
推論Qwen3.7カテゴリスコア64 対 61;Arena Hard Prompts 1495 対 1441中
知識Qwen3.7カテゴリスコア61 対 56中
長い文書Qwen3.7カテゴリスコア64 対 62;AA-LCR v1.1 79.0% 対 74.7%中
指示への追従Qwen3.7カテゴリスコア78 対 65;IFBench 80.5% 対 71.4%高
チャットの質(人間の評価)o3Arenaの投票で61 対 56中
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$3.50 対 $3.75;エージェント型コーディングセッション$0.152 対 $0.180–
回答開始の速さo3最初の回答トークンまで5.2秒(o3)対 14.8秒(Qwen3.7 (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

  • o3とQwen3.7 (max)の品質は互角です(60.4 対 60.0、±5.3の誤差範囲内)。
  • o3はエージェント・ツール、コーディング、人間の評価、数学で優れています。
  • Qwen3.7 (max)は指示追従、知識、長文コンテキスト、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$3.50)。
  • Qwen3.7 (max)の方が出力が1.3倍速くなっています(171 対 131トークン/秒)。

概要

仕様o3Qwen3.7
プロバイダーOpenAIAlibaba
リリース日2025年4月16日2026年5月19日
コンテキストウィンドウ(トークン)200,0001,000,000
比較した構成o3Qwen3.7 (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)$2.00 / $8.00 / $0.500$2.50 / $7.50 / $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o3Qwen3.7 (max)トップ
推論60.964.2Qwen3.7
コーディング59.858.8o3
エージェント・ツール70.349.1o3
数学70.657.8o3
知識56.261.1Qwen3.7
指示追従65.278.1Qwen3.7
人間の評価61.055.6o3
マルチモーダル52.8–比較不可
長文コンテキスト61.964.1Qwen3.7

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人間の評価o3, 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, 人間の評価: 61.0Qwen3.7, 推論: 64.2Qwen3.7, コーディング: 58.8Qwen3.7, エージェント・ツール: 49.1Qwen3.7, 数学: 57.8Qwen3.7, 知識: 61.1Qwen3.7, 指示追従: 78.1Qwen3.7, 長文コンテキスト: 64.1Qwen3.7, 人間の評価: 55.6

描画していないもの(測定済みのモデルが2つ未満):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18件のベンチマークのうち、o3のリードが0件、Qwen3.7のリードが18件です。両方を評価しているすべての総合指標で、Qwen3.7が上回っています。

総合Indexo3Qwen3.7 (max)トップ
BenchLeader Index60.460.0互角
Arena Text14321474Qwen3.7

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o3Qwen3.7 (max)
100万トークンあたりのブレンド価格$3.50$3.75
100万トークンあたりの入力/出力$2.00 / $8.00$2.50 / $7.50
100万トークンあたりのキャッシュ入力$0.500$0.500
タスクあたりの価格:チャットの返答$0.0032$0.0033
タスクあたりの価格:30ページのレポートを要約$0.029$0.035
タスクあたりの価格:コード編集$0.024$0.026
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$0.152$0.180
タスクあたりの価格:構造化データの抽出$0.0056$0.0065
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)$0.085$0.090
出力速度131 tok/s171 tok/s
回答開始までの時間5.2秒14.8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31.2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。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)。Qwen3.7 (max)のスコアは60.0、最初の回答トークンまで15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

135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o3Qwen3.7 (max)
BenchLeader IndexBenchLeader60.460.0
エージェント・ツールスコアBenchLeader70.349.1
コーディングスコアBenchLeader59.858.8
人間の評価スコアBenchLeader61.055.6
指示追従スコアBenchLeader65.278.1
知識スコアBenchLeader56.261.1
長文コンテキストスコアBenchLeader61.964.1
数学スコアBenchLeader70.657.8
マルチモーダルスコアBenchLeader52.8–
推論スコアBenchLeader60.964.2
ブレンド価格($/100万トークン)BenchLeader$3.50$3.75
出力速度BenchLeader131 tok/s171 tok/s
回答開始までの時間BenchLeader5.2秒14.8秒
コンテキストウィンドウBenchLeader200,000トークン1,000,000トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub81.8%†90.9%
Humanity's Last ExamScale AI / CAIS20.3%†–
SimpleBenchSimpleBench53.1%†70.4%
Arena Hard PromptsArena (LMArena)14411495
LiveBench 1.0 ReasoningLiveBench–83.3%
GPQA Diamond (AA)Artificial Analysis82.7%92.3%
Humanity's Last Exam (AA)Artificial Analysis20.1%40.5%
GPQA Diamond (Vals)Vals AI84.1%†90.2%
Kagi LLM BenchmarkKagi LLM Benchmark67.6%–
GPQA Diamond (HELM)HELM Capabilities75.3%–
ARC-AGI-1ARC Prize60.8%†–
ARC-AGI-2ARC Prize6.5%†–
CritPtArtificial Analysis1.1%13.4%
SciPredictScale AI SEAL17.9%–
Arena ExpertArena (LMArena)14481509
Chess PuzzlesEpoch AI Benchmarking Hub36.0%†27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%†32.0%
CL-benchEpoch AI Benchmarking Hub17.8%†–
LMCAEpoch AI Benchmarking Hub39.7%†44.0%
DTBenchEpoch AI Benchmarking Hub84.8%†92.3%
ForecastBenchForecastBench64.3%–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub62.3%†77.3%
SciCodeSciCode–49.5%
WeirdMLWeirdML52.4%†–
GSO-BenchGSO-Bench8.8%†–
135件のベンチマークをすべて表示
指標公開元o3Qwen3.7 (max)
コーディング
Arena CodingArena (LMArena)14601525
Arena WebDevArena (LMArena)–1515
LiveBench 1.0 CodingLiveBench–74.2%
LiveCodeBenchVals AI83.9%†87.1%
SWE-bench (Vals)Vals AI–68.8%
Aider PolyglotAider polyglot leaderboard76.9%–
SWE-bench Verified (bash only)SWE-bench58.4%–
SWE-bench Verified (any scaffold)SWE-bench58.4%–
Code MigrationVals AI–13.1%
Vibe Code Bench v1.1Vals AI–47.7%
CadEvalEpoch AI Benchmarking Hub74.0%†–
ALE-BenchEpoch AI Benchmarking Hub933.5†1189.4
Terminal-Bench 4.0 (AA)Artificial Analysis–1.5%
Terminal-Bench 2.1 (AA)Artificial Analysis–74.5%
Startrise FrontendStartrise–63.6%
GameBench 2 OverallDuelLab GameBench 234.1–
GameBench 2 by reasoning settingDuelLab GameBench 230.4†–
Design Arena WebsiteDesign Arena10281267
LiveCodeBench (AA)Artificial Analysis80.8%–
エージェント・ツール
GDPvalOpenAI30.8%†–
Arena AgentArena (LMArena)–-7.2
LiveBench Agentic CodingLiveBench–43.6%
Terminal-Bench HardArtificial Analysis37.1%50.8%
τ²-Bench Telecom (AA)Artificial Analysis80.7%94.7%
Terminal-Bench 2.1 (Vals)Vals AI–61.0%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
GDPval-AA v2.1Artificial Analysis–1134
τ³-Banking (AA)Artificial Analysis–11.8%
ITBench SRE (AA)Artificial Analysis–42.5%
Analyst Agent (AA)Artificial Analysis–18.8%
Finance Agent v2Vals AI–47.8%
Harvey's Legal Agent Benchmark v1Vals AI–1.7%
Legal Research BenchVals AI–25.5%
Tax Agent BenchVals AI–15.8%
Terminal-Bench 2.0 (Vals)Vals AI–59.2%
Arena SearchArena (LMArena)1197–
Arena Agent Task CompletionArena (LMArena)–-10.5
DeepResearch BenchDeepResearch Bench45.2%†–
METR Time HorizonsMETR63.6%–
GBAEvalEpoch AI Benchmarking Hub–0.4%
AutomationBenchArtificial Analysis–23.0%
GDP.pdf (AA)Artificial Analysis–8.6%
EnterpriseOps-GymArtificial Analysis–45.0%
AA-Briefcase v1.1Artificial Analysis–917
Design Arena AgenticDesign Arena–1179
BrowseComp-PlusBrowseComp-Plus50.5%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub33.3%†64.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–34.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub83.9%†95.6%
MATH Level 5Epoch AI Benchmarking Hub97.8%†–
ProofBenchVals AI–26.0%
LiveBench MathematicsLiveBench–85.3%
AIME (Vals)Vals AI85.3%†–
MGSMVals AI91.8%†–
IMO 2025MathArena16.7%†–
Omni-MATH (HELM)HELM Capabilities71.4%–
MATH 500Vals AI94.6%†–
Arena MathsArena (LMArena)14481483
AIME 2025 (AA)Artificial Analysis88.3%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub49.4%†55.8%
LiveBench 1.0 Data AnalysisLiveBench–71.8%
MMLU-ProVals AI85.6%†89.3%
LegalBenchVals AI83.8%†84.9%
CorpFinVals AI59.7%†63.7%
TaxEvalVals AI74.6%†75.3%
MedQAVals AI96.1%†–
PRBench FinanceScale AI SEAL47.7%–
PRBench LegalScale AI SEAL48.6%–
MultiNRCScale AI SEAL45.5%†–
MMLU-Pro (HELM)HELM Capabilities85.9%–
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI47.3%†38.8%
MedScribeVals AI76.7%†79.4%
DrugDiscoveryBenchScale AI SEAL–29.3%†
EBR-benchEpoch AI Benchmarking Hub–9.5%
指示追従
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.0%
IFBenchArtificial Analysis71.4%80.5%
MultiChallengeScale AI SEAL56.6%†–
TutorBenchScale AI SEAL52.1%†–
IFEval (HELM)HELM Capabilities86.9%–
WildBench (HELM)HELM Capabilities86.1%–
Arena Instruction FollowingArena (LMArena)14031466
人間の評価
Arena TextArena (LMArena)14321474
EQ-Bench 4EQ-Bench–1100
EQ-Bench Creative Writing v3EQ-Bench1675–
Arena Creative WritingArena (LMArena)13831438
Arena Multi-turnArena (LMArena)14201479
Arena Longer QueriesArena (LMArena)14111491
Lech Mazur Creative WritingLech Mazur83.9%†–
マルチモーダル
Arena VisionArena (LMArena)1214–
MMMU-ProArtificial Analysis70.1%–
VISTAScale AI SEAL50.1%†–
MMMU-Pro (Vals)Vals AI80.4%†–
MortgageTaxVals AI65.7%†–
VTBScale AI SEAL13.7%–
GeoBenchGeoBench60.0%†–
VPCTEpoch AI Benchmarking Hub52.0%†–
長文コンテキスト
Fiction.LiveBench 120kFiction.live100.0%†–
AA-LCR v1.1Artificial Analysis74.7%79.0%
MLCRArtificial Analysis–14.4%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub147.1154.5
LiveBench 1.0LiveBench–73.1%
AA Intelligence Index v4.3.2Artificial Analysis20.229.5
AA Progress Index v1Artificial Analysis258.3293.8
HELM Capabilities meanHELM Capabilities81.1%–
安全性・誠実さ
FORTRESSScale AI SEAL16.0%–
MASKScale AI SEAL84.5%†–
PropensityBenchScale AI SEAL10.5%–
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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:スコアの改訂1件。
  • Qwen3.7 (max):スコアの改訂1件。
  • Qwen3.7 (max):新しい結果1件(GDPval-AA v2.1)。
  • Qwen3.7 (max):スコアの改訂1件。
  • o3:新しい結果1件(Arena Search)。
  • Qwen3.7 (max):スコアの改訂1件。
  • o3:スコアの改訂1件。
  • Qwen3.7 (max):価格 $0.33/M → $0.50/M。
  • Qwen3.7 (max):価格 $0.50/M → $0.33/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

o3 vs Qwen3.7:よくある質問

o3はQwen3.7より優れていますか?
o3とQwen3.7 (max)の品質は互角です(60.4 対 60.0、±5.3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。
o3とQwen3.7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 $3.75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o3とQwen3.7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 59。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 Codingでは、o3が1460、Qwen3.7が1525です。
o3とQwen3.7はどちらが速いですか?
Qwen3.7の方が出力が速くなっています(出力171 対 131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o3とQwen3.7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 49。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、o3が37.1%、Qwen3.7が50.8%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Qwen3.7の方がスコアが高くなっています(64 対 62)。コンテキストはQwen3.7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 14.8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。
o3とQwen3.7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18件のベンチマークのうち、o3のリードが0件、Qwen3.7のリードが18件です。両方を評価しているすべての総合指標で、Qwen3.7が上回っています。
Qwen3.7はいつリリースされましたか?
Qwen3.7は2026年5月19日にリリースされました。