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) | o3 | Arena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 | o3 | Qwen3.7 |
|---|---|---|
| プロバイダー | OpenAI | Alibaba |
| 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) | 200,000 | 1,000,000 |
| 比較した構成 | o3 | Qwen3.7 (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 | o3 | Qwen3.7 (max) | トップ |
|---|---|---|---|
| 推論 | 60.9 | 64.2 | Qwen3.7 |
| コーディング | 59.8 | 58.8 | o3 |
| エージェント・ツール | 70.3 | 49.1 | o3 |
| 数学 | 70.6 | 57.8 | o3 |
| 知識 | 56.2 | 61.1 | Qwen3.7 |
| 指示追従 | 65.2 | 78.1 | Qwen3.7 |
| 人間の評価 | 61.0 | 55.6 | o3 |
| マルチモーダル | 52.8 | – | 比較不可 |
| 長文コンテキスト | 61.9 | 64.1 | Qwen3.7 |
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。
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。
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Index | o3 | Qwen3.7 (max) | トップ |
|---|---|---|---|
| BenchLeader Index | 60.4 | 60.0 | 互角 |
| Arena Text | 1432 | 1474 | Qwen3.7 |
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 | o3 | Qwen3.7 (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 | $0.090 |
| 出力速度 | 131 tok/s | 171 tok/s |
| 回答開始までの時間 | 5.2秒 | 14.8秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 17.3秒 | 31.2秒 |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。o3のスコアは60.4、最初の回答トークンまで5秒。o3 (high)は55.1(5秒)、o3 (medium)は53.3(5秒)。Qwen3.7 (max)のスコアは60.0、最初の回答トークンまで15秒。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
135件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | o3 | Qwen3.7 (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 60.4 | 60.0 |
| エージェント・ツールスコア | BenchLeader | 70.3 | 49.1 |
| コーディングスコア | BenchLeader | 59.8 | 58.8 |
| 人間の評価スコア | BenchLeader | 61.0 | 55.6 |
| 指示追従スコア | BenchLeader | 65.2 | 78.1 |
| 知識スコア | BenchLeader | 56.2 | 61.1 |
| 長文コンテキストスコア | BenchLeader | 61.9 | 64.1 |
| 数学スコア | BenchLeader | 70.6 | 57.8 |
| マルチモーダルスコア | BenchLeader | 52.8 | – |
| 推論スコア | BenchLeader | 60.9 | 64.2 |
| ブレンド価格($/100万トークン) | BenchLeader | $3.50 | $3.75 |
| 出力速度 | BenchLeader | 131 tok/s | 171 tok/s |
| 回答開始までの時間 | BenchLeader | 5.2秒 | 14.8秒 |
| コンテキストウィンドウ | BenchLeader | 200,000トークン | 1,000,000トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 81.8%† | 90.9% |
| Humanity's Last Exam | Scale AI / CAIS | 20.3%† | – |
| SimpleBench | SimpleBench | 53.1%† | 70.4% |
| Arena Hard Prompts | Arena (LMArena) | 1441 | 1495 |
| LiveBench 1.0 Reasoning | LiveBench | – | 83.3% |
| GPQA Diamond (AA) | Artificial Analysis | 82.7% | 92.3% |
| Humanity's Last Exam (AA) | Artificial Analysis | 20.1% | 40.5% |
| GPQA Diamond (Vals) | Vals AI | 84.1%† | 90.2% |
| 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 | 1.1% | 13.4% |
| SciPredict | Scale AI SEAL | 17.9% | – |
| Arena Expert | Arena (LMArena) | 1448 | 1509 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 36.0%† | 27.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 29.0%† | 32.0% |
| CL-bench | Epoch AI Benchmarking Hub | 17.8%† | – |
| LMCA | Epoch AI Benchmarking Hub | 39.7%† | 44.0% |
| DTBench | Epoch AI Benchmarking Hub | 84.8%† | 92.3% |
| ForecastBench | ForecastBench | 64.3% | – |
| コーディング | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 62.3%† | 77.3% |
| SciCode | SciCode | – | 49.5% |
| WeirdML | WeirdML | 52.4%† | – |
| GSO-Bench | GSO-Bench | 8.8%† | – |
135件のベンチマークをすべて表示
| 指標 | 公開元 | o3 | Qwen3.7 (max) |
|---|---|---|---|
| コーディング | |||
| Arena Coding | Arena (LMArena) | 1460 | 1525 |
| Arena WebDev | Arena (LMArena) | – | 1515 |
| LiveBench 1.0 Coding | LiveBench | – | 74.2% |
| LiveCodeBench | Vals AI | 83.9%† | 87.1% |
| SWE-bench (Vals) | Vals AI | – | 68.8% |
| 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 | – | 13.1% |
| Vibe Code Bench v1.1 | Vals AI | – | 47.7% |
| CadEval | Epoch AI Benchmarking Hub | 74.0%† | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 933.5† | 1189.4 |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 1.5% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 74.5% |
| Startrise Frontend | Startrise | – | 63.6% |
| GameBench 2 Overall | DuelLab GameBench 2 | 34.1 | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 30.4† | – |
| Design Arena Website | Design Arena | 1028 | 1267 |
| LiveCodeBench (AA) | Artificial Analysis | 80.8% | – |
| エージェント・ツール | |||
| GDPval | OpenAI | 30.8%† | – |
| Arena Agent | Arena (LMArena) | – | -7.2 |
| LiveBench Agentic Coding | LiveBench | – | 43.6% |
| Terminal-Bench Hard | Artificial Analysis | 37.1% | 50.8% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 80.7% | 94.7% |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 61.0% |
| BFCL Overall | Berkeley Function Calling Leaderboard | 63.0% | – |
| GDPval-AA v2.1 | Artificial 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 v2 | Vals AI | – | 47.8% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 1.7% |
| Legal Research Bench | Vals AI | – | 25.5% |
| Tax Agent Bench | Vals AI | – | 15.8% |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 59.2% |
| Arena Search | Arena (LMArena) | 1197 | – |
| Arena Agent Task Completion | Arena (LMArena) | – | -10.5 |
| DeepResearch Bench | DeepResearch Bench | 45.2%† | – |
| METR Time Horizons | METR | 63.6% | – |
| GBAEval | Epoch AI Benchmarking Hub | – | 0.4% |
| AutomationBench | Artificial Analysis | – | 23.0% |
| GDP.pdf (AA) | Artificial Analysis | – | 8.6% |
| EnterpriseOps-Gym | Artificial Analysis | – | 45.0% |
| AA-Briefcase v1.1 | Artificial Analysis | – | 917 |
| Design Arena Agentic | Design Arena | – | 1179 |
| BrowseComp-Plus | BrowseComp-Plus | 50.5% | – |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 33.3%† | 64.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 34.1% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 83.9%† | 95.6% |
| MATH Level 5 | Epoch AI Benchmarking Hub | 97.8%† | – |
| ProofBench | Vals AI | – | 26.0% |
| LiveBench Mathematics | LiveBench | – | 85.3% |
| 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) | 1448 | 1483 |
| AIME 2025 (AA) | Artificial Analysis | 88.3% | – |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 49.4%† | 55.8% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 71.8% |
| MMLU-Pro | Vals AI | 85.6%† | 89.3% |
| LegalBench | Vals AI | 83.8%† | 84.9% |
| CorpFin | Vals AI | 59.7%† | 63.7% |
| TaxEval | Vals AI | 74.6%† | 75.3% |
| 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% | – |
| Excel Modeling Benchmark | Vals AI | – | 57.0% |
| MedCode | Vals AI | 47.3%† | 38.8% |
| MedScribe | Vals AI | 76.7%† | 79.4% |
| DrugDiscoveryBench | Scale AI SEAL | – | 29.3%† |
| EBR-bench | Epoch AI Benchmarking Hub | – | 9.5% |
| 指示追従 | |||
| LiveBench Language | LiveBench | – | 79.7% |
| LiveBench Instruction Following | LiveBench | – | 74.0% |
| IFBench | Artificial Analysis | 71.4% | 80.5% |
| 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) | 1403 | 1466 |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1432 | 1474 |
| EQ-Bench 4 | EQ-Bench | – | 1100 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1675 | – |
| Arena Creative Writing | Arena (LMArena) | 1383 | 1438 |
| Arena Multi-turn | Arena (LMArena) | 1420 | 1479 |
| Arena Longer Queries | Arena (LMArena) | 1411 | 1491 |
| Lech Mazur Creative Writing | Lech Mazur | 83.9%† | – |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1214 | – |
| MMMU-Pro | Artificial Analysis | 70.1% | – |
| VISTA | Scale AI SEAL | 50.1%† | – |
| MMMU-Pro (Vals) | Vals AI | 80.4%† | – |
| MortgageTax | Vals AI | 65.7%† | – |
| VTB | Scale AI SEAL | 13.7% | – |
| GeoBench | GeoBench | 60.0%† | – |
| VPCT | Epoch AI Benchmarking Hub | 52.0%† | – |
| 長文コンテキスト | |||
| Fiction.LiveBench 120k | Fiction.live | 100.0%† | – |
| AA-LCR v1.1 | Artificial Analysis | 74.7% | 79.0% |
| MLCR | Artificial Analysis | – | 14.4% |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 147.1 | 154.5 |
| LiveBench 1.0 | LiveBench | – | 73.1% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 20.2 | 29.5 |
| AA Progress Index v1 | Artificial Analysis | 258.3 | 293.8 |
| HELM Capabilities mean | HELM Capabilities | 81.1% | – |
| 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。
- 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。
関連する比較
- o3 vs Claude Opus 5.5
- o3 vs GPT-6.1 Sol
- o3 vs GPT-5.6 Sol
- o3 vs Gemini 4 Argon
- o3 vs Muse Wonder
- o3 vs Claude Sonnet 5.5
- o3 vs GPT-5.3-Codex
- o3 vs Kimi K3.1 Pro
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。