BenchLeader

o3 vs Qwen3.8 Max

詳しいプロフィール:o3(OpenAI)とQwen3.8 Max(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 · 21件の情報源のデータ

2026年11月16日時点で、o3とQwen3.8 Maxの品質は互角です(BenchLeader Indexで60.4 対 58.7、±4.7の誤差範囲内)。価格はQwen3.8 Maxの方が1.2倍安く、100万トークンあたりのブレンド価格で$3.00 対 $3.50です。エージェント・ツール(70 対 59)、推論(61 対 52)、数学(71 対 65)を重視するならo3、マルチモーダル(66 対 53)、人間の評価(68 対 61)、長文コンテキスト(65 対 62)を重視するならQwen3.8 Max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 119.6秒です。o3は出力が約2倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader Indexはo3が60.4、Qwen3.8 Maxが58.7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)。
  • Qwen3.8 Maxの100万トークンあたりのブレンド価格は$3.00です(定価、2026年11月16日)。
  • o3はQwen3.8 Maxより出力が約2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18件のベンチマークのうち、Qwen3.8 Max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Qwen3.8 Maxカテゴリスコア62 対 60;Arena Coding 1523 対 1460中
エージェント・ツール利用o3カテゴリスコア70 対 59;Arena Search 1197 対 1227高
数学o3カテゴリスコア71 対 65;Arena Maths 1448 対 1505中
推論o3カテゴリスコア61 対 52;Arena Hard Prompts 1441 対 1507高
知識Qwen3.8 Maxカテゴリスコア58 対 56中
長い文書Qwen3.8 Maxカテゴリスコア65 対 62;AA-LCR v1.1 80.3% 対 74.7%中
画像などのメディアQwen3.8 Maxカテゴリスコア66 対 53;Arena Vision 1312 対 1214高
チャットの質(人間の評価)Qwen3.8 MaxArenaの投票で68 対 61中
最低コストQwen3.8 Max100万トークンあたりブレンド価格$3.00 対 $3.50;エージェント型コーディングセッション$0.144 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 119.6秒(Qwen3.8 Max (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Qwen3.8 Max (max)の品質は互角です(60.4 対 58.7、±4.7の誤差範囲内)。
  • o3はエージェント・ツール、数学、推論で優れています。
  • Qwen3.8 Max (max)はコーディング、人間の評価、知識、長文コンテキスト、マルチモーダルで優れています。
  • Qwen3.8 Max (max)の方が1.2倍安くなっています(100万トークンあたりブレンド価格$3.00 対 $3.50)。
  • o3の方が出力が2.2倍速くなっています(131 対 59トークン/秒)。

概要

仕様o3Qwen3.8 Max
プロバイダーOpenAIAlibaba
リリース日2025年4月16日2026年8月3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o3Qwen3.8 Max (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$2.00 / $6.00 / $0.250

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o3Qwen3.8 Max (max)トップ
推論60.951.5o3
コーディング59.861.6Qwen3.8 Max
エージェント・ツール70.358.5o3
数学70.665.2o3
知識56.258.0Qwen3.8 Max
指示追従65.2–比較不可
人間の評価61.067.5Qwen3.8 Max
マルチモーダル52.865.7Qwen3.8 Max
長文コンテキスト61.964.8Qwen3.8 Max
総合–45.0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推論コーディングエージェント・ツール数学知識長文コンテキストマルチモーダル人間の評価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, 長文コンテキスト: 61.9o3, マルチモーダル: 52.8o3, 人間の評価: 61.0Qwen3.8 Max, 推論: 51.5Qwen3.8 Max, コーディング: 61.6Qwen3.8 Max, エージェント・ツール: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知識: 58.0Qwen3.8 Max, 長文コンテキスト: 64.8Qwen3.8 Max, マルチモーダル: 65.7Qwen3.8 Max, 人間の評価: 67.5

描画していないもの(測定済みのモデルが2つ未満):指示追従。

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、Qwen3.8 Max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、Qwen3.8 Maxが上回っています。

総合Indexo3Qwen3.8 Max (max)トップ
BenchLeader Index60.458.7互角
Arena Text14321484Qwen3.8 Max

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o3Qwen3.8 Max (max)
100万トークンあたりのブレンド価格$3.50$3.00
100万トークンあたりの入力/出力$2.00 / $8.00$2.00 / $6.00
100万トークンあたりのキャッシュ入力$0.500$0.250
タスクあたりの価格:チャットの返答$0.0032$0.0026
タスクあたりの価格:30ページのレポートを要約$0.029$0.028
タスクあたりの価格:コード編集$0.024$0.021
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$0.144
タスクあたりの価格:構造化データの抽出$0.0056$0.0052
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$0.065
ベンチマークのタスクあたりのコスト(AA Index)–$10.02
タスクあたりの出力トークン(AA Index)–171k
うち推論–120k
タスクあたりの時間(AA Index)–48 min
出力速度131 tok/s59 tok/s
回答開始までの時間5.2秒119.6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294.1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)。Qwen3.8 Max (max)のスコアは58.7、最初の回答トークンまで120秒。Qwen3.8 Max (xhigh)は56.6(3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o3Qwen3.8 Max (max)
BenchLeader IndexBenchLeader60.458.7
エージェント・ツールスコアBenchLeader70.358.5
コーディングスコアBenchLeader59.861.6
人間の評価スコアBenchLeader61.067.5
指示追従スコアBenchLeader65.2–
知識スコアBenchLeader56.258.0
長文コンテキストスコアBenchLeader61.964.8
数学スコアBenchLeader70.665.2
マルチモーダルスコアBenchLeader52.865.7
推論スコアBenchLeader60.951.5
総合スコアBenchLeader–45.0
ブレンド価格($/100万トークン)BenchLeader$3.50$3.00
出力速度BenchLeader131 tok/s59 tok/s
回答開始までの時間BenchLeader5.2秒119.6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%†92.7%†
Humanity's Last ExamScale AI / CAIS20.3%†–
SimpleBenchSimpleBench53.1%†–
Arena Hard PromptsArena (LMArena)14411507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis82.7%92.8%
Humanity's Last Exam (AA)Artificial Analysis20.1%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI84.1%†93.7%
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%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
SciPredictScale AI SEAL17.9%–
Arena ExpertArena (LMArena)14481514
Chess PuzzlesEpoch AI Benchmarking Hub36.0%†46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%†38.0%†
CL-benchEpoch AI Benchmarking Hub17.8%†–
LMCAEpoch AI Benchmarking Hub39.7%†46.2%†
DTBenchEpoch AI Benchmarking Hub84.8%†92.0%†
ForecastBenchForecastBench64.3%–
189件のベンチマークをすべて表示
指標公開元o3Qwen3.8 Max (max)
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub62.3%†–
SciCodeSciCode–53.2%
WeirdMLWeirdML52.4%†–
GSO-BenchGSO-Bench8.8%†–
Arena CodingArena (LMArena)14601523
Arena WebDevArena (LMArena)–1676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench–72.9%
LiveCodeBenchVals AI83.9%†87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI–85.6%
Aider PolyglotAider polyglot leaderboard76.9%–
SWE-bench Verified (bash only)SWE-bench58.4%–
SWE-bench Verified (any scaffold)SWE-bench58.4%–
Code MigrationVals AI–24.0%
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI–64.7%
SWE Atlas v1.1Scale AI SEAL–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub–52.2%†
CadEvalEpoch AI Benchmarking Hub74.0%†–
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub933.5†1679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 234.154.2†
GameBench 2 by reasoning settingDuelLab GameBench 230.4†69.6†
Design Arena WebsiteDesign Arena10281269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
LiveCodeBench (AA)Artificial Analysis80.8%–
エージェント・ツール
Terminal-BenchTerminal-Bench–27.0%
GDPvalOpenAI30.8%†–
APEX-AgentsMercor–63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench HardArtificial Analysis37.1%–
τ²-Bench Telecom (AA)Artificial Analysis80.7%–
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis–1674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI–10.4%
Legal Research BenchVals AI–47.6%
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)11971227
Arena Agent Task CompletionArena (LMArena)–4.5
DeepResearch BenchDeepResearch Bench45.2%†–
METR Time HorizonsMETR63.6%–
AutomationBenchArtificial Analysis–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis–1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena–1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
BrowseComp-PlusBrowseComp-Plus50.5%–
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub33.3%†74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub83.9%†100.0%†
MATH Level 5Epoch AI Benchmarking Hub97.8%†–
ProofBenchVals AI–58.0%
LiveBench MathematicsLiveBench–91.3%
AIME (Vals)Vals AI85.3%†–
MGSMVals AI91.8%†–
IMO 2025MathArena16.7%†–
Omni-MATH (HELM)HELM Capabilities71.4%–
MATH 500Vals AI94.6%†–
Arena MathsArena (LMArena)14481505
AIME 2025 (AA)Artificial Analysis88.3%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub49.4%†47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI85.6%†88.6%
LegalBenchVals AI83.8%†83.6%
CorpFinVals AI59.7%†65.8%
TaxEvalVals AI74.6%†75.5%
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–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI47.3%†40.7%
MedScribeVals AI76.7%†85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
FACTS ParametricGoogle–30.8%
指示追従
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
IFBenchArtificial Analysis71.4%–
MultiChallengeScale AI SEAL56.6%†–
TutorBenchScale AI SEAL52.1%†–
IFEval (HELM)HELM Capabilities86.9%–
WildBench (HELM)HELM Capabilities86.1%–
Arena Instruction FollowingArena (LMArena)14031478
人間の評価
Arena TextArena (LMArena)14321484
EQ-Bench Creative Writing v3EQ-Bench1675–
Arena Creative WritingArena (LMArena)13831472
Arena Multi-turnArena (LMArena)14201495
Arena Longer QueriesArena (LMArena)14111496
Lech Mazur Creative WritingLech Mazur83.9%†–
マルチモーダル
Arena VisionArena (LMArena)12141312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis70.1%82.8%
VISTAScale AI SEAL50.1%†–
MMMU-Pro (Vals)Vals AI80.4%†88.0%
MortgageTaxVals AI65.7%†64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
VTBScale AI SEAL13.7%–
GeoBenchGeoBench60.0%†–
VPCTEpoch AI Benchmarking Hub52.0%†–
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
長文コンテキスト
Fiction.LiveBench 120kFiction.live100.0%†–
AA-LCR v1.1Artificial Analysis74.7%80.3%
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub147.1157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis20.245.4
AA Progress Index v1Artificial Analysis258.3323.7
HELM Capabilities meanHELM Capabilities81.1%–
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI–65.4%
安全性・誠実さ
FORTRESSScale AI SEAL16.0%–
MASKScale AI SEAL84.5%†–
PropensityBenchScale AI SEAL10.5%–
DistressBenchScale AI SEAL–77.6%
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。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂6件。
  • o3:新しい結果1件(Arena Search)。
  • Qwen3.8 Max (max):スコアの改訂1件。
  • Qwen3.8 Max (max):新しい結果1件(FACTS Search)、スコアの改訂1件。
  • o3:スコアの改訂1件。
  • Qwen3.8 Max (max):スコアの改訂1件、価格 $0.22/M → $0.25/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 Qwen3.8 Max:よくある質問

o3はQwen3.8 Maxより優れていますか?
o3とQwen3.8 Max (max)の品質は互角です(60.4 対 58.7、±4.7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Qwen3.8 Max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Qwen3.8 Maxの方が安く、100万トークンあたり$3.00 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o3とQwen3.8 Maxのどちらが向いていますか?
コーディングではQwen3.8 Maxの方がスコアが高くなっています(カテゴリ指標で62 対 60。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、Qwen3.8 Maxが1523です。
o3とQwen3.8 Maxはどちらが速いですか?
o3の方が出力が約2倍速くなっています(出力131 対 59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Qwen3.8 Max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 59。50が平均)。
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Qwen3.8 Maxの方がスコアが高くなっています(65 対 62)。コンテキストはQwen3.8 Max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 119.6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Qwen3.8 Max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、Qwen3.8 Max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、Qwen3.8 Maxが上回っています。
Qwen3.8 Maxはいつリリースされましたか?
Qwen3.8 Maxは2026年8月3日にリリースされました。