BenchLeader

o3

推論エフォート
品質339中35位
60.4Index
上位4分の1
中央値比 +10.2
価格255中202位
$3.50100万トークンあたり
高い方から4分の1
中央値の4.1倍
速度216中43位
131トークン/秒
上位4分の1
中央値の1.6倍
コスパ255中193位
17.3ポイント/$
下位4分の1
中央値の0.3倍

よりコスパが高いモデル: DeepSeek V4.1 Flash $0.525/MでIndex 58.5(85%安い)。

より安価でスコアの高いランク付けモデルが10つあります:GPT-6.1 Terra (64.1, $2.00)、Gemini 4 Hydrogen (63.4, $3.00)、Gemini 3.5 Flash (62.5, $3.38)ほか7つ。

2026年11月16日時点で、o3(OpenAI)のBenchLeader Indexは60.4です(ランク付けされた608構成中上位100位以内)。最も強いのは数学(71)、最も弱いのはマルチモーダル(53)です。API料金は入力100万トークンあたり$2.00、出力100万トークンあたり$8.00(3:1のブレンドで$3.50)で、2026年11月16日時点の定価です。出力速度は約130トークン/秒です(Artificial Analysis)。2025年4月16日にリリースされました。

要点(2026年11月16日時点)

  • o3のAPI料金は入力100万トークンあたり$2.00、出力100万トークンあたり$8.00(3:1のブレンドで$3.50)です(定価、2026年11月16日)。
  • o3の出力速度は約130トークン/秒です(Artificial Analysis、2026年11月16日)。
  • o3は2025年4月16日にリリースされました(OpenAI)。

詳しく見ると:o3はOpenAIのプロプライエタリな推論モデルです(2025年4月16日リリース)。最もスコアの高い構成は、BenchLeader Indexで60.4 ±3.2を記録し、608構成中76位で上位半分に入ります。重要なのはこの「±」です。ほかに193構成のスコアがこの範囲に入っており、品質だけでは区別できません。差がつくのは価格と速度です。カテゴリ別では数学が最も高く(71)、マルチモーダルが最も低くなっています(53)。ブレンド価格は100万トークンあたり$3.50で、ランク付けされたモデルの中で最も高価な部類です。出力速度は131トークン/秒、回答開始まで5.2秒で、最速の4分の1に入ります。4通りの推論エフォート設定で測定されています。この要約は最もスコアの高い設定について述べたもので、上のタブで切り替えられます。最終測定日:2026年11月11日。

ブレンド価格
$3.50/M
入力$2.00・出力$8.00
出典:Artificial Analysis
出力速度
131 tok/s
Artificial Analysisによる測定
回答開始
5.17 s
最初のトークン 2.31 s
コンテキスト
200k
出典:models.dev
回答完了まで
17 s
最終測定2026年11月13日
タスクあたりコスト
–
タスクあたりトークン数
–
リリース日
2025年4月16日
カテゴリ別のスコア破線=平均的なモデル(50)。15ポイントが標準偏差1つ分です。
  1. 総合Index60
  2. 推論61
  3. コーディング60
  4. エージェント・ツール70
  5. 数学71
  6. 知識56
  7. 指示追従65
  8. 人間の評価61
  9. マルチモーダル53
  10. 長文コンテキスト62

この順位を埋め込む

ほかのバッジスタイル
[![o3 on BenchLeader: 総合 35位](https://www.benchleader.com/badge/o3.svg?style=compact)](https://www.benchleader.com/models/o3)

README.mdの冒頭、ほかのバッジの横に貼り付けてください。バッジはデータの更新ごとに描き直され、このページへリンクします。

OpenAIの新モデル公開をメールで通知

ランク入りしたときにもう1通、さらに毎週月曜に週刊レビューをお届けします。

プロバイダーとメールの種類を選ぶ

推論エフォート別の構成

同じモデルでも、どれだけ考えさせるかによって振る舞いが変わります。各行が1つの推論エフォート設定で、その設定で実行されたベンチマークだけで評価しています。「未記載」は、どの設定を使ったかを公開元が明記していない結果をまとめたものです。推論モデルの場合は思考モードであることが多いものの、そうとは仮定していません。ここかページ上部で設定を選ぶと、その価格、速度、カテゴリ別スコアを表示します。

エフォートIndex順位速度回答開始チャット返答のコストカテゴリ
low45.1#463131 tok/s5.17 s$0.0032数学 40 · 推論 44
medium53.3#261131 tok/s5.17 s$0.0032エージェント・ツール 47 · コーディング 37 · 指示追従 54 · 知識 58 · 長文コンテキスト 80 · 数学 47 · マルチモーダル 63 · 推論 47
high55.1#218131 tok/s5.17 s$0.0032コーディング 59 · 指示追従 52 · 知識 57 · 数学 54 · マルチモーダル 64 · 推論 49
未記載最良60.4#76131 tok/s5.17 s$0.0032エージェント・ツール 70 · コーディング 60 · 人間の評価 61 · 指示追従 65 · 知識 56 · 長文コンテキスト 62 · 数学 71 · マルチモーダル 53 · 推論 61

Indexの推移

2026年9月8日〜2026年11月16日
425466
  • 標準
  • high
  • medium
  • low

Indexは毎日ゼロから計算し直すため、新しいベンチマーク結果が加わったとき、公開元がスコアを修正したとき、または正規化の基準となるモデルが変わったときに線が動きます。初期の変動は、スコアがまだ落ち着いていないことを示している場合がほとんどです。

ベンチマーク結果

LLMベンチマーク一覧を見る。列は推論エフォートごとです。順位は、そのベンチマークでのすべてのモデルのすべての構成の中での位置です。スコアにカーソルを合わせると、元になった実行が表示されます。

メタデータ

ベンチマーク標準出典推移
AA Openness IndexIndex対象外5.6#307Artificial Analysis

推論

ベンチマークlowmediumhigh標準出典推移
GPQA Diamond79.8%#13780.8%#13381.8%#128–Epoch AI Benchmarking Hub
Humanity's Last Exam–19.2%#2320.3%#21–Scale AI / CAIS
SimpleBench––53.1%#59–SimpleBench
Arena Hard Promptsエフォート未記載–––1441#127Arena (LMArena)
GPQA Diamond (AA)Index対象外エフォート未記載–––82.7%#171Artificial Analysis
Humanity's Last Exam (AA)Index対象外エフォート未記載–––20.1%#233Artificial Analysis
GPQA Diamond (Vals)Index対象外––84.1%#53–Vals AI
Kagi LLM Benchmarkエフォート未記載–––67.6%#32Kagi LLM Benchmark
GPQA Diamond (HELM)Index対象外エフォート未記載–––75.3%#4HELM Capabilities
ARC-AGI-141.5%#19853.8%#18360.8%#167–ARC Prize
ARC-AGI-22.0%#2123.0%#2006.5%#176–ARC Prize
CritPtIndex対象外エフォート未記載–––1.1%#242Artificial Analysis
SciPredictIndex対象外エフォート未記載–––17.9%#10Scale AI SEAL
Arena ExpertIndex対象外エフォート未記載–––1448#120Arena (LMArena)
Chess PuzzlesIndex対象外36.0%#5337.0%#4836.0%#53–Epoch AI Benchmarking Hub
Mystery Game PuzzlesIndex対象外–23.0%#5529.0%#40–Epoch AI Benchmarking Hub
CL-benchIndex対象外––17.8%#14–Epoch AI Benchmarking Hub
LMCAIndex対象外––39.7%#114–Epoch AI Benchmarking Hub
DTBenchIndex対象外––84.8%#114–Epoch AI Benchmarking Hub
ForecastBenchIndex対象外エフォート未記載–––64.3%#26ForecastBench

コーディング

ベンチマークlowmediumhigh標準出典推移
SWE-bench Verified (Epoch)–62.3%#28––Epoch AI Benchmarking Hub
WeirdML––52.4%#65–WeirdML
GSO-Bench––8.8%#22–GSO-Bench
Arena Codingエフォート未記載–––1460#135Arena (LMArena)
LiveCodeBench––83.9%#44–Vals AI
Aider Polyglot––81.3%#576.9%#10Aider polyglot leaderboard
SWE-bench Verified (bash only)エフォート未記載–––58.4%#26SWE-bench
SWE-bench Verified (any scaffold)Index対象外エフォート未記載–––58.4%#33SWE-bench
CadEvalIndex対象外–74.0%#1––Epoch AI Benchmarking Hub
ALE-BenchIndex対象外––933.5#73–Epoch AI Benchmarking Hub
GameBench 2 OverallIndex対象外設定全体–––34.1#50DuelLab GameBench 2
GameBench 2 by reasoning settingIndex対象外39.4#13932.4#16230.4#168–DuelLab GameBench 2
Design Arena WebsiteIndex対象外エフォート未記載–––1028#164Design Arena
LiveCodeBench (AA)Index対象外エフォート未記載–––80.8%#26Artificial Analysis

エージェント・ツール

ベンチマークmedium標準出典推移
GDPval30.8%#7–OpenAI
Terminal-Bench Hardエフォート未記載–37.1%#69Artificial Analysis
τ²-Bench Telecom (AA)Index対象外エフォート未記載–80.7%#122Artificial Analysis
BFCL Overallエフォート未記載–63.0%#7Berkeley Function Calling Leaderboard
Arena SearchIndex対象外エフォート未記載–1197#20Arena (LMArena)
DeepResearch BenchIndex対象外45.2%#30–DeepResearch Bench
METR Time HorizonsIndex対象外65.4%#1563.6%#18METR
BrowseComp-PlusIndex対象外エフォート未記載–50.5%#2BrowseComp-Plus

数学

ベンチマークlowmediumhigh標準出典推移
FrontierMath Tiers 1–319.3%#9529.8%#7933.3%#75–Epoch AI Benchmarking Hub
OTIS Mock AIME60.0%#17584.4%#10983.9%#116–Epoch AI Benchmarking Hub
MATH Level 5––97.8%#5–Epoch AI Benchmarking Hub
AIME (Vals)––85.3%#37–Vals AI
MGSM––91.8%#25–Vals AI
IMO 2025––16.7%#4–MathArena
Omni-MATH (HELM)エフォート未記載–––71.4%#4HELM Capabilities
MATH 500Index対象外––94.6%#8–Vals AI
Arena Mathsエフォート未記載–––1448#84Arena (LMArena)
AIME 2025 (AA)Index対象外エフォート未記載–––88.3%#35Artificial Analysis

知識

ベンチマークmediumhigh標準出典推移
SimpleQA Verified–49.4%#32–Epoch AI Benchmarking Hub
MMLU-Pro–85.6%#55–Vals AI
LegalBench–83.8%#48–Vals AI
CorpFin–59.7%#73–Vals AI
TaxEval–74.6%#34–Vals AI
MedQA–96.1%#6–Vals AI
PRBench Financeエフォート未記載––47.7%#15Scale AI SEAL
PRBench Legalエフォート未記載––48.6%#18Scale AI SEAL
MultiNRC44.5%#1645.5%#14–Scale AI SEAL
MMLU-Pro (HELM)Index対象外エフォート未記載––85.9%#6HELM Capabilities
MedCodeIndex対象外–47.3%#33–Vals AI
MedScribeIndex対象外–76.7%#72–Vals AI

指示追従

ベンチマークmediumhigh標準出典推移
IFBenchエフォート未記載––71.4%#56Artificial Analysis
MultiChallenge–56.6%#22–Scale AI SEAL
TutorBench52.8%#1352.1%#14–Scale AI SEAL
IFEval (HELM)エフォート未記載––86.9%#17HELM Capabilities
WildBench (HELM)エフォート未記載––86.1%#4HELM Capabilities
Arena Instruction FollowingIndex対象外エフォート未記載––1403#141Arena (LMArena)

人間の評価

ベンチマークmedium標準出典推移
Arena Textエフォート未記載–1432#112Arena (LMArena)
EQ-Bench Creative Writing v3Index対象外エフォート未記載–1675#38EQ-Bench
Arena Creative WritingIndex対象外エフォート未記載–1383#138Arena (LMArena)
Arena Multi-turnIndex対象外エフォート未記載–1420#132Arena (LMArena)
Arena Longer QueriesIndex対象外エフォート未記載–1411#151Arena (LMArena)
Lech Mazur Creative WritingIndex対象外83.9%#5–Lech Mazur

マルチモーダル

ベンチマークmediumhigh標準出典推移
Arena Visionエフォート未記載––1214#84Arena (LMArena)
MMMU-Proエフォート未記載––70.1%#161Artificial Analysis
VISTA49.6%#1250.1%#10–Scale AI SEAL
MMMU-Pro (Vals)Index対象外–80.4%#43–Vals AI
MortgageTaxIndex対象外–65.7%#38–Vals AI
VTBIndex対象外エフォート未記載––13.7%#8Scale AI SEAL
GeoBenchIndex対象外74.0%#1960.0%#33–GeoBench
VPCTIndex対象外52.0%#10––Epoch AI Benchmarking Hub

長文コンテキスト

ベンチマークmedium標準出典推移
Fiction.LiveBench 120k100.0%#1–Fiction.live
AA-LCR v1.1エフォート未記載–74.7%#176Artificial Analysis

総合

ベンチマーク標準出典推移
Epoch Capabilities IndexIndex対象外147.1#80Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2Index対象外20.2#242Artificial Analysis
AA Progress Index v1Index対象外258.3#244Artificial Analysis
HELM Capabilities meanIndex対象外81.1%#3HELM Capabilities

安全性・誠実さ

ベンチマークmediumhigh標準出典推移
FORTRESSIndex対象外エフォート未記載––16.0%#22Scale AI SEAL
MASKIndex対象外汚染の可能性82.6%#2084.5%#19–Scale AI SEAL
PropensityBenchIndex対象外エフォート未記載––10.5%#1Scale AI SEAL

GameBench 2 Overall: 34.1. GameBench 2, best reasoning setting (Low): 39.4. 参考値で、BenchLeader Indexには含まれません。

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.

強みのあるベンチマーク

測定されたすべての構成の中で、この構成が上位5位以内に入っているベンチマークです。

API料金:提供プロバイダー別

OpenRouter経由でこのモデルを提供しているすべてのプロバイダーです。スループットと最初のトークンまでのレイテンシは直近30分の実トラフィックで測定し、価格は各プロバイダー自身のものです。紫は各列の最良値を示します。

プロバイダー速度最初のトークン入力 $/M出力 $/Mコンテキスト量子化
OpenAI82 tok/s2.56 s$2.00$8.00200k–

タスクあたりのコスト

最もスコアの高い構成の定価、出力速度、回答開始までの時間から算出した推定値です。「キャッシュあり」は、入力の4分の3が100万トークンあたり$0.500のプロンプトキャッシュから提供されると仮定しています。推論トークンは考慮していません。

ワークロード入力/出力トークンコストキャッシュあり時間
チャットの返答400 / 300$0.0032$0.00287.5 s
30ページのレポートを要約12,000 / 600$0.029$0.0159.8 s
コード編集6,000 / 1,500$0.024$0.01716.6 s
エージェント型コーディングセッション60,000 / 4,000$0.152$0.08535.7 s
構造化データの抽出2,000 / 200$0.0056$0.00346.7 s

OpenAIのほかのモデル

今月の新着

o3と比較する

関連ページ

埋め込み・引用

o3の順位をモデルカードやREADMEに表示できます。バッジは毎日の更新に合わせて描き直され、データの日付が入り、このページへリンクします。

[![o3 on BenchLeader: 総合 35位](https://www.benchleader.com/badge/o3.svg)](https://www.benchleader.com/models/o3)

このページを引用する

ランキングは毎日変わるため、参考文献にはデータの日付を入れます。APAスタイル:

BenchLeader. (2026, November 16). o3 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/o3

BibTeX:

@misc{benchleader_o3_20261116,
  author       = {{BenchLeader}},
  title        = {{o3 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/o3}},
  note         = {Data as of 2026-11-16}
}

すべてのバッジスタイル、埋め込み用のトップ10ウィジェット、Indexの引用方法

よくある質問

o3のベンチマークスコアは?
2026年11月16日時点で、o3のBenchLeader Indexは60.4 ±3.2です(上位100位以内)。最も強いのは数学(71)、最も弱いのはマルチモーダル(53)です。この評価は第三者のベンチマーク結果だけに基づいており、このページのすべてのスコアに公開元へのリンクがあります。
o3の順位は?
2026年11月16日時点で、o3はランク付けされた608構成中76位です(上位100位以内)。ほかに193構成のスコアが誤差の範囲内にあるため、正確な順位よりも順位帯のほうが意味を持ちます。首位はClaude Fable 5.2(推論エフォート max)で、72.7です。
o3の料金は100万トークンあたりいくらですか?
2026年11月16日時点で、o3の料金は入力100万トークンあたり$2.00、出力100万トークンあたり$8.00で、ブレンド価格(出力1トークンにつき入力3トークン)は$3.50です。
o3はGemini 3.1 Proより優れていますか?
2026年11月16日時点で、Gemini 3.1 Pro(推論エフォート high)とo3の品質はほぼ互角です(BenchLeader Indexで60.4対60.4、±4.7の誤差の範囲内)。価格と速度、重視するカテゴリで選んでください。ベンチマークごとの詳細は比較ページにあります。
o3はいつリリースされましたか?
OpenAIが2025年4月16日にo3をリリースしました。BenchLeaderには4通りの推論エフォート設定での結果があります。

2026年11月16日時点のデータです。 これらの構成を比較

引用表記:BenchLeader「o3:ベンチマーク、料金、速度、順位」2026年11月16日時点のデータ、https://www.benchleader.com/ja/models/o3