o3
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
- 総合Index60
- 推論61
- コーディング60
- エージェント・ツール70
- 数学71
- 知識56
- 指示追従65
- 人間の評価61
- マルチモーダル53
- 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[](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。
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 |
|---|---|---|---|---|---|---|
| low | 45.1 | #463 | 131 tok/s | 5.17 s | $0.0032 | 数学 40 · 推論 44 |
| medium | 53.3 | #261 | 131 tok/s | 5.17 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 |
| high | 55.1 | #218 | 131 tok/s | 5.17 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 | #76 | 131 tok/s | 5.17 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- 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#307 | Artificial Analysis |
推論
コーディング
| ベンチマーク | low | medium | high | 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#135 | Arena (LMArena) | |
| LiveCodeBench | – | – | 83.9%#44 | – | Vals AI | |
| Aider Polyglot | – | – | 81.3%#5 | 76.9%#10 | Aider polyglot leaderboard | |
| SWE-bench Verified (bash only)エフォート未記載 | – | – | – | 58.4%#26 | SWE-bench | |
| SWE-bench Verified (any scaffold)Index対象外エフォート未記載 | – | – | – | 58.4%#33 | SWE-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#50 | DuelLab GameBench 2 | |
| GameBench 2 by reasoning settingIndex対象外 | 39.4#139 | 32.4#162 | 30.4#168 | – | DuelLab GameBench 2 | |
| Design Arena WebsiteIndex対象外エフォート未記載 | – | – | – | 1028#164 | Design Arena | |
| LiveCodeBench (AA)Index対象外エフォート未記載 | – | – | – | 80.8%#26 | Artificial Analysis |
エージェント・ツール
| ベンチマーク | medium | 標準 | 出典 | 推移 |
|---|---|---|---|---|
| GDPval | 30.8%#7 | – | OpenAI | |
| Terminal-Bench Hardエフォート未記載 | – | 37.1%#69 | Artificial Analysis | |
| τ²-Bench Telecom (AA)Index対象外エフォート未記載 | – | 80.7%#122 | Artificial Analysis | |
| BFCL Overallエフォート未記載 | – | 63.0%#7 | Berkeley Function Calling Leaderboard | |
| Arena SearchIndex対象外エフォート未記載 | – | 1197#20 | Arena (LMArena) | |
| DeepResearch BenchIndex対象外 | 45.2%#30 | – | DeepResearch Bench | |
| METR Time HorizonsIndex対象外 | 65.4%#15 | 63.6%#18 | METR | |
| BrowseComp-PlusIndex対象外エフォート未記載 | – | 50.5%#2 | BrowseComp-Plus |
数学
| ベンチマーク | low | medium | high | 標準 | 出典 | 推移 |
|---|---|---|---|---|---|---|
| FrontierMath Tiers 1–3 | 19.3%#95 | 29.8%#79 | 33.3%#75 | – | Epoch AI Benchmarking Hub | |
| OTIS Mock AIME | 60.0%#175 | 84.4%#109 | 83.9%#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%#4 | HELM Capabilities | |
| MATH 500Index対象外 | – | – | 94.6%#8 | – | Vals AI | |
| Arena Mathsエフォート未記載 | – | – | – | 1448#84 | Arena (LMArena) | |
| AIME 2025 (AA)Index対象外エフォート未記載 | – | – | – | 88.3%#35 | Artificial Analysis |
知識
| ベンチマーク | medium | high | 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%#15 | Scale AI SEAL | |
| PRBench Legalエフォート未記載 | – | – | 48.6%#18 | Scale AI SEAL | |
| MultiNRC | 44.5%#16 | 45.5%#14 | – | Scale AI SEAL | |
| MMLU-Pro (HELM)Index対象外エフォート未記載 | – | – | 85.9%#6 | HELM 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 | medium | high | 標準 | 出典 | 推移 |
|---|---|---|---|---|---|
| IFBenchエフォート未記載 | – | – | 71.4%#56 | Artificial Analysis | |
| MultiChallenge | – | 56.6%#22 | – | Scale AI SEAL | |
| TutorBench | 52.8%#13 | 52.1%#14 | – | Scale AI SEAL | |
| IFEval (HELM)エフォート未記載 | – | – | 86.9%#17 | HELM Capabilities | |
| WildBench (HELM)エフォート未記載 | – | – | 86.1%#4 | HELM Capabilities | |
| Arena Instruction FollowingIndex対象外エフォート未記載 | – | – | 1403#141 | Arena (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#112 | Arena (LMArena) | |
| EQ-Bench Creative Writing v3Index対象外エフォート未記載 | – | 1675#38 | EQ-Bench | |
| Arena Creative WritingIndex対象外エフォート未記載 | – | 1383#138 | Arena (LMArena) | |
| Arena Multi-turnIndex対象外エフォート未記載 | – | 1420#132 | Arena (LMArena) | |
| Arena Longer QueriesIndex対象外エフォート未記載 | – | 1411#151 | Arena (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 | medium | high | 標準 | 出典 | 推移 |
|---|---|---|---|---|---|
| Arena Visionエフォート未記載 | – | – | 1214#84 | Arena (LMArena) | |
| MMMU-Proエフォート未記載 | – | – | 70.1%#161 | Artificial Analysis | |
| VISTA | 49.6%#12 | 50.1%#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%#8 | Scale AI SEAL | |
| GeoBenchIndex対象外 | 74.0%#19 | 60.0%#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 120k | 100.0%#1 | – | Fiction.live | |
| AA-LCR v1.1エフォート未記載 | – | 74.7%#176 | Artificial Analysis |
総合
| ベンチマーク | 標準 | 出典 | 推移 |
|---|---|---|---|
| Epoch Capabilities IndexIndex対象外 | 147.1#80 | Epoch AI Benchmarking Hub | |
| AA Intelligence Index v4.3.2Index対象外 | 20.2#242 | Artificial Analysis | |
| AA Progress Index v1Index対象外 | 258.3#244 | Artificial Analysis | |
| HELM Capabilities meanIndex対象外 | 81.1%#3 | HELM Capabilities |
安全性・誠実さ
| ベンチマーク | medium | high | 標準 | 出典 | 推移 |
|---|---|---|---|---|---|
| FORTRESSIndex対象外エフォート未記載 | – | – | 16.0%#22 | Scale AI SEAL | |
| MASKIndex対象外汚染の可能性 | 82.6%#20 | 84.5%#19 | – | Scale AI SEAL | |
| PropensityBenchIndex対象外エフォート未記載 | – | – | 10.5%#1 | Scale 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 |
|---|---|---|---|---|---|---|
| OpenAI | 82 tok/s | 2.56 s | $2.00 | $8.00 | 200k | – |
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 | $0.0028 | 7.5 s |
| 30ページのレポートを要約 | 12,000 / 600 | $0.029 | $0.015 | 9.8 s |
| コード編集 | 6,000 / 1,500 | $0.024 | $0.017 | 16.6 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 | $0.085 | 35.7 s |
| 構造化データの抽出 | 2,000 / 200 | $0.0056 | $0.0034 | 6.7 s |
o3と比較する
- o3 vs Gemini 4 Argon
- o3 vs GPT-6.1 Sol
- o3 vs Muse Spark 1.3
- o3 vs Muse Wonder
- o3 vs Qwen3.8 Max
- o3 vs Claude Sonnet 5.5
- o3 vs Claude Opus 5.5
- o3 vs GPT-5.3-Codex
- o3 vs GLM 5.3 Flash
- o3 vs GPT-5.6 Terra
- o3 vs Kimi K3.1 Pro
- o3 vs GPT-5.5 Instant
- o3 vs Grok 4.3
- o3 vs Kimi K2.6
- o3 vs Qwen3.7
- o3 vs Claude Sonnet 5
- o3 vs GPT-5.6 Sol
- o3 vs Gemini 3.8 Flash
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。
[](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}
}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