ランクSとランクA——GPT-5.4 mini・nanoに24問解かせた

TL;DR: 2026年3月17日、OpenAIがGPT-5.4 mini（$0.75/1M）とnano（$0.20/1M）をリリース。META-MARK独自の24問ベンチマークで採点した結果、miniが223/240点（92.9%）ランクS、nanoが190/240点（79.2%）ランクA。前作GPT-5.4フラッグシップとの差はわずか数点——それで価格は数分の一という話をしたい。

📋 この記事で使用したテスト問題（全24問）は LLM 24問テストスイート で確認できます。

• 今回登場した2つのモデル {#models}
• META-MARK 24問ベンチマーク結果 {#benchmark}
• カテゴリ別の詳細 {#category}
  • GPT-5.4 mini（223点）
  • GPT-5.4 nano（190点）
• 料金の計算——nanoで76,000枚の写真が$52 {#pricing}
  • miniとnanoのコスト比較
• 横断比較：8モデルの中での立ち位置 {#comparison}
• どちらを選ぶべきか {#guide}
• まとめ {#summary}
• よくある質問 {#faq}
• この記事を書いた人
• 関連記事

GPT-5.4がリリースされてから13日後の3月17日、OpenAIが軽量版2モデルを同時リリースした。

miniのほうはChatGPT無料プランで動くデフォルトモデルになった。「フラッグシップの縮小版」ではなく、「大規模エージェントの実行ノード」として設計されている、というのがOpenAIの説明だ。

nanoは「もっと単純なタスク向け」とされているが、OSWorld-Verifiedで39.0%という数字は——以前のモデルと比べると——相当な実力がある。

実際のところどうなのか。自分で試した。

このサイトでは、AIモデルを比較するための独自24問テストを運用している。常識・論理推論・コーディング・日本語能力の4カテゴリ、各60点満点（計240点）で採点する。

miniはランクS（90%以上）、nanoはランクA（75〜89%）。

miniの92.9%はこのベンチマークシリーズで過去最高タイのスコアだ。前回最高だったGPT-5.4フラッグシップとの差は数点以内に収まった。「フラッグシップに接近している」というOpenAIの主張は、少なくともこのテストでは嘘ではない。

GPT-5.4 mini（223点）

コーディングが満点だった。論理推論も96.7%と高水準で、川渡り問題やパリティ戦略が絡む問題をすべて正解している。日常のタスクで「miniで十分では」という印象が強い。

唯一の取りこぼしがA（常識）で、お墓問題・月曜問題といった認知バイアスを問う問題に引っかかった。これはフラッグシップでも同じ傾向があり、モデルサイズというより問題の性質に近い。

GPT-5.4 nano（190点）

コーディングが57点と健闘している。miniとの差が最も小さいのがコーディングカテゴリで、「簡単なコード補助なら十分」という評価が数字で裏付けられた形だ。

論理推論が78.3%と落ちているのは、多段階推論が要る問題で途中で答えが揺れるためだ。「シンプルな手順で解ける」タスクに向いている、とOpenAIが言う意味がこの数字でわかる。

nanoの$0.20/1Mという価格が実際どの程度か、Simon Willison氏が具体例で示した計算が面白い。

博物館の写真1枚を説明させると、2,751入力トークン＋112出力トークンで0.069セント。これを76,000枚に掛けると約**$52**。

たとえばカタログ写真の自動タグ付けや商品説明の下書き生成をnanoに流すコストが、おそらく自社のエンジニアが手作業する1時間分のコストを下回る——そういう水準になってきた。

miniとnanoのコスト比較

仮に月間100万トークンの入力を処理するとしたら：

miniでも月$0.75。個人開発のサービスや社内ツールで使うなら、料金を気にするような金額ではなくなっている。

META-MARKの24問ベンチマークでこれまで採点したモデルとの比較。

nanoがQwen3.5:4b（RTX 4070 Tiで動くローカルモデル）とほぼ同等のスコアを出した。電気代を込みにすると「どちらが安いか」は使い方次第になってくる。

miniの92.9%はローカルの最高値を10ポイント以上上回っている。これが「規模の現実」だ——以前の記事で書いたことが、このシリーズでも繰り返されている。

miniを選ぶ場面

• コーディング補助・コードレビュー（満点実績あり）
• 複数ステップの推論が必要なエージェントタスク
• ChatGPT Free/Goでそのまま使いたい
• 1回の推論で完結するAPI呼び出し

nanoを選ぶ場面

• 分類・タグ付け・抽出などシンプルな定型タスク
• バッチ処理（Batch API利用で50%追加割引）
• 大量データを低コストで流したい
• サブエージェントの末端ノード（miniのオーケストレーション下で動かす）

フラッグシップを残す場面

• 複雑な要件定義・設計判断
• 長い文脈を持つ対話（400K超えるケース）
• 重要な意思決定を含むアウトプット

実際のところ、「考える」役割をフラッグシップに任せ、「実行する」役割をminiやnanoに委ねる分業が、コスト最適化の基本パターンになりそうだ。

GPT-5.4 mini・nanoの登場で、「フラッグシップ性能に近いモデルをどれだけ安く動かせるか」という競争が次の段階に入った。

• mini: コーディング満点・推論96.7%・日本語91.7%——これでランクS、価格$0.75/1M
• nano: コーディング95%・分類・抽出に最適——ランクA、価格$0.20/1M（Gemini Flash-Liteより安価）

「試してみた」が口癖の自分が正直に言うと、miniに関しては「フラッグシップが要るシーン」を探す方が難しくなってきた。少なくともコーディングと推論では、もうこれで十分だと思う。

nanoは「大量に流す」ことに特化している。精度よりスループットとコストを優先する場面で、合理的な選択肢になった。

Q. GPT-5.4 nano はChatGPTから使えますか？
A. 現時点ではAPIのみの提供です。ChatGPT（Free/Go/Plus等）では利用できません。miniはFree/Goプランで使えます。

Q. GPT-5.1 mini との違いは何ですか？
A. GPT-5.1 mini（2025年11月リリース、$0.25/1M入力）はGPT-5.1系の軽量版で、今回のGPT-5.4 mini（$0.75/1M入力）はGPT-5.4系の軽量版です。5.4 miniの方が高性能・高価格で、OSWorldなどの最新ベンチマークで大幅に改善されています。

Q. ローカルLLMとnanoはどちらがコスパが良いですか？
A. スコアはほぼ同等ですが、用途によって異なります。月に数百万トークン以上を処理するならnano（$0.20/1M）、それ以下ならRTX 4070 Ti等の電気代・初期投資を含めたローカル運用も選択肢になります。詳しくはBlogローカル最高80% vs クラウド93%——20点差が示す、規模の残酷な現実GPT-5.4 mini/nanoを同じ24問ベンチマークで測定。ローカル最高峰Qwen3.5:4bの80.8%に対し、miniは92.9%・nanoは79.2%。スコアの読み方と、正直な限界を書きます。→を参照してください。過去のローカルLLMベンチマーク（Blog14Bで175点・ランクB——phi4:14bに24問ぶつけた正直な結果phi4:14bに24問テスト。175/240点（72.9%）ランクB。蛙の季語は正解できたが汚名返上をSwallowと同じく誤用と断言した。4.2 tok/s・VRAM 8.3GB使用の詳細な結果を公開。→・BlogQwen3.5:4b 24問テスト——thinkingをOFFにしたらスコアが21%上がった話Qwen3.5:4bをOllama上でベンチマーク。thinkingモードが原因で9問が空回答になった。think:falseに切り替えたらスコアが194/240（80.8%）に回復。RTX 4070 Tiで101.5 tok/s出る4Bモデルの実力を24問で徹底検証。→・Blog209点/240点——「廉価モデル」Haikuが超えてきたラインClaude Haiku 4.5を24問ベンチマークで計測。コーディング満点・総合87.1%ランクAという結果が「廉価モデル」という先入観を崩した。ローカル最高Nemotronも超えた実力の内訳を全問解説。→）もあわせてご覧ください。

ベンチマーク方法について: 本記事のスコアはMETA-MARK独自の24問テスト（2026年3月実施）に基づきます。各モデルはLiteLLM経由でOpenAI APIを使用して採点。価格・仕様はOpenAI公式発表（2026年3月17日）時点の情報です。

HW系エンジニア歴20年超・単独SOL業務2000件超。「本当のところどうなの？」が染みついた判断軸で、AIツールを片っ端から試し続けている。META-MARKはそのアウトプット置き場。結婚相談所も運営中。釣り・サウナ・キノコ栽培が趣味。AIが速くなるほど、遅い世界が恋しくなる。

• Blog「effortは高いほど良い」は間違い。GPT-5.5の5段階を実務で使い分ける判断基準GPT-5.5のreasoning.effortパラメータ（none〜xhigh）の選び方を実務翻訳。Responses APIとChat Completions APIの書き方の違い、思考過多トラップの回避、タスク別の判断フローを整理します。→
• Blogデータから見る化け物 GPT-5.6——公式ベンチ7枚を実測者が読み、結論を出すGPT-5.6限定プレビューの公式ベンチ7枚を、事実・分析・推測に分けて読み解く。生の実力と逸脱の影を整理します。→
• Blogローカル最高80% vs クラウド93%——20点差が示す、規模の残酷な現実GPT-5.4 mini/nanoを同じ24問ベンチマークで測定。ローカル最高峰Qwen3.5:4bの80.8%に対し、miniは92.9%・nanoは79.2%。スコアの読み方と、正直な限界を書きます。→