OpenAI: o3 対 Pareto 26.9
api14カタログの最新のUSD料金と機能をもとに、OpenAI: o3（$7.00 / 100万トークン (≈ ￥1,105)）とPareto 26.9（$8.75 / 100万トークン (≈ ￥1,381)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。
仕様
| OpenAI: o3 | Pareto 26.9 | |
|---|---|---|
| プロバイダー | OpenAI | Unbiased |
| 入力 | $7.00 / 100万トークン (≈ ￥1,105) | $8.75 / 100万トークン (≈ ￥1,381) |
| 出力 | $28.00 / 100万トークン (≈ ￥4,419) | $26.25 / 100万トークン (≈ ￥4,143) |
| キャッシュ読み取り | $1.75 / 100万トークン (≈ ￥276) | $0.88 / 100万トークン (≈ ￥138) |
| ウェブ検索 | $35.00 / 1,000検索 (≈ ￥5,524) | - |
| コンテキストウィンドウ | 200,000 | 262,144 |
| 最大出力 | 100,000 | 131,072 |
| 入力 | image, text, file | text, image |
| 出力 | text | text |
| ツール呼び出し | ||
| 構造化出力 | ||
| 推論の調整 | ||
| 追加日 | 2025/04/16 | 2026/10/13 |
主な違い
- OpenAI: o3は入力トークンが20%安くなっています。
- Pareto 26.9は出力トークンが6%安くなっています。
- Pareto 26.9は1.3倍長いコンテキスト（262,144トークン）を読み取れます。
- 構造化JSON出力に対応しているのはOpenAI: o3だけです。
- 推論の強度の調整に対応しているのはOpenAI: o3だけです。
- 入力1,000トークン・出力500トークンのリクエストの費用は、OpenAI: o3で$0.02、Pareto 26.9で$0.02です。
詳しく見る
OpenAI: o3 は OpenAI のテキストモデルで、2025-04-16 にリリースされました。Pareto 26.9 は Unbiased のテキストモデルで、2026-10-13 にリリースされました。どちらも api14 を通じてチャットスタイルのモデルとして提供され、どちらもテキストと画像の入力を受け付けてテキストを出力するため、基本的なリクエスト形状のレベルでは互換性があります。
違いはコンテキスト、モダリティ、パラメータに現れます。Pareto 26.9 の方がコンテキストウィンドウが大きく 262144 トークンで、o3 は 200000 トークンです。o3 はテキストと画像に加えてファイル入力を受け付けますが、Pareto 26.9 は受け付けません。パラメータでは、o3 は推論制御 (include_reasoning と reasoning) と structured_outputs を公開しており、Pareto 26.9 はそれらのいずれも公開していません。代わりに Pareto 26.9 は temperature と top_p を公開しており、o3 はそれらを記載していません。どちらも tools、tool_choice、max_tokens、response_format をサポートするため、関数呼び出しと JSON スタイルの出力はどちら側でも利用できます。価格フィールドは逆方向を指しています。o3 は入力で安い選択肢であり、Pareto 26.9 は出力で安い選択肢です。これらは方向性のみとして扱い、あなたのトラフィック構成に当てはまる数値についてはこのページのライブ価格表を確認してください。
タスク選択については、推論と構造化出力のパラメータにより、o3 は、モデルが答える前に問題を考え抜く必要がある場合、または自由テキストを解析するのではなく structured_outputs を介して応答をスキーマに制約したい場合に自然な選択となります。また、入力にファイルが含まれる場合にも o3 が選択肢です。そのモダリティは o3 にしかないためです。Pareto 26.9 は、プロンプト自体が非常に大きい場合に選択肢となります。そのコンテキストウィンドウがより大きいためです。また、temperature と top_p を通じてサンプリングを直接制御したい場合にも選択肢となります。あなたのワークロードが出力重視である場合、Pareto 26.9 は出力価格でも安い側であり、これは補完が長くなるほど重要になります。
どちらのモデルを api14 を通じて呼び出す場合も同じように動作します。どちらも OpenAI 互換であるため、既存のクライアントを api14 のベース URL に向け、標準のチャット補完リクエストを送信し、モデル id だけを変更します。o3 には "openai/o3"、Pareto 26.9 には "unbiased/pareto-26.9" です。メッセージ配列、ツール定義、応答処理はそのままです。注意すべき点はパラメータです。o3 に temperature または top_p を送信する場合、あるいは Pareto 26.9 に reasoning または structured_outputs を送信する場合、それらのフィールドはそのモデルのサポート対象リストにないため、1 つの共有ペイロードではなくモデルごとのパラメータセットを保持してください。
それでももう一方のモデルが勝つケースはあります。長いコンテキストのパイプラインに Pareto 26.9 を採用することに決めたが、単一のステップでスキーマ制約された応答が必要な場合、structured_outputs がそこにしか記載されていないため、そのステップには o3 がより良い選択です。逆に、主に長い出力のタスクで o3 を使用しており、推論が不要な場合、Pareto 26.9 は出力価格でより良い選択であり、o3 にはない temperature 制御を提供します。
文字列1つで切り替え
どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"openai/o3"から"unbiased/pareto-26.9"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "unbiased/pareto-26.9",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
その他の比較
- LiquidAI: LFM3-1.7B 対 Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B 対 Crouton Alpha
- LiquidAI: LFM3-1.7B 対 Tencent: Hy4
- LiquidAI: LFM3-1.7B 対 Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview 対 Crouton Alpha
- Ricursive: Ripple 65B Preview 対 Tencent: Hy4
- Ricursive: Ripple 65B Preview 対 Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha 対 Tencent: Hy4