BenchLeader

Claude Haiku 5.5 vs GPT-6 Astra

完整资料:Claude Haiku 5.5(Anthropic)和 GPT-6 Astra(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,质量上 GPT-6 Astra 领先 Claude Haiku 5.5(BenchLeader Index 67.3 比 56.7)。不过,Claude Haiku 5.5 更便宜,对方的价格是它的 100 倍(每百万 token 混合价格 $0.200 比 $20.00)。在两者都有成绩的所有类别中,GPT-6 Astra 均领先。Claude Haiku 5.5 输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Claude Haiku 5.5 的 BenchLeader Index 为 56.7,GPT-6 Astra 为 67.3(BenchLeader,2026年11月16日)。
  • Claude Haiku 5.5 每百万 token 混合价格为 $0.200(标价,2026年11月16日)。
  • GPT-6 Astra 每百万 token 混合价格为 $20.00(标价,2026年11月16日)。
  • Claude Haiku 5.5 比 GPT-6 Astra 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 32 项基准测试中,GPT-6 Astra 领先 31 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程GPT-6 Astra类别得分 73 比 59;FrontierCode 2.0 (AA) 42.4% 比 29.9%高
数学GPT-6 Astra类别得分 71 比 66;OTIS Mock AIME 100.0% 比 98.9%中
推理GPT-6 Astra类别得分 72 比 57;HLE-Diamond (AA) 63.8% 比 28.8%高
知识GPT-6 Astra类别得分 72 比 49;AA-Omniscience v1.1 42.4 比 7.8高
长文档GPT-6 Astra类别得分 65 比 64;AA-LCR v1.1 80.7% 比 78.3%中
对话质量(人类偏好)–只有 GPT-6 Astra 有 Arena 评分(类别得分 66)无法比较
成本最低Claude Haiku 5.5每百万 token 混合价格 $0.200 比 $20.00;智能体编程会话 $0.008 比 $0.800–
首次回答最快Claude Haiku 5.5首个回答 token 50.5 秒(Claude Haiku 5.5 (xhigh))比 198.4 秒(GPT-6 Astra (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 质量上 GPT-6 Astra (max) 领先:67.3 比 56.7。
  • GPT-6 Astra (max) 在编程、知识、长上下文、数学、推理方面更强。
  • Claude Haiku 5.5 (xhigh) 更便宜,对方的价格是它的 100 倍(每百万 token 混合价格 $0.200 比 $20.00)。
  • Claude Haiku 5.5 (xhigh) 的输出速度是对方的 5.6 倍(231 比 41 token/秒)。

概览

规格Claude Haiku 5.5GPT-6 Astra
提供商AnthropicOpenAI
发布日期2026年10月7日2026年9月2日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Haiku 5.5 (xhigh)GPT-6 Astra (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.100 / $0.500 / $0.010$10.00 / $50.00 / $1.00

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Claude Haiku 5.5 (xhigh)GPT-6 Astra (max)领先者
推理57.372.4GPT-6 Astra
编程58.773.2GPT-6 Astra
智能体与工具–63.9无法比较
数学66.170.8GPT-6 Astra
知识49.072.3GPT-6 Astra
人类偏好–66.2无法比较
多模态–65.6无法比较
长上下文63.865.0GPT-6 Astra
综合–71.3无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程数学知识长上下文Claude Haiku 5.5, 推理: 57.3Claude Haiku 5.5, 编程: 58.7Claude Haiku 5.5, 数学: 66.1Claude Haiku 5.5, 知识: 49.0Claude Haiku 5.5, 长上下文: 63.8GPT-6 Astra, 推理: 72.4GPT-6 Astra, 编程: 73.2GPT-6 Astra, 数学: 70.8GPT-6 Astra, 知识: 72.3GPT-6 Astra, 长上下文: 65.0

未绘制(测得的模型少于两个):智能体与工具, 指令遵循, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 32 项基准测试中,Claude Haiku 5.5 领先 1 项,GPT-6 Astra 领先 31 项。所有同时评测两者的综合评分都认为 GPT-6 Astra 更强。

综合 IndexClaude Haiku 5.5 (xhigh)GPT-6 Astra (max)领先者
BenchLeader Index56.767.3GPT-6 Astra
AA Intelligence Index v5.0.134.656.9GPT-6 Astra
Vals Index58.7†65.0GPT-6 Astra
Arena Text1421†1474GPT-6 Astra

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Claude Haiku 5.5 (xhigh)GPT-6 Astra (max)
每百万 token 混合价格$0.200$20.00
每百万 token 输入 / 输出$0.100 / $0.500$10.00 / $50.00
每百万 token 缓存输入$0.010$1.00
每项任务价格:聊天回复$0.0002$0.019
每项任务价格:总结一份 30 页的报告$0.0015$0.150
每项任务价格:代码编辑$0.0014$0.135
每项任务价格:智能体编程会话$0.0080$0.800
每项任务价格:结构化信息提取$0.0003$0.030
智能体编程会话(输入大多命中缓存)$0.0040$0.395
每项基准测试任务成本(AA Index)$0.248$6.24
每项任务输出 token(AA Index)136k52k
其中推理部分97k36k
每项任务耗时(AA Index)10 min21 min
输出速度231 tok/s41 tok/s
首次回答时间50.5 秒198.4 秒
完整回答耗时(最近一次测量 2026年11月13日)110.1 秒533.7 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Claude Haiku 5.5 (xhigh) 上花费 $0.248,在 GPT-6 Astra (max) 上花费 $6.24;完成同样的工作,Claude Haiku 5.5 (xhigh) 输出的 token 是对方的 2.6 倍,这是只看 token 单价看不出来的。

每个模型都按其排名最高的推理强度设置进行对比。Claude Haiku 5.5 (xhigh) 得分 56.7,首个回答 token 需 50 秒;Claude Haiku 5.5 (high) 为 55.3(18 秒),Claude Haiku 5.5 (max) 为 55.3(185 秒)。GPT-6 Astra (max) 得分 67.3,首个回答 token 需 198 秒;GPT-6 Astra 为 66.4(5 秒),GPT-6 Astra (high) 为 66.3(49 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 176 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Claude Haiku 5.5 (xhigh)GPT-6 Astra (max)
BenchLeader IndexBenchLeader56.767.3
编程得分BenchLeader58.773.2
知识得分BenchLeader49.072.3
长上下文得分BenchLeader63.865.0
数学得分BenchLeader66.170.8
推理得分BenchLeader57.372.4
智能体与工具得分BenchLeader–63.9
综合得分BenchLeader–71.3
人类偏好得分BenchLeader–66.2
多模态得分BenchLeader–65.6
混合价格(美元/百万 token)BenchLeader$0.200$20.00
输出速度BenchLeader231 tok/s41 tok/s
首次回答时间BenchLeader50.5 秒198.4 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub89.7%†95.8%
Humanity's Last ExamScale AI / CAIS30.1%†54.8%†
SimpleBenchSimpleBench–83.6%†
Arena Hard PromptsArena (LMArena)1449†1500
LiveBench 2.0 ReasoningLiveBench82.4%†92.7%
LiveBench 1.0 ReasoningLiveBench81.2%92.7%
GPQA Diamond (AA)Artificial Analysis–96.1%
Humanity's Last Exam (AA)Artificial Analysis42.7%54.7%
HLE-Diamond (AA)Artificial Analysis28.8%63.8%
ARC-AGI-1ARC Prize87.5%97.5%
ARC-AGI-2ARC Prize61.3%95.0%
ARC-AGI-3ARC Prize2.8%†98.6%
CritPtArtificial Analysis22.6%31.7%
CritPt v2 hard subset (AA)Artificial Analysis47.5%70.5%
MysteryMechanismVals AI35.1%†53.1%
HLE-Diamond (Scale)Scale AI SEAL–60.6%†
Arena ExpertArena (LMArena)1465†1517
Chess PuzzlesEpoch AI Benchmarking Hub55.0%†74.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub30.0%†84.0%
LMCAEpoch AI Benchmarking Hub48.0%64.1%†
DTBenchEpoch AI Benchmarking Hub87.2%97.1%†
ForecastBenchForecastBench–66.6%†
BTF-3Epoch AI Benchmarking Hub–13.5%†
编程
SciCodeSciCode51.7%56.5%
WeirdMLWeirdML–93.3%
显示全部 176 项基准测试
指标发布方Claude Haiku 5.5 (xhigh)GPT-6 Astra (max)
编程
FrontierCodeCognition46.4%†53.3%
GSO-BenchGSO-Bench–79.4%†
Arena CodingArena (LMArena)1489†1548
Arena WebDevArena (LMArena)1593†1764
LiveBench 2.0 CodingLiveBench77.6%†87.5%
LiveBench 1.0 CodingLiveBench76.4%80.4%
IOIVals AI47.3%†100.0%
Code MigrationVals AI44.6%†67.7%
Code Migration v1.1Vals AI52.4%†80.6%
ProgramBenchVals AI2.5%†5.5%
SWE-bench MultimodalVals AI44.0%†43.3%
Vibe Code Bench 1-100Vals AI20.4%†27.6%
Vibe Code Bench v1.1Vals AI90.4%†89.6%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–59.1%†
SWE Atlas v1.0: RefactoringScale AI SEAL–59.0%†
SWE Atlas v1.0: Test WritingScale AI SEAL–50.7%†
SWE Atlas v1.1Scale AI SEAL59.4%†69.4%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL62.1%†70.2%†
SWE Atlas v1.1: Test WritingScale AI SEAL63.3%†66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL52.9%†71.4%†
SWE-Bench Pro V2Scale AI SEAL87.2%†96.9%†
SWE-Bench Pro V2 HARDScale AI SEAL52.9%†90.2%†
MirrorCodeEpoch AI Benchmarking Hub78.9%†60.0%
DeepSWE v1.1Epoch AI Benchmarking Hub–73.2%
CursorBenchCursor44.3%–
ALE-BenchEpoch AI Benchmarking Hub1587†2951.3
FrontierSWEEpoch AI Benchmarking Hub43.8%†65.5%
WeirdML v3WeirdML11.7%42.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis29.3%59.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.4%
Startrise FrontendStartrise–79.9%†
GameBench 2 OverallDuelLab GameBench 256.0†88.8†
GameBench 2 by reasoning settingDuelLab GameBench 275.194.3†
Design Arena WebsiteDesign Arena1253†1338
FrontierCode 1.1 (AA)Artificial Analysis45.5%47.0%
FrontierCode 2.0 (AA)Artificial Analysis29.9%42.4%
智能体与工具
Terminal-BenchTerminal-Bench40.0%†60.3%
Remote Labor IndexScale AI / CAIS–20.8%†
APEX-AgentsMercor56.1%†64.7%†
Arena AgentArena (LMArena)0.5†14.5
LiveBench Long AgenticLiveBench47.9%†75.6%
LiveBench BrowserLiveBench69.5%†91.3%
LiveBench Agentic CodingLiveBench51.4%57.3%
Terminal-Bench 2.1 (Vals)Vals AI–87.3%
HiL-BenchScale AI SEAL–65.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis50.7%53.7%
GDPval-AA v2.1Artificial Analysis15231587
τ³-Banking (AA)Artificial Analysis–41.4%
ITBench SRE (AA)Artificial Analysis–48.6%
Analyst Agent (AA)Artificial Analysis53.8%†51.3%
CUA-benchVals AI–19.2%
CyberBenchVals AI75.5%†41.1%
Finance Agent v2Vals AI54.1%†53.5%
Finance Agent v2.1Vals AI65.4%†60.4%
Harvey's Legal Agent Benchmark v1.1Vals AI4.2%†7.1%
Harvey's Legal Agent Benchmark v1Vals AI1.3%†5.4%
Legal Research BenchVals AI43.8%†39.4%
Robo-benchVals AI–23.3%
SREBenchVals AI5.7%†56.9%
Tax Agent BenchVals AI31.9%†20.7%
Terminal-Bench 4.0 (Vals)Vals AI36.4%†59.6%
Terminal-Bench ScienceVals AI10.0%†62.9%
Time Horizon Index: KSPVals AI–90.5%
Arena SearchArena (LMArena)–1245
Arena Agent Task CompletionArena (LMArena)1.6†14
BALROGBALROG–68.3%
PostTrainBenchEpoch AI Benchmarking Hub–41.9%
Vending-Bench 2Andon Labs3602.5†15514.7†
SpireClimbEpoch AI Benchmarking Hub–34.0%
AutomationBenchArtificial Analysis36.0%68.5%
GDP.pdf (AA)Artificial Analysis18.2%31.0%
Harvey LAB-AA v1.1Harvey2.8%8.6%
AA-Briefcase v1.1Artificial Analysis15231569
GDPxGDPx by SemiAnalysis4.9%†9.6%
Design Arena AgenticDesign Arena–1405
RoboDojo (LLM as robot policy)RoboDojo–29.0†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis18.1%63.3%
CWE-Bench (AA)Artificial Analysis–63.3%
DeepSec-Bench (AA)Artificial Analysis–36.9%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
MKA (AA)Artificial Analysis41.0%†50.2%
FACTS SearchGoogle80.3%†93.3%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub75.1%†93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%†97.6%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%100.0%
ProofBenchVals AI89.0%†99.0%†
LiveBench MathematicsLiveBench92.8%96.8%
Arena MathsArena (LMArena)1451†1481
FrontierMath ErdősEpoch AI Benchmarking Hub–2.9%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub23.8%†75.6%
LiveBench 2.0 Data AnalysisLiveBench53.1%†83.0%
LiveBench ResearchLiveBench84.3%†90.6%
LiveBench 1.0 Data AnalysisLiveBench72.8%83.0%
AA-Omniscience v1.1Artificial Analysis7.842.4
PRBench FinanceScale AI SEAL–47.5%†
PRBench LegalScale AI SEAL–48.4%†
BioMysteryBenchVals AI70.4%†79.3%
ClaimBenchVals AI100.0%†–
Excel Modeling BenchmarkVals AI59.0%†71.7%
Excel Modeling Benchmark v1.1Vals AI65.5%†72.7%
MedCodeVals AI51.5%†48.5%
MedScribeVals AI89.5%†87.9%
Public Benefits Bench v1.1Vals AI63.2%†–
Financial Coaching BenchVals AI–67.5%
Immigration BenchVals AI61.8%†67.7%
DrugDiscoveryBenchScale AI SEAL–68.7%
EBR-benchEpoch AI Benchmarking Hub43.8%†76.2%
GDP.pdfEpoch AI Benchmarking Hub–34.2%
AA-Omniscience v1.1: accuracyArtificial Analysis33.8%61.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis60.9%50.2%
HealthBench Professional (AA)OpenAI58.4%†66.0%
FACTS ParametricGoogle13.1%†83.8%†
指令遵循
LiveBench LanguageLiveBench63.5%89.4%
LiveBench Instruction FollowingLiveBench66.5%75.6%
MultiChallengeScale AI SEAL67.7%†–
Arena Instruction FollowingArena (LMArena)1426†1474
人类偏好
Arena TextArena (LMArena)1421†1474
EQ-Bench Creative Writing v3EQ-Bench–2177†
Arena Creative WritingArena (LMArena)1361†1451
Arena Multi-turnArena (LMArena)1412†1483
Arena Longer QueriesArena (LMArena)1419†1485
多模态
Arena VisionArena (LMArena)–1279
LiveBench DesignLiveBench79.3%†80.0%
MMMU-ProArtificial Analysis–86.9%
SAGEVals AI89.8%†–
Humanity's Sixth SenseScale AI SEAL–53.6%
Blueprint-Bench 2Epoch AI Benchmarking Hub33.0%†49.7%†
Furniture AssemblyEpoch AI Benchmarking Hub47.5%†80.0%
VIALS-AAHandshake AI49.1%†62.7%
Code2Video-AAArtificial Analysis1192†1427
AA-3DArtificial Analysis998†1168
FACTS MultimodalGoogle38.9%†55.2%†
长上下文
AA-LCR v1.1Artificial Analysis78.3%80.7%
Arena DocumentArena (LMArena)–1474
MLCRArtificial Analysis15.0%41.7%
FACTS GroundingGoogle57.0%†80.1%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.4†169†
LiveBench 2.0LiveBench68.9%†84.5%
LiveBench 1.0LiveBench72.1%82.2%
AA Intelligence Index v5.0.1Artificial Analysis34.656.9
AA Intelligence Index v4.3.2Artificial Analysis41.352.7
AA Progress Index v1Artificial Analysis322.2349.6
Vals IndexVals AI58.7†65.0
Vals Finance IndexVals AI57.5%†55.6%
Vals RSI IndexVals AI–27.1%
Vals Science IndexVals AI38.5%†65.1%
Vals Router IndexVals AI58.7%†65.0%†
Vals Legal IndexVals AI70.3%†68.4%
AA Cyber IndexArtificial Analysis–33.4
安全与诚实
FORTRESSScale AI SEAL9.5%†12.1%†
DistressBenchScale AI SEAL71.7%†74.3%†

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

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.

变化

  • GPT-6 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项新结果(PostTrainBench);2 项分数修订。
  • Claude Haiku 5.5 (xhigh):1 项新结果(GameBench 2 by reasoning setting)。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);1 项分数修订。
  • Claude Haiku 5.5 (xhigh):BenchLeader Index 57.3 → 56.8。
  • GPT-6 Astra (max):BenchLeader Index 68.1 → 67.4。
  • GPT-6 Astra (max):2 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • Claude Haiku 5.5 (xhigh):BenchLeader Index 56.8 → 57.3。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Haiku 5.5 vs GPT-6 Astra:常见问题

GPT-6 Astra 比 Claude Haiku 5.5 更好吗?
质量上 GPT-6 Astra (max) 领先:67.3 比 56.7。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6 Astra (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Haiku 5.5 和 GPT-6 Astra 哪个更便宜?价格会变吗?
目前 Claude Haiku 5.5 更便宜:每百万 token $0.200 比 $20.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Claude Haiku 5.5 还是 GPT-6 Astra 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 73 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Claude Haiku 5.5 为 29.9%,GPT-6 Astra 为 42.4%。
Claude Haiku 5.5 和 GPT-6 Astra 哪个更快?
Claude Haiku 5.5 输出更快(3 倍以上;输出 231 比 41 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
GPT-6 Astra 在长上下文基准测试上得分更高(65 比 64)。两者都约为 1.1M token(Claude Haiku 5.5 为 1,000,000,GPT-6 Astra 为 1,050,000)。
更多问题(3)
哪个延迟更低?
Claude Haiku 5.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 50.5 秒比 198.4 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Haiku 5.5 和 GPT-6 Astra 的看法一致吗?
在两者都有结果的 32 项基准测试中,Claude Haiku 5.5 领先 1 项,GPT-6 Astra 领先 31 项。所有同时评测两者的综合评分都认为 GPT-6 Astra 更强。
Claude Haiku 5.5 是什么时候发布的?
Claude Haiku 5.5 于 2026年10月7日 发布。