BenchLeader

Claude Opus 4.6 vs GPT-5

完整资料:Claude Opus 4.6(Anthropic)和 GPT-5(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,Claude Opus 4.6 与 GPT-5 的质量不相上下(BenchLeader Index 62.5 比 59.0,在 ±6.0 的误差范围内)。GPT-5 更便宜,对方的价格是它的 2.9 倍(每百万 token 混合价格 $3.44 比 $10.00)。看重推理(65 比 48)、多模态(67 比 57)和编程(62 比 57)选 Claude Opus 4.6;看重数学(65 比 63)选 GPT-5。Claude Opus 4.6 的首次回答更快(1.1 秒 比 22.9 秒)。GPT-5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 4.6 的 BenchLeader Index 为 62.5,GPT-5 为 59.0(BenchLeader,2026年11月16日)。
  • Claude Opus 4.6 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • GPT-5 每百万 token 混合价格为 $3.44(标价,2026年11月16日)。
  • GPT-5 比 Claude Opus 4.6 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 4 项基准测试中,Claude Opus 4.6 领先 4 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.6 的评分为 1547,GPT-5 为 1417(LMArena,截至 2026年11月16日 的公布数据)。

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Claude Opus 4.6类别得分 62 比 57;Arena WebDev 1547 比 1417中
数学GPT-5类别得分 65 比 63中
推理Claude Opus 4.6类别得分 65 比 48;ARC-AGI-2 69.2% 比 7.5%高
图像及其他媒体Claude Opus 4.6类别得分 67 比 57高
对话质量(人类偏好)–只有 Claude Opus 4.6 有 Arena 评分(类别得分 70)无法比较
成本最低GPT-5每百万 token 混合价格 $3.44 比 $10.00;智能体编程会话 $0.115 比 $0.400–
首次回答最快Claude Opus 4.6首个回答 token 1.1 秒(Claude Opus 4.6 (high))比 22.9 秒(GPT-5 (medium))–
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

  • Claude Opus 4.6 (high) 与 GPT-5 (medium) 的质量不相上下(62.5 比 59.0,在 ±6.0 的误差范围内)。
  • Claude Opus 4.6 (high) 在编程、多模态、推理方面更强。
  • GPT-5 (medium) 在数学方面更强。
  • GPT-5 (medium) 更便宜,对方的价格是它的 2.9 倍(每百万 token 混合价格 $3.44 比 $10.00)。
  • GPT-5 (medium) 的输出速度是对方的 2.3 倍(82 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-5
提供商AnthropicOpenAI
发布日期2026年2月5日2025年8月7日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Opus 4.6 (high)GPT-5 (medium)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $25.00 / $0.500$1.25 / $10.00 / $0.125

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 Opus 4.6 (high)GPT-5 (medium)领先者
推理65.047.9Claude Opus 4.6
编程62.257.4Claude Opus 4.6
智能体与工具–58.1无法比较
数学63.465.4GPT-5
指令遵循–69.4无法比较
人类偏好69.8–无法比较
多模态66.756.6Claude Opus 4.6
长上下文–70.4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推理编程数学多模态Claude Opus 4.6, 推理: 65.0Claude Opus 4.6, 编程: 62.2Claude Opus 4.6, 数学: 63.4Claude Opus 4.6, 多模态: 66.7GPT-5, 推理: 47.9GPT-5, 编程: 57.4GPT-5, 数学: 65.4GPT-5, 多模态: 56.6

未绘制(测得的模型少于两个):智能体与工具, 知识, 指令遵循, 长上下文, 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 4 项基准测试中,Claude Opus 4.6 领先 4 项,GPT-5 领先 0 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。

综合 IndexClaude Opus 4.6 (high)GPT-5 (medium)领先者
BenchLeader Index62.559.0不相上下
Arena Text15031435†Claude Opus 4.6

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 Opus 4.6 (high)GPT-5 (medium)
每百万 token 混合价格$10.00$3.44
每百万 token 输入 / 输出$5.00 / $25.00$1.25 / $10.00
每百万 token 缓存输入$0.500$0.125
每项任务价格:聊天回复$0.0095$0.0035
每项任务价格:总结一份 30 页的报告$0.075$0.021
每项任务价格:代码编辑$0.068$0.022
每项任务价格:智能体编程会话$0.400$0.115
每项任务价格:结构化信息提取$0.015$0.0045
智能体编程会话(输入大多命中缓存)$0.198$0.064
输出速度35 tok/s82 tok/s
首次回答时间1.1 秒22.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–66.2 秒

每个模型都按其排名最高的推理强度设置进行对比。Claude Opus 4.6 (high) 得分 62.5,首个回答 token 需 1 秒;Claude Opus 4.6 为 62.1(1 秒),Claude Opus 4.6 (无推理) 为 58.4(2 秒)。GPT-5 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 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 145 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 Opus 4.6 (high)GPT-5 (medium)
BenchLeader IndexBenchLeader62.559.0
编程得分BenchLeader62.257.4
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.465.4
多模态得分BenchLeader66.756.6
推理得分BenchLeader65.047.9
智能体与工具得分BenchLeader–58.1
指令遵循得分BenchLeader–69.4
长上下文得分BenchLeader–70.4
混合价格(美元/百万 token)BenchLeader$10.00$3.44
输出速度BenchLeader35 tok/s82 tok/s
首次回答时间BenchLeader1.1 秒22.9 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†85.3%
Humanity's Last ExamScale AI / CAIS19.0%†25.3%†
SimpleBenchSimpleBench67.6%†56.7%†
Arena Hard PromptsArena (LMArena)15301449†
LiveBench 1.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis84.0%†84.2%
Humanity's Last Exam (AA)Artificial Analysis19.1%†25.4%
GPQA Diamond (Vals)Vals AI89.7%†85.6%†
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†72.7%†
GPQA Diamond (HELM)HELM Capabilities–79.1%†
ARC-AGI-1ARC Prize94.0%56.2%
ARC-AGI-2ARC Prize69.2%7.5%
ARC-AGI-3ARC Prize0.5%†–
CritPtArtificial Analysis2.8%†0.0%
CritPt v2 hard subset (AA)Artificial Analysis–11.5%†
Arena ExpertArena (LMArena)15441445†
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†32.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†15.0%
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†40.0%†
DTBenchEpoch AI Benchmarking Hub91.2%†90.7%†
ForecastBenchForecastBench63.1%†65.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†71.5%
SciCodeSciCode–42.9%†
显示全部 145 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-5 (medium)
编程
WeirdMLWeirdML78.0%39.8%†
FrontierCodeCognition26.6%†–
GSO-BenchGSO-Bench41.2%6.9%†
Arena CodingArena (LMArena)15471462†
Arena WebDevArena (LMArena)15471417
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI84.7%†85.9%†
SWE-bench (Vals)Vals AI78.2%†69.0%†
SWE-Bench ProScale AI SEAL51.9%†41.8%†
Aider PolyglotAider polyglot leaderboard–86.7%
SWE-bench Verified (bash only)SWE-bench75.6%†65.0%
SWE-bench Multilingual (bash only)SWE-bench72.0%†–
SWE-bench Verified (any scaffold)SWE-bench75.6%†74.4%†
Vibe Code Bench v1.1Vals AI57.6%†20.1%†
SWE-Bench Pro (private)Scale AI SEAL47.1%†14.9%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†–
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†–
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†–
MirrorCodeEpoch AI Benchmarking Hub33.3%†4.4%†
ALE-BenchEpoch AI Benchmarking Hub996.5†1162.5†
AlgoTuneAlgoTune1.51.7†
Terminal-Bench 2.1 (AA)Artificial Analysis–35.2%†
GameBench 2 by reasoning settingDuelLab GameBench 2–38.0
Design Arena WebsiteDesign Arena1283†1174†
LiveCodeBench (AA)Artificial Analysis–70.3%
智能体与工具
Terminal-BenchTerminal-Bench79.8%†49.6%
GDPvalOpenAI–34.8%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†1.7%†
APEX-AgentsMercor46.3%†–
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis48.5%†37.9%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†86.5%
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†–
τ³-bench Bankingτ²-bench27.3%†–
GDPval-AA v2.1Artificial Analysis–925†
τ³-Banking (AA)Artificial Analysis–22.1%†
APEX-Agents (AA)Artificial Analysis33.0%†–
Poker AgentVals AI–1103.2%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†37.1%†
Arena SearchArena (LMArena)1222†1189†
BALROGBALROG–32.8%†
DeepResearch BenchDeepResearch Bench55.3%48.6%
METR Time HorizonsMETR78.9%†69.6%
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†–
Design Arena AgenticDesign Arena1196†–
BrowseComp-PlusBrowseComp-Plus–57.6%†
BrowseCompOpenAI–20.1%†
DeepSearchQAGoogle–59.4%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†55.4%†
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†21.9%†
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†87.2%
MATH Level 5Epoch AI Benchmarking Hub–97.9%
ProofBenchVals AI50.0%†18.0%†
LiveBench MathematicsLiveBench89.3%–
AIME (Vals)Vals AI95.6%†93.4%†
MGSMVals AI–92.8%†
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
IMO 2025MathArena–38.1%†
MathArena ApexMathArena34.5%1.0%†
Omni-MATH (HELM)HELM Capabilities–64.7%†
MATH 500Vals AI–96.0%†
Arena MathsArena (LMArena)15161411†
AIME 2025 (AA)Artificial Analysis–91.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†50.1%†
LiveBench 1.0 Data AnalysisLiveBench69.9%–
MMLU-ProVals AI89.1%†86.5%†
LegalBenchVals AI85.3%†86.0%†
CorpFinVals AI67.0%†61.1%†
TaxEvalVals AI76.0%†73.4%†
MedQAVals AI95.4%†96.3%†
PRBench FinanceScale AI SEAL53.3%†51.3%†
PRBench LegalScale AI SEAL52.3%†49.0%†
MultiNRCScale AI SEAL48.3%†52.1%†
MMLU-Pro (HELM)HELM Capabilities–86.3%†
CaseLaw v2Vals AI62.1%†66.5%†
MedCodeVals AI49.1%†49.6%†
MedScribeVals AI86.7%†83.7%†
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†12.7%†
Global-MMLU-Lite (AA)Artificial Analysis90.6%†90.4%
指令遵循
LiveBench LanguageLiveBench83.3%–
LiveBench Instruction FollowingLiveBench63.3%–
IFBenchArtificial Analysis44.6%†70.6%
MultiChallengeScale AI SEAL56.0%†63.2%†
TutorBenchScale AI SEAL53.5%†55.3%†
IFEval (HELM)HELM Capabilities–87.5%†
WildBench (HELM)HELM Capabilities–85.7%†
Arena Instruction FollowingArena (LMArena)15111415†
人类偏好
Arena TextArena (LMArena)15031427†
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†1626†
Arena Creative WritingArena (LMArena)14991389†
Arena Multi-turnArena (LMArena)15171449†
Arena Longer QueriesArena (LMArena)15221435†
Lech Mazur Creative WritingLech Mazur–86.0%
多模态
Arena VisionArena (LMArena)13161232†
MMMU-ProArtificial Analysis72.5%†74.3%
VISTAScale AI SEAL45.5%†49.7%†
MMMU-Pro (Vals)Vals AI83.9%†81.5%†
MortgageTaxVals AI68.5%†65.5%†
VTBScale AI SEAL27.5%†17.0%†
GeoBenchGeoBench–81.0%
VPCTEpoch AI Benchmarking Hub–63.2%
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis67.0%†76.0%
Arena DocumentArena (LMArena)1497–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†150†
LiveBench 1.0LiveBench74.5%–
AA Intelligence Index v4.3.2Artificial Analysis26.4†22.9
AA Progress Index v1Artificial Analysis274.5†264.4
HELM Capabilities meanHELM Capabilities–80.7%†
安全与诚实
FORTRESSScale AI SEAL20.5%†17.0%†
MASKScale AI SEAL96.3%†79.3%†
元数据
AA Openness IndexArtificial Analysis–5.6

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-5 (medium):BenchLeader Index 58.2 → 59.0。
  • GPT-5 (medium):1 项新结果(Aider Polyglot)。
  • GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项新结果(AA Progress Index v1)。
  • Claude Opus 4.6 (high):1 项新结果(USAMO 2026)。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Opus 4.6 vs GPT-5:常见问题

Claude Opus 4.6 比 GPT-5 更好吗?
Claude Opus 4.6 (high) 与 GPT-5 (medium) 的质量不相上下(62.5 比 59.0,在 ±6.0 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Claude Opus 4.6 和 GPT-5 哪个更便宜?价格会变吗?
目前 GPT-5 更便宜:每百万 token $3.44 比 $10.00(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 Opus 4.6 还是 GPT-5 更好?
Claude Opus 4.6 在编程方面得分更高(类别得分 62 比 57,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Opus 4.6 为 1547,GPT-5 为 1417。
Claude Opus 4.6 和 GPT-5 哪个更快?
GPT-5 输出更快(约 2 倍;输出 82 比 35 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
Claude Opus 4.6 支持更长的上下文:1,000,000 token,GPT-5 为 400,000 token。
更多问题(3)
哪个延迟更低?
Claude Opus 4.6 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.1 秒比 22.9 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 Opus 4.6 和 GPT-5 的看法一致吗?
在两者都有结果的 4 项基准测试中,Claude Opus 4.6 领先 4 项,GPT-5 领先 0 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
Claude Opus 4.6 是什么时候发布的?
Claude Opus 4.6 于 2026年2月5日 发布。