BenchLeader

Claude Opus 4.6 vs GPT-5.3-Codex

完整资料:Claude Opus 4.6(Anthropic)和 GPT-5.3-Codex(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 9 个来源

截至 2026年11月16日,Claude Opus 4.6 与 GPT-5.3-Codex 的质量不相上下(BenchLeader Index 62.5 比 62.9,在 ±7.4 的误差范围内)。GPT-5.3-Codex 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $4.81 比 $10.00)。在两者都有成绩的所有类别中,Claude Opus 4.6 均领先。GPT-5.3-Codex 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-5.3-Codex 为 62.9(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-5.3-Codex 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • GPT-5.3-Codex 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 1 项基准测试中,Claude Opus 4.6 领先 1 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Claude Opus 4.6类别得分 62 比 61;WeirdML 78.0% 比 77.9%中
图像及其他媒体Claude Opus 4.6类别得分 67 比 61中
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-5.3-Codex每百万 token 混合价格 $4.81 比 $10.00;智能体编程会话 $0.161 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 38.2 秒(GPT-5.3-Codex (xhigh))–
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-5.3-Codex (xhigh) 的质量不相上下(62.5 比 62.9,在 ±7.4 的误差范围内)。
  • Claude Opus 4.6 (high) 在编程、多模态方面更强。
  • GPT-5.3-Codex (xhigh) 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $4.81 比 $10.00)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 2.7 倍(94 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-5.3-Codex
提供商AnthropicOpenAI
发布日期2026年2月5日2026年2月5日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Opus 4.6 (high)GPT-5.3-Codex (xhigh)
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$1.75 / $14.00 / $0.175

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-5.3-Codex (xhigh)领先者
推理65.0–无法比较
编程62.261.0Claude Opus 4.6
智能体与工具–80.1无法比较
数学63.4–无法比较
指令遵循–73.6无法比较
人类偏好69.8–无法比较
多模态66.760.8Claude Opus 4.6
长上下文–66.4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推理编程智能体与工具数学指令遵循长上下文多模态人类偏好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: 66.7Claude Opus 4.6, 人类偏好: 69.8GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 指令遵循: 73.6GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):知识。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 1 项基准测试中,Claude Opus 4.6 领先 1 项,GPT-5.3-Codex 领先 0 项。

综合 IndexClaude Opus 4.6 (high)GPT-5.3-Codex (xhigh)领先者
BenchLeader Index62.562.9不相上下

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-5.3-Codex (xhigh)
每百万 token 混合价格$10.00$4.81
每百万 token 输入 / 输出$5.00 / $25.00$1.75 / $14.00
每百万 token 缓存输入$0.500$0.175
每项任务价格:聊天回复$0.0095$0.0049
每项任务价格:总结一份 30 页的报告$0.075$0.029
每项任务价格:代码编辑$0.068$0.032
每项任务价格:智能体编程会话$0.400$0.161
每项任务价格:结构化信息提取$0.015$0.0063
智能体编程会话(输入大多命中缓存)$0.198$0.090
输出速度35 tok/s94 tok/s
首次回答时间1.1 秒38.2 秒
完整回答耗时(最近一次测量 2026年11月13日)–97.1 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-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 117 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-5.3-Codex (xhigh)
BenchLeader IndexBenchLeader62.562.9
编程得分BenchLeader62.261.0
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.4–
多模态得分BenchLeader66.760.8
推理得分BenchLeader65.0–
智能体与工具得分BenchLeader–80.1
指令遵循得分BenchLeader–73.6
长上下文得分BenchLeader–66.4
混合价格(美元/百万 token)BenchLeader$10.00$4.81
输出速度BenchLeader35 tok/s94 tok/s
首次回答时间BenchLeader1.1 秒38.2 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†–
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†–
Arena Hard PromptsArena (LMArena)1530–
LiveBench 1.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis84.0%†91.5%
Humanity's Last Exam (AA)Artificial Analysis19.1%†42.5%
GPQA Diamond (Vals)Vals AI89.7%†–
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†–
ARC-AGI-1ARC Prize94.0%–
ARC-AGI-2ARC Prize69.2%–
ARC-AGI-3ARC Prize0.5%†–
CritPtArtificial Analysis2.8%†16.9%
Arena ExpertArena (LMArena)1544–
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†–
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†–
DTBenchEpoch AI Benchmarking Hub91.2%†–
ForecastBenchForecastBench63.1%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†74.8%†
WeirdMLWeirdML78.0%77.9%
FrontierCodeCognition26.6%†–
GSO-BenchGSO-Bench41.2%–
显示全部 117 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-5.3-Codex (xhigh)
编程
Arena CodingArena (LMArena)1547–
Arena WebDevArena (LMArena)15471406†
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI84.7%†87.3%
IOIVals AI–53.8%
SWE-bench (Vals)Vals AI78.2%†78.0%
SWE-Bench ProScale AI SEAL51.9%†–
SWE-bench Verified (bash only)SWE-bench75.6%†–
SWE-bench Multilingual (bash only)SWE-bench72.0%†–
SWE-bench Verified (any scaffold)SWE-bench75.6%†–
Vibe Code Bench v1.1Vals AI57.6%†61.8%
SWE-Bench Pro (private)Scale AI SEAL47.1%†–
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%†–
ALE-BenchEpoch AI Benchmarking Hub996.5†1655.2
AlgoTuneAlgoTune1.5–
Design Arena WebsiteDesign Arena1283†1155†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†78.4%†
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†–
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis48.5%†53.0%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†86.0%
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†4.3%†
τ³-bench Bankingτ²-bench27.3%†–
APEX-Agents (AA)Artificial Analysis33.0%†–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†64.0%†
Arena SearchArena (LMArena)1222†–
DeepResearch BenchDeepResearch Bench55.3%–
METR Time HorizonsMETR78.9%†74.5%†
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†5940.1†
AA-Briefcase v1.1Artificial Analysis–868
Design Arena AgenticDesign Arena1196†1018†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†–
ProofBenchVals AI50.0%†–
LiveBench MathematicsLiveBench89.3%–
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)1516–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†–
LiveBench 1.0 Data AnalysisLiveBench69.9%–
MMLU-ProVals AI89.1%†–
LegalBenchVals AI85.3%†–
CorpFinVals AI67.0%†–
TaxEvalVals AI76.0%†–
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†–
PRBench LegalScale AI SEAL52.3%†–
MultiNRCScale AI SEAL48.3%†–
CaseLaw v2Vals AI62.1%†–
MedCodeVals AI49.1%†–
MedScribeVals AI86.7%†–
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†–
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
指令遵循
LiveBench LanguageLiveBench83.3%–
LiveBench Instruction FollowingLiveBench63.3%–
IFBenchArtificial Analysis44.6%†75.4%
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)1511–
人类偏好
Arena TextArena (LMArena)1503–
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†–
Arena Creative WritingArena (LMArena)1499–
Arena Multi-turnArena (LMArena)1517–
Arena Longer QueriesArena (LMArena)1522–
多模态
Arena VisionArena (LMArena)1316–
MMMU-ProArtificial Analysis72.5%†78.5%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†–
MortgageTaxVals AI68.5%†–
VTBScale AI SEAL27.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†–
长上下文
AA-LCR v1.1Artificial Analysis67.0%†83.3%
Arena DocumentArena (LMArena)1497–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†–
LiveBench 1.0LiveBench74.5%–
AA Intelligence Index v4.3.2Artificial Analysis26.4†32.5
AA Progress Index v1Artificial Analysis274.5†301.3
安全与诚实
FORTRESSScale AI SEAL20.5%†–
MASKScale AI SEAL96.3%†–

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。

变化

  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):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-5.3-Codex:常见问题

Claude Opus 4.6 比 GPT-5.3-Codex 更好吗?
Claude Opus 4.6 (high) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(62.5 比 62.9,在 ±7.4 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-5.3-Codex 哪个更便宜?价格会变吗?
目前 GPT-5.3-Codex 更便宜:每百万 token $4.81 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-5.3-Codex 更好?
Claude Opus 4.6 在编程方面得分更高(类别得分 62 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 WeirdML 上,Claude Opus 4.6 为 78.0%,GPT-5.3-Codex 为 77.9%。
Claude Opus 4.6 和 GPT-5.3-Codex 哪个更快?
GPT-5.3-Codex 输出更快(约 2 倍;输出 94 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-5.3-Codex 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 38.2 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-5.3-Codex 的看法一致吗?
在两者都有结果的 1 项基准测试中,Claude Opus 4.6 领先 1 项,GPT-5.3-Codex 领先 0 项。
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。