BenchLeader

Claude Opus 4.6 vs GPT-5.4

完整资料:Claude Opus 4.6(Anthropic)和 GPT-5.4(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,Claude Opus 4.6 与 GPT-5.4 的质量不相上下(BenchLeader Index 62.5 比 63.1,在 ±3.7 的误差范围内)。GPT-5.4 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $5.63 比 $10.00)。看重多模态(67 比 61)选 Claude Opus 4.6;看重编程(65 比 62)和数学(65 比 63)选 GPT-5.4。Claude Opus 4.6 的首次回答更快(1.1 秒 比 144.9 秒)。GPT-5.4 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-5.4 为 63.1(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-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • GPT-5.4 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 17 项基准测试中,GPT-5.4 领先 11 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-5.4类别得分 65 比 62;WeirdML 77.7% 比 78.0%中
数学GPT-5.4类别得分 65 比 63;AIME 2026 99.2% 比 96.7%中
推理均可类别得分 65 比 66;ARC-AGI-2 69.2% 比 74.0%均可
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-5.4每百万 token 混合价格 $5.63 比 $10.00;智能体编程会话 $0.210 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 144.9 秒(GPT-5.4 (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-5.4 (xhigh) 的质量不相上下(62.5 比 63.1,在 ±3.7 的误差范围内)。
  • Claude Opus 4.6 (high) 在多模态方面更强。
  • GPT-5.4 (xhigh) 在编程、数学、推理方面更强。
  • GPT-5.4 (xhigh) 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $5.63 比 $10.00)。
  • GPT-5.4 (xhigh) 的输出速度是对方的 2.1 倍(73 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-5.4
提供商AnthropicOpenAI
发布日期2026年2月5日2026年3月5日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.6 (high)GPT-5.4 (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$2.50 / $15.00 / $0.250

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-5.4 (xhigh)领先者
推理65.065.7持平
编程62.264.7GPT-5.4
智能体与工具–63.0无法比较
数学63.464.8GPT-5.4
知识–58.6无法比较
指令遵循–72.4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–65.7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-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 数学: 64.8GPT-5.4, 多模态: 60.8

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 17 项基准测试中,Claude Opus 4.6 领先 6 项,GPT-5.4 领先 11 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-5.4 (xhigh)领先者
BenchLeader Index62.563.1不相上下
Arena Text15031475†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-5.4 (xhigh)
每百万 token 混合价格$10.00$5.63
每百万 token 输入 / 输出$5.00 / $25.00$2.50 / $15.00
每百万 token 缓存输入$0.500$0.250
每项任务价格:聊天回复$0.0095$0.0055
每项任务价格:总结一份 30 页的报告$0.075$0.039
每项任务价格:代码编辑$0.068$0.037
每项任务价格:智能体编程会话$0.400$0.210
每项任务价格:结构化信息提取$0.015$0.0080
智能体编程会话(输入大多命中缓存)$0.198$0.109
输出速度35 tok/s73 tok/s
首次回答时间1.1 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–193.1 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-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 130 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-5.4 (xhigh)
BenchLeader IndexBenchLeader62.563.1
编程得分BenchLeader62.264.7
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.464.8
多模态得分BenchLeader66.760.8
推理得分BenchLeader65.065.7
智能体与工具得分BenchLeader–63.0
指令遵循得分BenchLeader–72.4
知识得分BenchLeader–58.6
长上下文得分BenchLeader–65.7
混合价格(美元/百万 token)BenchLeader$10.00$5.63
输出速度BenchLeader35 tok/s73 tok/s
首次回答时间BenchLeader1.1 秒144.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†93.3%
Humanity's Last ExamScale AI / CAIS19.0%†36.2%
SimpleBenchSimpleBench67.6%†–
Arena Hard PromptsArena (LMArena)15301487†
LiveBench 1.0 ReasoningLiveBench88.7%88.1%
GPQA Diamond (AA)Artificial Analysis84.0%†92.0%
Humanity's Last Exam (AA)Artificial Analysis19.1%†43.7%
GPQA Diamond (Vals)Vals AI89.7%†91.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†63.8%†
ARC-AGI-1ARC Prize94.0%93.7%
ARC-AGI-2ARC Prize69.2%74.0%
ARC-AGI-3ARC Prize0.5%†0.2%†
CritPtArtificial Analysis2.8%†23.4%
Arena ExpertArena (LMArena)15441491†
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†37.0%
CL-benchEpoch AI Benchmarking Hub20.7%†27.9%
CL-bench LifeEpoch AI Benchmarking Hub17.0%21.7%
LMCAEpoch AI Benchmarking Hub55.8%†52.0%
DTBenchEpoch AI Benchmarking Hub91.2%†94.4%
ForecastBenchForecastBench63.1%†63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†76.9%†
SciCodeSciCode–56.6%
WeirdMLWeirdML78.0%77.7%
FrontierCodeCognition26.6%†–
显示全部 130 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-5.4 (xhigh)
编程
GSO-BenchGSO-Bench41.2%31.4%
Arena CodingArena (LMArena)15471511†
Arena WebDevArena (LMArena)15471400†
LiveBench 1.0 CodingLiveBench78.2%77.5%
LiveCodeBenchVals AI84.7%†84.1%
SWE-bench (Vals)Vals AI78.2%†78.2%
SWE-Bench ProScale AI SEAL51.9%†59.1%
SWE-bench Verified (bash only)SWE-bench75.6%†–
SWE-bench Multilingual (bash only)SWE-bench72.0%†–
SWE-bench Verified (any scaffold)SWE-bench75.6%†–
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI57.6%†67.4%
SWE-Bench Pro (private)Scale AI SEAL47.1%†43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†44.4%
MirrorCodeEpoch AI Benchmarking Hub33.3%†23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
ALE-BenchEpoch AI Benchmarking Hub996.5†1607†
AlgoTuneAlgoTune1.51.9†
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1283†1190†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†81.8%†
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†52.4%†
LiveBench Agentic CodingLiveBench49.0%53.8%
Terminal-Bench HardArtificial Analysis48.5%†57.6%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†87.1%
MCP AtlasScale AI SEAL76.8%†70.6%
HiL-BenchScale AI SEAL38.3%†9.7%†
τ³-bench Bankingτ²-bench27.3%†39.4%
GDPval-AA v2.1Artificial Analysis–1256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis33.0%†33.3%
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
SkillsBenchVals AI–51.7%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†58.4%†
Arena SearchArena (LMArena)1222†1196†
DeepResearch BenchDeepResearch Bench55.3%35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR78.9%†74.3%
GBAEvalEpoch AI Benchmarking Hub44.1%†45.1%†
Vending-Bench 2Andon Labs8017.6†6144.2†
Design Arena AgenticDesign Arena1196†1042†
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†95.3%
ProofBenchVals AI50.0%†56.0%
LiveBench MathematicsLiveBench89.3%94.2%
AIME (Vals)Vals AI95.6%†96.7%
AIME 2026MathArena96.7%99.2%
HMMT February 2026MathArena96.2%97.7%
USAMO 2026MathArena47.0%95.2%
MathArena ApexMathArena34.5%54.2%
Arena MathsArena (LMArena)15161459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†45.1%
LiveBench 1.0 Data AnalysisLiveBench69.9%79.3%
MMLU-ProVals AI89.1%†87.5%
LegalBenchVals AI85.3%†86.0%
CorpFinVals AI67.0%†65.3%
TaxEvalVals AI76.0%†74.0%
MedQAVals AI95.4%†96.1%
PRBench FinanceScale AI SEAL53.3%†45.6%†
PRBench LegalScale AI SEAL52.3%†44.4%†
MultiNRCScale AI SEAL48.3%†58.3%†
CaseLaw v2Vals AI62.1%†63.8%
MedCodeVals AI49.1%†41.3%
MedScribeVals AI86.7%†77.5%
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†25.4%
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
指令遵循
LiveBench LanguageLiveBench83.3%82.6%
LiveBench Instruction FollowingLiveBench63.3%70.2%
IFBenchArtificial Analysis44.6%†74.0%
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)15111460†
人类偏好
Arena TextArena (LMArena)15031465†
EQ-Bench 4EQ-Bench1210†1258†
EQ-Bench Creative Writing v3EQ-Bench1810†1841†
Arena Creative WritingArena (LMArena)14991433†
Arena Multi-turnArena (LMArena)15171480†
Arena Longer QueriesArena (LMArena)15221477†
多模态
Arena VisionArena (LMArena)13161292†
MMMU-ProArtificial Analysis72.5%†78.4%
VISTAScale AI SEAL45.5%†50.9%†
MMMU-Pro (Vals)Vals AI83.9%†87.5%
MortgageTaxVals AI68.5%†68.3%
VTBScale AI SEAL27.5%†29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†37.5%
长上下文
AA-LCR v1.1Artificial Analysis67.0%†82.0%
Arena DocumentArena (LMArena)14971471†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†157.8†
LiveBench 1.0LiveBench74.5%78.0%
AA Intelligence Index v4.3.2Artificial Analysis26.4†39.0
AA Progress Index v1Artificial Analysis274.5†311.6
Vals RSI IndexVals AI–15.5%
安全与诚实
FORTRESSScale AI SEAL20.5%†–
MASKScale AI SEAL96.3%†89.7%†

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-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • Claude Opus 4.6 (high):1 项新结果(USAMO 2026)。
  • GPT-5.4 (xhigh):2 项新结果(USAMO 2026, τ³-bench Banking)。

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-5.4:常见问题

Claude Opus 4.6 比 GPT-5.4 更好吗?
Claude Opus 4.6 (high) 与 GPT-5.4 (xhigh) 的质量不相上下(62.5 比 63.1,在 ±3.7 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-5.4 哪个更便宜?价格会变吗?
目前 GPT-5.4 更便宜:每百万 token $5.63 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-5.4 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 62,50 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-5.4 为 77.7%。
Claude Opus 4.6 和 GPT-5.4 哪个更快?
GPT-5.4 输出更快(约 2 倍;输出 73 比 35 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
两者都约为 1.1M token(Claude Opus 4.6 为 1,000,000,GPT-5.4 为 1,050,000)。
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 144.9 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-5.4 的看法一致吗?
在两者都有结果的 17 项基准测试中,Claude Opus 4.6 领先 6 项,GPT-5.4 领先 11 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
GPT-5.4 是什么时候发布的?
GPT-5.4 于 2026年3月5日 发布。