BenchLeader

Claude Opus 4.6 vs GPT-5.5

完整资料:Claude Opus 4.6(Anthropic)和 GPT-5.5(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-5.5 的质量不相上下(BenchLeader Index 62.5 比 64.1,在 ±4.6 的误差范围内)。两者价格相近(每百万 token 混合价格 $10.00 比 $11.25)。看重多模态(67 比 62)和编程(62 比 61)选 Claude Opus 4.6;看重数学(69 比 63)和推理(68 比 65)选 GPT-5.5。Claude Opus 4.6 的首次回答更快(1.1 秒 比 38.3 秒)。GPT-5.5 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-5.5 为 64.1(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-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • GPT-5.5 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 17 项基准测试中,GPT-5.5 领先 15 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.6 的评分为 1547,GPT-5.5 为 1512(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 61;Arena WebDev 1547 比 1512中
数学GPT-5.5类别得分 69 比 63;AIME 2026 100.0% 比 96.7%中
推理GPT-5.5类别得分 68 比 65;ARC-AGI-2 85.0% 比 69.2%中
图像及其他媒体Claude Opus 4.6类别得分 67 比 62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
成本最低均可每百万 token 混合价格 $10.00 比 $11.25;智能体编程会话 $0.400 比 $0.420–
首次回答最快Claude Opus 4.6首个回答 token 1.1 秒(Claude Opus 4.6 (high))比 38.3 秒(GPT-5.5 (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-5.5 (xhigh) 的质量不相上下(62.5 比 64.1,在 ±4.6 的误差范围内)。
  • Claude Opus 4.6 (high) 在编程、多模态方面更强。
  • GPT-5.5 (xhigh) 在数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $10.00)。
  • GPT-5.5 (xhigh) 的输出速度是对方的 2.3 倍(81 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-5.5
提供商AnthropicOpenAI
发布日期2026年2月5日2026年4月23日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.6 (high)GPT-5.5 (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$5.00 / $30.00 / $0.500

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-5.5 (xhigh)领先者
推理65.068.1GPT-5.5
编程62.260.7Claude Opus 4.6
智能体与工具–61.8无法比较
数学63.469.3GPT-5.5
知识–63.6无法比较
指令遵循–74.0无法比较
人类偏好69.8–无法比较
多模态66.762.3Claude Opus 4.6
长上下文–66.9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-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 数学: 69.3GPT-5.5, 多模态: 62.3

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 2 项,GPT-5.5 领先 15 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-5.5 (xhigh)领先者
BenchLeader Index62.564.1不相上下
Arena Text15031481†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-5.5 (xhigh)
每百万 token 混合价格$10.00$11.25
每百万 token 输入 / 输出$5.00 / $25.00$5.00 / $30.00
每百万 token 缓存输入$0.500$0.500
每项任务价格:聊天回复$0.0095$0.011
每项任务价格:总结一份 30 页的报告$0.075$0.078
每项任务价格:代码编辑$0.068$0.075
每项任务价格:智能体编程会话$0.400$0.420
每项任务价格:结构化信息提取$0.015$0.016
智能体编程会话(输入大多命中缓存)$0.198$0.217
输出速度35 tok/s81 tok/s
首次回答时间1.1 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)–104.3 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-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 154 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-5.5 (xhigh)
BenchLeader IndexBenchLeader62.564.1
编程得分BenchLeader62.260.7
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.469.3
多模态得分BenchLeader66.762.3
推理得分BenchLeader65.068.1
智能体与工具得分BenchLeader–61.8
指令遵循得分BenchLeader–74.0
知识得分BenchLeader–63.6
长上下文得分BenchLeader–66.9
混合价格(美元/百万 token)BenchLeader$10.00$11.25
输出速度BenchLeader35 tok/s81 tok/s
首次回答时间BenchLeader1.1 秒38.3 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†90.7%†
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†69.0%†
Arena Hard PromptsArena (LMArena)15301499†
LiveBench 1.0 ReasoningLiveBench88.7%89.7%
GPQA Diamond (AA)Artificial Analysis84.0%†93.5%
Humanity's Last Exam (AA)Artificial Analysis19.1%†45.8%
GPQA Diamond (Vals)Vals AI89.7%†93.2%
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†88.8%†
ARC-AGI-1ARC Prize94.0%95.0%
ARC-AGI-2ARC Prize69.2%85.0%
ARC-AGI-3ARC Prize0.5%†0.4%†
CritPtArtificial Analysis2.8%†27.1%
Arena ExpertArena (LMArena)15441510†
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†56.0%
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%22.2%†
LMCAEpoch AI Benchmarking Hub55.8%†54.3%
DTBenchEpoch AI Benchmarking Hub91.2%†96.0%
ForecastBenchForecastBench63.1%†64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–55.8%
WeirdMLWeirdML78.0%84.9%
显示全部 154 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-5.5 (xhigh)
编程
FrontierCodeCognition26.6%†43.0%†
GSO-BenchGSO-Bench41.2%40.2%
Arena CodingArena (LMArena)15471510†
Arena WebDevArena (LMArena)15471512
LiveBench 1.0 CodingLiveBench78.2%82.2%
LiveCodeBenchVals AI84.7%†85.3%
SWE-bench (Vals)Vals AI78.2%†82.6%
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%†–
Code MigrationVals AI–45.2%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI57.6%†69.8%
SWE-Bench Pro (private)Scale AI SEAL47.1%†–
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†42.6%
MirrorCodeEpoch AI Benchmarking Hub33.3%†23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–67.0%
ALE-BenchEpoch AI Benchmarking Hub996.5†1943.0
AlgoTuneAlgoTune1.5–
Terminal-Bench 4.0 (AA)Artificial Analysis–14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis–84.3%
GameBench 2 OverallDuelLab GameBench 2–49.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–59.9
Design Arena WebsiteDesign Arena1283†1248†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†6.3%†
APEX-AgentsMercor46.3%†55.1%†
LiveBench Agentic CodingLiveBench49.0%54.0%
Terminal-Bench HardArtificial Analysis48.5%†60.6%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†93.9%
Terminal-Bench 2.1 (Vals)Vals AI–57.3%†
MCP AtlasScale AI SEAL76.8%†75.3%
HiL-BenchScale AI SEAL38.3%†39.7%†
τ³-bench Bankingτ²-bench27.3%†44.6%
GDPval-AA v2.1Artificial Analysis–1357
τ³-Banking (AA)Artificial Analysis–39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis–50.0%
APEX-Agents (AA)Artificial Analysis33.0%†37.7%
Finance Agent v2Vals AI–51.8%
Harvey's Legal Agent Benchmark v1Vals AI–3.8%
Legal Research BenchVals AI–40.4%
SkillsBenchVals AI–62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†73.2%†
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)1222†1226†
DeepResearch BenchDeepResearch Bench55.3%54.0%†
PostTrainBenchEpoch AI Benchmarking Hub–23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†53.2%†
Vending-Bench 2Andon Labs8017.6†7523.8†
AutomationBenchArtificial Analysis–47.3%
GDP.pdf (AA)Artificial Analysis–21.2%
EnterpriseOps-GymArtificial Analysis–46.6%
AA-Briefcase v1.1Artificial Analysis–1135
Design Arena AgenticDesign Arena1196†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†84.4%†
ProofBenchVals AI50.0%†50.0%
LiveBench MathematicsLiveBench89.3%95.9%
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%100.0%
HMMT February 2026MathArena96.2%98.5%
USAMO 2026MathArena47.0%98.2%
MathArena ApexMathArena34.5%80.2%
Arena MathsArena (LMArena)15161500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†63.0%
LiveBench 1.0 Data AnalysisLiveBench69.9%81.6%
MMLU-ProVals AI89.1%†88.1%
LegalBenchVals AI85.3%†86.5%
CorpFinVals AI67.0%†68.4%
TaxEvalVals AI76.0%†75.0%
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†–
PRBench LegalScale AI SEAL52.3%†–
MultiNRCScale AI SEAL48.3%†–
CaseLaw v2Vals AI62.1%†66.2%
Excel Modeling BenchmarkVals AI–64.5%
MedCodeVals AI49.1%†49.1%
MedScribeVals AI86.7%†86.9%
Public Benefits Bench v1.1Vals AI–60.9%
DrugDiscoveryBenchScale AI SEAL27.7%†51.6%
EBR-benchEpoch AI Benchmarking Hub12.7%†34.3%
GDP.pdfEpoch AI Benchmarking Hub–26.0%
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
指令遵循
LiveBench LanguageLiveBench83.3%87.4%
LiveBench Instruction FollowingLiveBench63.3%70.7%
IFBenchArtificial Analysis44.6%†75.8%
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)15111475†
人类偏好
Arena TextArena (LMArena)15031476†
EQ-Bench 4EQ-Bench1210†1295†
EQ-Bench Creative Writing v3EQ-Bench1810†1845†
Arena Creative WritingArena (LMArena)14991448†
Arena Multi-turnArena (LMArena)15171484†
Arena Longer QueriesArena (LMArena)15221486†
多模态
Arena VisionArena (LMArena)13161296†
MMMU-ProArtificial Analysis72.5%†79.9%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†88.3%
MortgageTaxVals AI68.5%†68.8%
VTBScale AI SEAL27.5%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub–36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis67.0%†84.3%
Arena DocumentArena (LMArena)14971479†
MLCRArtificial Analysis–28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†160.1†
LiveBench 1.0LiveBench74.5%80.2%
AA Intelligence Index v4.3.2Artificial Analysis26.4†38.4
AA Progress Index v1Artificial Analysis274.5†320
Vals RSI IndexVals AI–16.5%
Vals Multimodal IndexVals AI–68.1%
安全与诚实
FORTRESSScale AI SEAL20.5%†16.3%
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。

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-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.5 (xhigh):价格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.5 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。

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-5.5:常见问题

Claude Opus 4.6 比 GPT-5.5 更好吗?
Claude Opus 4.6 (high) 与 GPT-5.5 (xhigh) 的质量不相上下(62.5 比 64.1,在 ±4.6 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-5.5 哪个更便宜?价格会变吗?
目前 Claude Opus 4.6 更便宜:每百万 token $10.00 比 $11.25(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-5.5 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 Arena WebDev 上,Claude Opus 4.6 为 1547,GPT-5.5 为 1512。
Claude Opus 4.6 和 GPT-5.5 哪个更快?
GPT-5.5 输出更快(约 2 倍;输出 81 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-5.5 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 38.3 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-5.5 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 2 项,GPT-5.5 领先 15 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。