BenchLeader

Claude Opus 4.7 vs GPT-5.3-Codex

完整资料:Claude Opus 4.7(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 4.7 与 GPT-5.3-Codex 的质量不相上下(BenchLeader Index 63.1 比 62.9,在 ±7.9 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)。看重多模态(67 比 61)选 Claude Opus 4.7;看重智能体与工具(80 比 68)选 GPT-5.3-Codex。Claude Opus 4.7 的首次回答更快(1.0 秒 比 38.2 秒)。GPT-5.3-Codex 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 4.7 的 BenchLeader Index 为 63.1,GPT-5.3-Codex 为 62.9(BenchLeader,2026年11月16日)。
  • Claude Opus 4.7 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 4.7 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 2 项基准测试中,GPT-5.3-Codex 领先 2 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
编程均可类别得分 61 比 61;WeirdML 76.4% 比 77.9%均可
智能体与工具调用GPT-5.3-Codex类别得分 80 比 68高
图像及其他媒体Claude Opus 4.7类别得分 67 比 61中
对话质量(人类偏好)–只有 Claude Opus 4.7 有 Arena 评分(类别得分 67)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 4.7首个回答 token 1.0 秒(Claude Opus 4.7)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 4.7 与 GPT-5.3-Codex (xhigh) 的质量不相上下(63.1 比 62.9,在 ±7.9 的误差范围内)。
  • Claude Opus 4.7 在多模态方面更强。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程方面更强。
  • 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 2.0 倍(94 比 48 token/秒)。

概览

规格Claude Opus 4.7GPT-5.3-Codex
提供商AnthropicOpenAI
发布日期2026年4月16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 4.7GPT-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 4.7GPT-5.3-Codex (xhigh)领先者
推理63.6–无法比较
编程60.961.0持平
智能体与工具67.980.1GPT-5.3-Codex
数学66.7–无法比较
指令遵循–73.6无法比较
人类偏好67.3–无法比较
多模态67.160.8Claude Opus 4.7
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编程智能体与工具多模态Claude Opus 4.7, 编程: 60.9Claude Opus 4.7, 智能体与工具: 67.9Claude Opus 4.7, 多模态: 67.1GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 多模态: 60.8

未绘制(测得的模型少于两个):推理, 数学, 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 2 项基准测试中,Claude Opus 4.7 领先 0 项,GPT-5.3-Codex 领先 2 项。

综合 IndexClaude Opus 4.7GPT-5.3-Codex (xhigh)领先者
BenchLeader Index63.162.9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 4.7GPT-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48 tok/s94 tok/s
首次回答时间1.0 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 4.7 得分 63.1,首个回答 token 需 1 秒;Claude Opus 4.7 (high) 为 60.0(1 秒),Claude Opus 4.7 (max) 为 59.7(15 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 111 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 4.7GPT-5.3-Codex (xhigh)
BenchLeader IndexBenchLeader63.162.9
智能体与工具得分BenchLeader67.980.1
编程得分BenchLeader60.961.0
人类偏好得分BenchLeader67.3–
数学得分BenchLeader66.7–
多模态得分BenchLeader67.160.8
推理得分BenchLeader63.6–
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BenchLeader48 tok/s94 tok/s
首次回答时间BenchLeader1.0 秒38.2 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub86.4%†–
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench61.7%–
Arena Hard PromptsArena (LMArena)1519–
LiveBench 1.0 ReasoningLiveBench87.2%†–
GPQA Diamond (AA)Artificial Analysis91.4%†91.5%
Humanity's Last Exam (AA)Artificial Analysis42.3%†42.5%
GPQA Diamond (Vals)Vals AI90.2%†–
Kagi LLM BenchmarkKagi LLM Benchmark73.3%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis12.0%†16.9%
Arena ExpertArena (LMArena)1534–
Chess PuzzlesEpoch AI Benchmarking Hub41.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub13.0%–
LMCAEpoch AI Benchmarking Hub52.2%†–
DTBenchEpoch AI Benchmarking Hub94.7%†–
ForecastBenchForecastBench62.8%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub83.5%†74.8%†
SciCodeSciCode54.5%†–
WeirdMLWeirdML76.4%77.9%
FrontierCodeCognition38.5%–
GSO-BenchGSO-Bench44.1%–
Arena CodingArena (LMArena)1547–
Arena WebDevArena (LMArena)15551406†
LiveBench 1.0 CodingLiveBench82.1%†–
显示全部 111 项基准测试
指标发布方Claude Opus 4.7GPT-5.3-Codex (xhigh)
编程
LiveCodeBenchVals AI85.1%†87.3%
IOIVals AI–53.8%
SWE-bench (Vals)Vals AI82.0%†78.0%
Code MigrationVals AI43.9%†–
ProgramBenchVals AI0.0%†–
Vibe Code Bench v1.1Vals AI71.0%†61.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.3%–
SWE Atlas v1.0: RefactoringScale AI SEAL48.6%–
SWE Atlas v1.0: Test WritingScale AI SEAL38.5%–
MirrorCodeEpoch AI Benchmarking Hub31.1%†–
ALE-BenchEpoch AI Benchmarking Hub1323.01655.2
Terminal-Bench 2.1 (AA)Artificial Analysis83.2%†–
Design Arena WebsiteDesign Arena–1155†
智能体与工具
Terminal-BenchTerminal-Bench80.2%78.4%†
OSWorld-Verified 2.0OSWorld18.2%†–
APEX-AgentsMercor49.2%†–
LiveBench Agentic CodingLiveBench50.7%†–
Terminal-Bench HardArtificial Analysis51.5%†53.0%
τ²-Bench Telecom (AA)Artificial Analysis88.6%†86.0%
Terminal-Bench 2.1 (Vals)Vals AI68.5%†–
MCP AtlasScale AI SEAL79.1%†–
HiL-BenchScale AI SEAL41.7%4.3%†
τ³-bench Bankingτ²-bench40.2%†–
GDPval-AA v2.1Artificial Analysis1361†–
τ³-Banking (AA)Artificial Analysis34.6%†–
ITBench SRE (AA)Artificial Analysis46.7%†–
Analyst Agent (AA)Artificial Analysis43.8%†–
Finance Agent v2Vals AI51.5%†–
Harvey's Legal Agent Benchmark v1Vals AI6.7%†–
Legal Research BenchVals AI38.5%†–
Tax Agent BenchVals AI23.7%†–
Terminal-Bench 2.0 (Vals)Vals AI68.5%†64.0%†
Arena SearchArena (LMArena)1210–
PostTrainBenchEpoch AI Benchmarking Hub24.3%†–
ExploitBenchEpoch AI Benchmarking Hub26.5%–
METR Time HorizonsMETR–74.5%†
GBAEvalEpoch AI Benchmarking Hub43.8%–
Vending-Bench 2Andon Labs10936.85940.1†
AA-Briefcase v1.1Artificial Analysis1252†868
Design Arena AgenticDesign Arena–1018†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub70.2%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub31.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub86.7%†–
ProofBenchVals AI54.0%†–
LiveBench MathematicsLiveBench92.8%†–
AIME (Vals)Vals AI96.3%–
AIME 2026MathArena95.8%†–
HMMT February 2026MathArena93.9%†–
MathArena ApexMathArena40.6%†–
Arena MathsArena (LMArena)1490–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub51.7%†–
LiveBench 1.0 Data AnalysisLiveBench78.3%†–
MMLU-ProVals AI89.9%†–
LegalBenchVals AI85.3%†–
CorpFinVals AI66.1%†–
TaxEvalVals AI75.3%†–
CaseLaw v2Vals AI68.4%–
Excel Modeling BenchmarkVals AI63.7%†–
MedCodeVals AI54.9%†–
MedScribeVals AI83.0%†–
EBR-benchEpoch AI Benchmarking Hub19.1%†–
GDP.pdfEpoch AI Benchmarking Hub21.0%†–
指令遵循
LiveBench LanguageLiveBench77.9%†–
LiveBench Instruction FollowingLiveBench66.7%†–
IFBenchArtificial Analysis58.6%†75.4%
Arena Instruction FollowingArena (LMArena)1493–
人类偏好
Arena TextArena (LMArena)1494–
EQ-Bench 4EQ-Bench1293–
EQ-Bench Creative Writing v3EQ-Bench1915–
Arena Creative WritingArena (LMArena)1482–
Arena Multi-turnArena (LMArena)1514–
Arena Longer QueriesArena (LMArena)1508–
多模态
Arena VisionArena (LMArena)1319–
MMMU-ProArtificial Analysis78.8%†78.5%
MMMU-Pro (Vals)Vals AI85.5%†–
MortgageTaxVals AI70.3%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub24.5%–
Furniture AssemblyEpoch AI Benchmarking Hub33.3%†–
长上下文
AA-LCR v1.1Artificial Analysis78.7%†83.3%
Arena DocumentArena (LMArena)1494–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.4–
LiveBench 1.0LiveBench76.5%†–
AA Intelligence Index v4.3.2Artificial Analysis40.7†32.5
AA Progress Index v1Artificial Analysis312.5†301.3
Vals RSI IndexVals AI19.1%†–
Vals Multimodal IndexVals AI67.4%†–

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 4.7:1 项分数修订。
  • 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 4.7:1 项分数修订。
  • Claude Opus 4.7:1 项新结果(Harvey's Legal Agent Benchmark v1)。
  • Claude Opus 4.7:1 项分数修订。
  • Claude Opus 4.7:1 项分数修订。

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 4.7 vs GPT-5.3-Codex:常见问题

Claude Opus 4.7 比 GPT-5.3-Codex 更好吗?
Claude Opus 4.7 与 GPT-5.3-Codex (xhigh) 的质量不相上下(63.1 比 62.9,在 ±7.9 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 4.7 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 4.7 还是 GPT-5.3-Codex 更好?
两者在编程方面持平(类别得分 61 比 61)。在两者共同的最主要编程基准测试 WeirdML 上,Claude Opus 4.7 为 76.4%,GPT-5.3-Codex 为 77.9%。
Claude Opus 4.7 和 GPT-5.3-Codex 哪个更快?
GPT-5.3-Codex 输出更快(约 1.5 倍;输出 94 比 48 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.7 还是 GPT-5.3-Codex 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 68,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Claude Opus 4.7 支持更长的上下文:1,000,000 token,GPT-5.3-Codex 为 400,000 token。
哪个延迟更低?
Claude Opus 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.0 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 4.7 和 GPT-5.3-Codex 的看法一致吗?
在两者都有结果的 2 项基准测试中,Claude Opus 4.7 领先 0 项,GPT-5.3-Codex 领先 2 项。
Claude Opus 4.7 是什么时候发布的?
Claude Opus 4.7 于 2026年4月16日 发布。