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 4.7 | GPT-5.3-Codex |
|---|---|---|
| 提供商 | Anthropic | OpenAI |
| 发布日期 | 2026年4月16日 | 2026年2月5日 |
| 上下文窗口(token) | 1,000,000 | 400,000 |
| 对比时的配置 | Claude Opus 4.7 | 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 4.7 | GPT-5.3-Codex (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 63.6 | – | 无法比较 |
| 编程 | 60.9 | 61.0 | 持平 |
| 智能体与工具 | 67.9 | 80.1 | GPT-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 | 67.1 | 60.8 | Claude 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。
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。
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 Index | Claude Opus 4.7 | GPT-5.3-Codex (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 63.1 | 62.9 | 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 4.7 | 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 | 48 tok/s | 94 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 4.7 | GPT-5.3-Codex (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 63.1 | 62.9 |
| 智能体与工具得分 | BenchLeader | 67.9 | 80.1 |
| 编程得分 | BenchLeader | 60.9 | 61.0 |
| 人类偏好得分 | BenchLeader | 67.3 | – |
| 数学得分 | BenchLeader | 66.7 | – |
| 多模态得分 | BenchLeader | 67.1 | 60.8 |
| 推理得分 | BenchLeader | 63.6 | – |
| 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 | BenchLeader | 48 tok/s | 94 tok/s |
| 首次回答时间 | BenchLeader | 1.0 秒 | 38.2 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 400,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 86.4%† | – |
| Humanity's Last Exam | Scale AI / CAIS | 36.2% | – |
| SimpleBench | SimpleBench | 61.7% | – |
| Arena Hard Prompts | Arena (LMArena) | 1519 | – |
| LiveBench 1.0 Reasoning | LiveBench | 87.2%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 91.4%† | 91.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.3%† | 42.5% |
| GPQA Diamond (Vals) | Vals AI | 90.2%† | – |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 73.3% | – |
| ARC-AGI-3 | ARC Prize | 0.2%† | – |
| CritPt | Artificial Analysis | 12.0%† | 16.9% |
| Arena Expert | Arena (LMArena) | 1534 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 41.0%† | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 13.0% | – |
| LMCA | Epoch AI Benchmarking Hub | 52.2%† | – |
| DTBench | Epoch AI Benchmarking Hub | 94.7%† | – |
| ForecastBench | ForecastBench | 62.8% | – |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 83.5%† | 74.8%† |
| SciCode | SciCode | 54.5%† | – |
| WeirdML | WeirdML | 76.4% | 77.9% |
| FrontierCode | Cognition | 38.5% | – |
| GSO-Bench | GSO-Bench | 44.1% | – |
| Arena Coding | Arena (LMArena) | 1547 | – |
| Arena WebDev | Arena (LMArena) | 1555 | 1406† |
| LiveBench 1.0 Coding | LiveBench | 82.1%† | – |
显示全部 111 项基准测试
| 指标 | 发布方 | Claude Opus 4.7 | GPT-5.3-Codex (xhigh) |
|---|---|---|---|
| 编程 | |||
| LiveCodeBench | Vals AI | 85.1%† | 87.3% |
| IOI | Vals AI | – | 53.8% |
| SWE-bench (Vals) | Vals AI | 82.0%† | 78.0% |
| Code Migration | Vals AI | 43.9%† | – |
| ProgramBench | Vals AI | 0.0%† | – |
| Vibe Code Bench v1.1 | Vals AI | 71.0%† | 61.8% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 40.3% | – |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | 48.6% | – |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 38.5% | – |
| MirrorCode | Epoch AI Benchmarking Hub | 31.1%† | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1323.0 | 1655.2 |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 83.2%† | – |
| Design Arena Website | Design Arena | – | 1155† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 80.2% | 78.4%† |
| OSWorld-Verified 2.0 | OSWorld | 18.2%† | – |
| APEX-Agents | Mercor | 49.2%† | – |
| LiveBench Agentic Coding | LiveBench | 50.7%† | – |
| Terminal-Bench Hard | Artificial Analysis | 51.5%† | 53.0% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 88.6%† | 86.0% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 68.5%† | – |
| MCP Atlas | Scale AI SEAL | 79.1%† | – |
| HiL-Bench | Scale AI SEAL | 41.7% | 4.3%† |
| τ³-bench Banking | τ²-bench | 40.2%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 1361† | – |
| τ³-Banking (AA) | Artificial Analysis | 34.6%† | – |
| ITBench SRE (AA) | Artificial Analysis | 46.7%† | – |
| Analyst Agent (AA) | Artificial Analysis | 43.8%† | – |
| Finance Agent v2 | Vals AI | 51.5%† | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 6.7%† | – |
| Legal Research Bench | Vals AI | 38.5%† | – |
| Tax Agent Bench | Vals AI | 23.7%† | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | 68.5%† | 64.0%† |
| Arena Search | Arena (LMArena) | 1210 | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 24.3%† | – |
| ExploitBench | Epoch AI Benchmarking Hub | 26.5% | – |
| METR Time Horizons | METR | – | 74.5%† |
| GBAEval | Epoch AI Benchmarking Hub | 43.8% | – |
| Vending-Bench 2 | Andon Labs | 10936.8 | 5940.1† |
| AA-Briefcase v1.1 | Artificial Analysis | 1252† | 868 |
| Design Arena Agentic | Design Arena | – | 1018† |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 70.2%† | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 31.7%† | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 86.7%† | – |
| ProofBench | Vals AI | 54.0%† | – |
| LiveBench Mathematics | LiveBench | 92.8%† | – |
| AIME (Vals) | Vals AI | 96.3% | – |
| AIME 2026 | MathArena | 95.8%† | – |
| HMMT February 2026 | MathArena | 93.9%† | – |
| MathArena Apex | MathArena | 40.6%† | – |
| Arena Maths | Arena (LMArena) | 1490 | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 51.7%† | – |
| LiveBench 1.0 Data Analysis | LiveBench | 78.3%† | – |
| MMLU-Pro | Vals AI | 89.9%† | – |
| LegalBench | Vals AI | 85.3%† | – |
| CorpFin | Vals AI | 66.1%† | – |
| TaxEval | Vals AI | 75.3%† | – |
| CaseLaw v2 | Vals AI | 68.4% | – |
| Excel Modeling Benchmark | Vals AI | 63.7%† | – |
| MedCode | Vals AI | 54.9%† | – |
| MedScribe | Vals AI | 83.0%† | – |
| EBR-bench | Epoch AI Benchmarking Hub | 19.1%† | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 21.0%† | – |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 77.9%† | – |
| LiveBench Instruction Following | LiveBench | 66.7%† | – |
| IFBench | Artificial Analysis | 58.6%† | 75.4% |
| Arena Instruction Following | Arena (LMArena) | 1493 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1494 | – |
| EQ-Bench 4 | EQ-Bench | 1293 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1915 | – |
| Arena Creative Writing | Arena (LMArena) | 1482 | – |
| Arena Multi-turn | Arena (LMArena) | 1514 | – |
| Arena Longer Queries | Arena (LMArena) | 1508 | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1319 | – |
| MMMU-Pro | Artificial Analysis | 78.8%† | 78.5% |
| MMMU-Pro (Vals) | Vals AI | 85.5%† | – |
| MortgageTax | Vals AI | 70.3%† | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 24.5% | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 33.3%† | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 78.7%† | 83.3% |
| Arena Document | Arena (LMArena) | 1494 | – |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.4 | – |
| LiveBench 1.0 | LiveBench | 76.5%† | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 40.7† | 32.5 |
| AA Progress Index v1 | Artificial Analysis | 312.5† | 301.3 |
| Vals RSI Index | Vals AI | 19.1%† | – |
| Vals Multimodal Index | Vals AI | 67.4%† | – |
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。
相关对比
- Claude Opus 4.7 vs Claude Fable 5.2
- Claude Opus 4.7 vs Gemini 4 Carbon
- Claude Opus 4.7 vs Claude Opus 5.5
- GPT-5.3-Codex vs Claude Fable 5.2
- GPT-5.3-Codex vs Gemini 4 Carbon
- GPT-5.3-Codex vs Claude Opus 5.5
- GPT-5.3-Codex vs GPT-6 Astra
- Claude Opus 4.6 vs GPT-5.3-Codex
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。