Claude Opus 4.7 vs GPT-5.4
完整资料:Claude Opus 4.7(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 14 个来源
截至 2026年11月16日,Claude Opus 4.7 与 GPT-5.4 的质量不相上下(BenchLeader Index 63.1 比 63.1,在 ±4.6 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)、智能体与工具(68 比 63)和数学(67 比 65)选 Claude Opus 4.7;看重编程(65 比 61)和推理(66 比 64)选 GPT-5.4。Claude Opus 4.7 的首次回答更快(1.0 秒 比 144.9 秒)。GPT-5.4 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-5.4 为 63.1(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-5.4 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 4.7 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 9 项基准测试中,GPT-5.4 领先 6 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 61;WeirdML 77.7% 比 76.4% | 中 |
| 智能体与工具调用 | Claude Opus 4.7 | 类别得分 68 比 63 | 中 |
| 数学 | Claude Opus 4.7 | 类别得分 67 比 65;AIME (Vals) 96.3% 比 96.7% | 中 |
| 推理 | GPT-5.4 | 类别得分 66 比 64;Humanity's Last Exam 36.2% 比 36.2% | 中 |
| 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-5.4 | 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 4.7 | 首个回答 token 1.0 秒(Claude Opus 4.7)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 4.7 与 GPT-5.4 (xhigh) 的质量不相上下(63.1 比 63.1,在 ±4.6 的误差范围内)。
- Claude Opus 4.7 在智能体与工具、数学、多模态方面更强。
- GPT-5.4 (xhigh) 在编程、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 1.5 倍(73 比 48 token/秒)。
概览
| 规格 | Claude Opus 4.7 | GPT-5.4 |
|---|---|---|
| 提供商 | Anthropic | OpenAI |
| 发布日期 | 2026年4月16日 | 2026年3月5日 |
| 上下文窗口(token) | 1,000,000 | 1,050,000 |
| 对比时的配置 | Claude Opus 4.7 | 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 4.7 | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 63.6 | 65.7 | GPT-5.4 |
| 编程 | 60.9 | 64.7 | GPT-5.4 |
| 智能体与工具 | 67.9 | 63.0 | Claude Opus 4.7 |
| 数学 | 66.7 | 64.8 | Claude Opus 4.7 |
| 知识 | – | 58.6 | 无法比较 |
| 指令遵循 | – | 72.4 | 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 | – | 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。
未绘制(测得的模型少于两个):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 9 项基准测试中,Claude Opus 4.7 领先 3 项,GPT-5.4 领先 6 项。所有同时评测两者的综合评分都认为 Claude Opus 4.7 更强。
| 综合 Index | Claude Opus 4.7 | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 63.1 | 63.1 | 不相上下 |
| Arena Text | 1494 | 1475† | Claude Opus 4.7 |
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-5.4 (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 | 48 tok/s | 73 tok/s |
| 首次回答时间 | 1.0 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 4.7 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-5.4 (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 132 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-5.4 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 63.1 | 63.1 |
| 智能体与工具得分 | BenchLeader | 67.9 | 63.0 |
| 编程得分 | BenchLeader | 60.9 | 64.7 |
| 人类偏好得分 | BenchLeader | 67.3 | – |
| 数学得分 | BenchLeader | 66.7 | 64.8 |
| 多模态得分 | BenchLeader | 67.1 | 60.8 |
| 推理得分 | BenchLeader | 63.6 | 65.7 |
| 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 | BenchLeader | 48 tok/s | 73 tok/s |
| 首次回答时间 | BenchLeader | 1.0 秒 | 144.9 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 86.4%† | 93.3% |
| Humanity's Last Exam | Scale AI / CAIS | 36.2% | 36.2% |
| SimpleBench | SimpleBench | 61.7% | – |
| Arena Hard Prompts | Arena (LMArena) | 1519 | 1487† |
| LiveBench 1.0 Reasoning | LiveBench | 87.2%† | 88.1% |
| GPQA Diamond (AA) | Artificial Analysis | 91.4%† | 92.0% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.3%† | 43.7% |
| GPQA Diamond (Vals) | Vals AI | 90.2%† | 91.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 73.3% | 63.8%† |
| ARC-AGI-1 | ARC Prize | – | 93.7% |
| ARC-AGI-2 | ARC Prize | – | 74.0% |
| ARC-AGI-3 | ARC Prize | 0.2%† | 0.2%† |
| CritPt | Artificial Analysis | 12.0%† | 23.4% |
| Arena Expert | Arena (LMArena) | 1534 | 1491† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 41.0%† | 48.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 13.0% | 37.0% |
| CL-bench | Epoch AI Benchmarking Hub | – | 27.9% |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 21.7% |
| LMCA | Epoch AI Benchmarking Hub | 52.2%† | 52.0% |
| DTBench | Epoch AI Benchmarking Hub | 94.7%† | 94.4% |
| ForecastBench | ForecastBench | 62.8% | 63.0%† |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 83.5%† | 76.9%† |
| SciCode | SciCode | 54.5%† | 56.6% |
| WeirdML | WeirdML | 76.4% | 77.7% |
| FrontierCode | Cognition | 38.5% | – |
显示全部 132 项基准测试
| 指标 | 发布方 | Claude Opus 4.7 | GPT-5.4 (xhigh) |
|---|---|---|---|
| 编程 | |||
| GSO-Bench | GSO-Bench | 44.1% | 31.4% |
| Arena Coding | Arena (LMArena) | 1547 | 1511† |
| Arena WebDev | Arena (LMArena) | 1555 | 1400† |
| LiveBench 1.0 Coding | LiveBench | 82.1%† | 77.5% |
| LiveCodeBench | Vals AI | 85.1%† | 84.1% |
| SWE-bench (Vals) | Vals AI | 82.0%† | 78.2% |
| SWE-Bench Pro | Scale AI SEAL | – | 59.1% |
| Code Migration | Vals AI | 43.9%† | 35.0% |
| ProgramBench | Vals AI | 0.0%† | 0.0% |
| Vibe Code Bench v1.1 | Vals AI | 71.0%† | 67.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 43.4% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 40.3% | 40.8% |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | 48.6% | 44.3% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 38.5% | 44.4% |
| MirrorCode | Epoch AI Benchmarking Hub | 31.1%† | 23.3% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 51.8% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1323.0 | 1607† |
| AlgoTune | AlgoTune | – | 1.9† |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 83.2%† | 78.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 53.4† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 62.1 |
| Design Arena Website | Design Arena | – | 1190† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 80.2% | 81.8%† |
| OSWorld-Verified 2.0 | OSWorld | 18.2%† | – |
| APEX-Agents | Mercor | 49.2%† | 52.4%† |
| LiveBench Agentic Coding | LiveBench | 50.7%† | 53.8% |
| Terminal-Bench Hard | Artificial Analysis | 51.5%† | 57.6% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 88.6%† | 87.1% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 68.5%† | – |
| MCP Atlas | Scale AI SEAL | 79.1%† | 70.6% |
| HiL-Bench | Scale AI SEAL | 41.7% | 9.7%† |
| τ³-bench Banking | τ²-bench | 40.2%† | 39.4% |
| GDPval-AA v2.1 | Artificial Analysis | 1361† | 1256 |
| τ³-Banking (AA) | Artificial Analysis | 34.6%† | 39.6% |
| ITBench SRE (AA) | Artificial Analysis | 46.7%† | – |
| Analyst Agent (AA) | Artificial Analysis | 43.8%† | – |
| APEX-Agents (AA) | Artificial Analysis | – | 33.3% |
| Finance Agent v2 | Vals AI | 51.5%† | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 6.7%† | 0.0% |
| Legal Research Bench | Vals AI | 38.5%† | – |
| SkillsBench | Vals AI | – | 51.7% |
| Tax Agent Bench | Vals AI | 23.7%† | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | 68.5%† | 58.4%† |
| Arena Search | Arena (LMArena) | 1210 | 1196† |
| DeepResearch Bench | DeepResearch Bench | – | 35.1%† |
| PostTrainBench | Epoch AI Benchmarking Hub | 24.3%† | 17.8%† |
| ExploitBench | Epoch AI Benchmarking Hub | 26.5% | – |
| METR Time Horizons | METR | – | 74.3% |
| GBAEval | Epoch AI Benchmarking Hub | 43.8% | 45.1%† |
| Vending-Bench 2 | Andon Labs | 10936.8 | 6144.2† |
| AA-Briefcase v1.1 | Artificial Analysis | 1252† | – |
| Design Arena Agentic | Design Arena | – | 1042† |
| DeepSearchQA | – | 63.7%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 70.2%† | 78.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 31.7%† | 49.0% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 86.7%† | 95.3% |
| ProofBench | Vals AI | 54.0%† | 56.0% |
| LiveBench Mathematics | LiveBench | 92.8%† | 94.2% |
| AIME (Vals) | Vals AI | 96.3% | 96.7% |
| AIME 2026 | MathArena | 95.8%† | 99.2% |
| HMMT February 2026 | MathArena | 93.9%† | 97.7% |
| USAMO 2026 | MathArena | – | 95.2% |
| MathArena Apex | MathArena | 40.6%† | 54.2% |
| Arena Maths | Arena (LMArena) | 1490 | 1459† |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 51.7%† | 45.1% |
| LiveBench 1.0 Data Analysis | LiveBench | 78.3%† | 79.3% |
| MMLU-Pro | Vals AI | 89.9%† | 87.5% |
| LegalBench | Vals AI | 85.3%† | 86.0% |
| CorpFin | Vals AI | 66.1%† | 65.3% |
| TaxEval | Vals AI | 75.3%† | 74.0% |
| MedQA | Vals AI | – | 96.1% |
| PRBench Finance | Scale AI SEAL | – | 45.6%† |
| PRBench Legal | Scale AI SEAL | – | 44.4%† |
| MultiNRC | Scale AI SEAL | – | 58.3%† |
| CaseLaw v2 | Vals AI | 68.4% | 63.8% |
| Excel Modeling Benchmark | Vals AI | 63.7%† | – |
| MedCode | Vals AI | 54.9%† | 41.3% |
| MedScribe | Vals AI | 83.0%† | 77.5% |
| EBR-bench | Epoch AI Benchmarking Hub | 19.1%† | 25.4% |
| GDP.pdf | Epoch AI Benchmarking Hub | 21.0%† | – |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 77.9%† | 82.6% |
| LiveBench Instruction Following | LiveBench | 66.7%† | 70.2% |
| IFBench | Artificial Analysis | 58.6%† | 74.0% |
| Arena Instruction Following | Arena (LMArena) | 1493 | 1460† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1494 | 1465† |
| EQ-Bench 4 | EQ-Bench | 1293 | 1258† |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1915 | 1841† |
| Arena Creative Writing | Arena (LMArena) | 1482 | 1433† |
| Arena Multi-turn | Arena (LMArena) | 1514 | 1480† |
| Arena Longer Queries | Arena (LMArena) | 1508 | 1477† |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1319 | 1292† |
| MMMU-Pro | Artificial Analysis | 78.8%† | 78.4% |
| VISTA | Scale AI SEAL | – | 50.9%† |
| MMMU-Pro (Vals) | Vals AI | 85.5%† | 87.5% |
| MortgageTax | Vals AI | 70.3%† | 68.3% |
| VTB | Scale AI SEAL | – | 29.2%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 24.5% | 27.1%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | 33.3%† | 37.5% |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 78.7%† | 82.0% |
| Arena Document | Arena (LMArena) | 1494 | 1471† |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.4 | 157.8† |
| LiveBench 1.0 | LiveBench | 76.5%† | 78.0% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 40.7† | 39.0 |
| AA Progress Index v1 | Artificial Analysis | 312.5† | 311.6 |
| Vals RSI Index | Vals AI | 19.1%† | 15.5% |
| Vals Multimodal Index | Vals AI | 67.4%† | – |
| 安全与诚实 | |||
| MASK | Scale AI SEAL | – | 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)。
- GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
- GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
- Claude Opus 4.7:1 项分数修订。
- GPT-5.4 (xhigh):1 项分数修订。
- GPT-5.4 (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)。
- GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
- 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-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- GPT-5.4 vs GPT-6 Astra
- Claude Opus 4.6 vs GPT-5.4
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-5.4:常见问题
- Claude Opus 4.7 比 GPT-5.4 更好吗?
- Claude Opus 4.7 与 GPT-5.4 (xhigh) 的质量不相上下(63.1 比 63.1,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 4.7 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 4.7 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 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 4.7 为 76.4%,GPT-5.4 为 77.7%。
- Claude Opus 4.7 和 GPT-5.4 哪个更快?
- GPT-5.4 输出更快(约 1.5 倍;输出 73 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-5.4 更好?
- Claude Opus 4.7 在智能体任务方面得分更高(类别得分 68 比 63,50 为平均水平)。
更多问题(4)
- 处理长文档哪个更好?
- 两者都约为 1.1M token(Claude Opus 4.7 为 1,000,000,GPT-5.4 为 1,050,000)。
- 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 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 4.7 和 GPT-5.4 的看法一致吗?
- 在两者都有结果的 9 项基准测试中,Claude Opus 4.7 领先 3 项,GPT-5.4 领先 6 项。所有同时评测两者的综合评分都认为 Claude Opus 4.7 更强。
- 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。