BenchLeader

Claude Opus 4.7 vs GPT-5.5

完整资料:Claude Opus 4.7(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 14 个来源

截至 2026年11月16日,Claude Opus 4.7 与 GPT-5.5 的质量不相上下(BenchLeader Index 63.1 比 64.1,在 ±5.4 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)。看重智能体与工具(68 比 62)和多模态(67 比 62)选 Claude Opus 4.7;看重推理(68 比 64)和数学(69 比 67)选 GPT-5.5。Claude Opus 4.7 的首次回答更快(1.0 秒 比 38.3 秒)。GPT-5.5 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-5.5 为 64.1(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-5.5 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 4.7 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-5.5 领先 5 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.7 的评分为 1555,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
编程均可类别得分 61 比 61;Arena WebDev 1555 比 1512均可
智能体与工具调用Claude Opus 4.7类别得分 68 比 62中
数学GPT-5.5类别得分 69 比 67中
推理GPT-5.5类别得分 68 比 64;Mystery Game Puzzles 56.0% 比 13.0%中
图像及其他媒体Claude Opus 4.7类别得分 67 比 62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 4.7首个回答 token 1.0 秒(Claude Opus 4.7)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 4.7 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±5.4 的误差范围内)。
  • Claude Opus 4.7 在智能体与工具、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 1.7 倍(81 比 48 token/秒)。

概览

规格Claude Opus 4.7GPT-5.5
提供商AnthropicOpenAI
发布日期2026年4月16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 4.7GPT-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 4.7GPT-5.5 (xhigh)领先者
推理63.668.1GPT-5.5
编程60.960.7持平
智能体与工具67.961.8Claude Opus 4.7
数学66.769.3GPT-5.5
知识–63.6无法比较
指令遵循–74.0无法比较
人类偏好67.3–无法比较
多模态67.162.3Claude Opus 4.7
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推理编程智能体与工具数学多模态Claude Opus 4.7, 推理: 63.6Claude Opus 4.7, 编程: 60.9Claude Opus 4.7, 智能体与工具: 67.9Claude Opus 4.7, 数学: 66.7Claude Opus 4.7, 多模态: 67.1GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-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):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 9 项基准测试中,Claude Opus 4.7 领先 4 项,GPT-5.5 领先 5 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 IndexClaude Opus 4.7GPT-5.5 (xhigh)领先者
BenchLeader Index63.164.1不相上下
Arena Text14941481†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 4.7GPT-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48 tok/s81 tok/s
首次回答时间1.0 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 4.7 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-5.5 (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 136 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-5.5 (xhigh)
BenchLeader IndexBenchLeader63.164.1
智能体与工具得分BenchLeader67.961.8
编程得分BenchLeader60.960.7
人类偏好得分BenchLeader67.3–
数学得分BenchLeader66.769.3
多模态得分BenchLeader67.162.3
推理得分BenchLeader63.668.1
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BenchLeader48 tok/s81 tok/s
首次回答时间BenchLeader1.0 秒38.3 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub86.4%†90.7%†
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench61.7%69.0%†
Arena Hard PromptsArena (LMArena)15191499†
LiveBench 1.0 ReasoningLiveBench87.2%†89.7%
GPQA Diamond (AA)Artificial Analysis91.4%†93.5%
Humanity's Last Exam (AA)Artificial Analysis42.3%†45.8%
GPQA Diamond (Vals)Vals AI90.2%†93.2%
Kagi LLM BenchmarkKagi LLM Benchmark73.3%88.8%†
ARC-AGI-1ARC Prize–95.0%
ARC-AGI-2ARC Prize–85.0%
ARC-AGI-3ARC Prize0.2%†0.4%†
CritPtArtificial Analysis12.0%†27.1%
Arena ExpertArena (LMArena)15341510†
Chess PuzzlesEpoch AI Benchmarking Hub41.0%†63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub13.0%56.0%
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub52.2%†54.3%
DTBenchEpoch AI Benchmarking Hub94.7%†96.0%
ForecastBenchForecastBench62.8%64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub83.5%†–
SciCodeSciCode54.5%†55.8%
WeirdMLWeirdML76.4%84.9%
FrontierCodeCognition38.5%43.0%†
显示全部 136 项基准测试
指标发布方Claude Opus 4.7GPT-5.5 (xhigh)
编程
GSO-BenchGSO-Bench44.1%40.2%
Arena CodingArena (LMArena)15471510†
Arena WebDevArena (LMArena)15551512
LiveBench 1.0 CodingLiveBench82.1%†82.2%
SciCode (AA)Artificial Analysis–55.8%
LiveCodeBenchVals AI85.1%†85.3%
SWE-bench (Vals)Vals AI82.0%†82.6%
Code MigrationVals AI43.9%†45.2%
ProgramBenchVals AI0.0%†0.5%
Vibe Code Bench v1.1Vals AI71.0%†69.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.3%45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL48.6%44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL38.5%42.6%
MirrorCodeEpoch AI Benchmarking Hub31.1%†23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–67.0%
ALE-BenchEpoch AI Benchmarking Hub1323.01943.0
Terminal-Bench 4.0 (AA)Artificial Analysis–14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis83.2%†84.3%
GameBench 2 OverallDuelLab GameBench 2–49.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–59.9
Design Arena WebsiteDesign Arena–1248†
智能体与工具
Terminal-BenchTerminal-Bench80.2%84.7%†
OSWorld-Verified 2.0OSWorld18.2%†13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor49.2%†55.1%†
LiveBench Agentic CodingLiveBench50.7%†54.0%
Terminal-Bench HardArtificial Analysis51.5%†60.6%
τ²-Bench Telecom (AA)Artificial Analysis88.6%†93.9%
Terminal-Bench 2.1 (Vals)Vals AI68.5%†57.3%†
MCP AtlasScale AI SEAL79.1%†75.3%
HiL-BenchScale AI SEAL41.7%39.7%†
τ³-bench Bankingτ²-bench40.2%†44.6%
GDPval-AA v2.1Artificial Analysis1361†1357
τ³-Banking (AA)Artificial Analysis34.6%†39.0%
ITBench SRE (AA)Artificial Analysis46.7%†45.8%
Analyst Agent (AA)Artificial Analysis43.8%†50.0%
APEX-Agents (AA)Artificial Analysis–37.7%
Finance Agent v2Vals AI51.5%†51.8%
Harvey's Legal Agent Benchmark v1Vals AI6.7%†3.8%
Legal Research BenchVals AI38.5%†40.4%
SkillsBenchVals AI–62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI23.7%†21.8%
Terminal-Bench 2.0 (Vals)Vals AI68.5%†73.2%†
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)12101226†
DeepResearch BenchDeepResearch Bench–54.0%†
PostTrainBenchEpoch AI Benchmarking Hub24.3%†23.9%
ExploitBenchEpoch AI Benchmarking Hub26.5%47.4%†
GBAEvalEpoch AI Benchmarking Hub43.8%53.2%†
Vending-Bench 2Andon Labs10936.87523.8†
AutomationBenchArtificial Analysis–47.3%
GDP.pdf (AA)Artificial Analysis–21.2%
EnterpriseOps-GymArtificial Analysis–46.6%
AA-Briefcase v1.1Artificial Analysis1252†1135
Design Arena AgenticDesign Arena–1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub70.2%†85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub31.7%†72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub86.7%†84.4%†
ProofBenchVals AI54.0%†50.0%
LiveBench MathematicsLiveBench92.8%†95.9%
AIME (Vals)Vals AI96.3%–
AIME 2026MathArena95.8%†100.0%
HMMT February 2026MathArena93.9%†98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena40.6%†80.2%
Arena MathsArena (LMArena)14901500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub51.7%†63.0%
LiveBench 1.0 Data AnalysisLiveBench78.3%†81.6%
MMLU-ProVals AI89.9%†88.1%
LegalBenchVals AI85.3%†86.5%
CorpFinVals AI66.1%†68.4%
TaxEvalVals AI75.3%†75.0%
CaseLaw v2Vals AI68.4%66.2%
Excel Modeling BenchmarkVals AI63.7%†64.5%
MedCodeVals AI54.9%†49.1%
MedScribeVals AI83.0%†86.9%
Public Benefits Bench v1.1Vals AI–60.9%
DrugDiscoveryBenchScale AI SEAL–51.6%
EBR-benchEpoch AI Benchmarking Hub19.1%†34.3%
GDP.pdfEpoch AI Benchmarking Hub21.0%†26.0%
指令遵循
LiveBench LanguageLiveBench77.9%†87.4%
LiveBench Instruction FollowingLiveBench66.7%†70.7%
IFBenchArtificial Analysis58.6%†75.8%
Arena Instruction FollowingArena (LMArena)14931475†
人类偏好
Arena TextArena (LMArena)14941476†
EQ-Bench 4EQ-Bench12931295†
EQ-Bench Creative Writing v3EQ-Bench19151845†
Arena Creative WritingArena (LMArena)14821448†
Arena Multi-turnArena (LMArena)15141484†
Arena Longer QueriesArena (LMArena)15081486†
多模态
Arena VisionArena (LMArena)13191296†
MMMU-ProArtificial Analysis78.8%†79.9%
MMMU-Pro (Vals)Vals AI85.5%†88.3%
MortgageTaxVals AI70.3%†68.8%
Blueprint-Bench 2Epoch AI Benchmarking Hub24.5%36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub33.3%†44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis78.7%†84.3%
Arena DocumentArena (LMArena)14941479†
MLCRArtificial Analysis–28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.4160.1†
LiveBench 1.0LiveBench76.5%†80.2%
AA Intelligence Index v4.3.2Artificial Analysis40.7†38.4
AA Progress Index v1Artificial Analysis312.5†320
Vals RSI IndexVals AI19.1%†16.5%
Vals Multimodal IndexVals AI67.4%†68.1%
安全与诚实
FORTRESSScale AI SEAL–16.3%

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)。
  • 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)。
  • Claude Opus 4.7:1 项分数修订。
  • 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。
  • Claude Opus 4.7:1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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-5.5:常见问题

Claude Opus 4.7 比 GPT-5.5 更好吗?
Claude Opus 4.7 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±5.4 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-5.5 哪个更便宜?价格会变吗?
目前 Claude Opus 4.7 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 4.7 还是 GPT-5.5 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 Arena WebDev 上,Claude Opus 4.7 为 1555,GPT-5.5 为 1512。
Claude Opus 4.7 和 GPT-5.5 哪个更快?
GPT-5.5 输出更快(约 1.5 倍;输出 81 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-5.5 更好?
Claude Opus 4.7 在智能体任务方面得分更高(类别得分 68 比 62,50 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-5.5 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 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 4.7 和 GPT-5.5 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 4 项,GPT-5.5 领先 5 项。所有同时评测两者的综合评分都认为 Claude Opus 4.7 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。