BenchLeader

Claude Opus 4.7 vs GPT-5.6 Sol

完整资料:Claude Opus 4.7(Anthropic)和 GPT-5.6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,Claude Opus 4.7 与 GPT-5.6 Sol 的质量不相上下(BenchLeader Index 63.1 比 65.3,在 ±4.9 的误差范围内)。GPT-5.6 Sol 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。看重多模态(67 比 66)选 Claude Opus 4.7;看重编程(66 比 61)、数学(70 比 67)和推理(65 比 64)选 GPT-5.6 Sol。Claude Opus 4.7 的首次回答更快(1.0 秒 比 33.5 秒)。GPT-5.6 Sol 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 4.7 的 BenchLeader Index 为 63.1,GPT-5.6 Sol 为 65.3(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-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 比 Claude Opus 4.7 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 5 项基准测试中,GPT-5.6 Sol 领先 4 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-5.6 Sol类别得分 66 比 61;WeirdML 87.0% 比 76.4%中
智能体与工具调用均可类别得分 68 比 68;Terminal-Bench 80.2% 比 38.5%均可
数学GPT-5.6 Sol类别得分 70 比 67中
推理GPT-5.6 Sol类别得分 65 比 64;Mystery Game Puzzles 58.0% 比 13.0%中
图像及其他媒体Claude Opus 4.7类别得分 67 比 66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-5.6 Sol每百万 token 混合价格 $8.00 比 $10.00;智能体编程会话 $0.320 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 33.5 秒(GPT-5.6 Sol (max))–
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-5.6 Sol (max) 的质量不相上下(63.1 比 65.3,在 ±4.9 的误差范围内)。
  • Claude Opus 4.7 在智能体与工具、多模态方面更强。
  • GPT-5.6 Sol (max) 在编程、数学、推理方面更强。
  • GPT-5.6 Sol (max) 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。
  • GPT-5.6 Sol (max) 的输出速度是对方的 2.1 倍(100 比 48 token/秒)。

概览

规格Claude Opus 4.7GPT-5.6 Sol
提供商AnthropicOpenAI
发布日期2026年4月16日2026年7月9日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.7GPT-5.6 Sol (max)
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$4.00 / $20.00 / $0.400

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-5.6 Sol (max)领先者
推理63.664.7GPT-5.6 Sol
编程60.965.8GPT-5.6 Sol
智能体与工具67.967.5持平
数学66.770.0GPT-5.6 Sol
知识–63.8无法比较
指令遵循–71.2无法比较
人类偏好67.3–无法比较
多模态67.165.9Claude Opus 4.7
长上下文–66.7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。

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-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 多模态: 65.9

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 5 项基准测试中,Claude Opus 4.7 领先 1 项,GPT-5.6 Sol 领先 4 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-5.6 Sol (max)领先者
BenchLeader Index63.165.3不相上下
Arena Text14941485†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-5.6 Sol (max)
每百万 token 混合价格$10.00$8.00
每百万 token 输入 / 输出$5.00 / $25.00$4.00 / $20.00
每百万 token 缓存输入$0.500$0.400
每项任务价格:聊天回复$0.0095$0.0076
每项任务价格:总结一份 30 页的报告$0.075$0.060
每项任务价格:代码编辑$0.068$0.054
每项任务价格:智能体编程会话$0.400$0.320
每项任务价格:结构化信息提取$0.015$0.012
智能体编程会话(输入大多命中缓存)$0.198$0.158
输出速度48 tok/s100 tok/s
首次回答时间1.0 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–157.3 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-5.6 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(10 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 162 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-5.6 Sol (max)
BenchLeader IndexBenchLeader63.165.3
智能体与工具得分BenchLeader67.967.5
编程得分BenchLeader60.965.8
人类偏好得分BenchLeader67.3–
数学得分BenchLeader66.770.0
多模态得分BenchLeader67.165.9
推理得分BenchLeader63.664.7
指令遵循得分BenchLeader–71.2
知识得分BenchLeader–63.8
长上下文得分BenchLeader–66.7
混合价格(美元/百万 token)BenchLeader$10.00$8.00
输出速度BenchLeader48 tok/s100 tok/s
首次回答时间BenchLeader1.0 秒33.5 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub86.4%†93.5%
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench61.7%64.8%†
Arena Hard PromptsArena (LMArena)15191511†
LiveBench 1.0 ReasoningLiveBench87.2%†91.7%
GPQA Diamond (AA)Artificial Analysis91.4%†94.1%
Humanity's Last Exam (AA)Artificial Analysis42.3%†49.5%
GPQA Diamond (Vals)Vals AI90.2%†95.2%
EnigmaEvalScale AI SEAL–37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark73.3%67.0%†
ARC-AGI-1ARC Prize–96.5%
ARC-AGI-2ARC Prize–92.5%
ARC-AGI-3ARC Prize0.2%†7.8%
CritPtArtificial Analysis12.0%†32.3%
CritPt v2 hard subset (AA)Artificial Analysis–60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
Arena ExpertArena (LMArena)15341532†
Chess PuzzlesEpoch AI Benchmarking Hub41.0%†59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub13.0%58.0%
LMCAEpoch AI Benchmarking Hub52.2%†58.4%
DTBenchEpoch AI Benchmarking Hub94.7%†95.5%
ForecastBenchForecastBench62.8%65.7%
BTF-3Epoch AI Benchmarking Hub–13.7%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub83.5%†–
显示全部 162 项基准测试
指标发布方Claude Opus 4.7GPT-5.6 Sol (max)
编程
SciCodeSciCode54.5%†57.1%
WeirdMLWeirdML76.4%87.0%
FrontierCodeCognition38.5%47.5%†
GSO-BenchGSO-Bench44.1%76.5%†
Arena CodingArena (LMArena)15471533†
Arena WebDevArena (LMArena)15551615†
LiveBench 1.0 CodingLiveBench82.1%†83.9%
SciCode (AA)Artificial Analysis–57.1%
LiveCodeBenchVals AI85.1%†82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI82.0%†96.2%
Code MigrationVals AI43.9%†52.9%
ProgramBenchVals AI0.0%†1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI71.0%†80.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.3%46.0%†
SWE Atlas v1.0: RefactoringScale AI SEAL48.6%–
SWE Atlas v1.0: Test WritingScale AI SEAL38.5%45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub31.1%†20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub–93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub1323.02176.9
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis–39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis83.2%†88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 2–67.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–80.0†
Design Arena WebsiteDesign Arena–1319†
智能体与工具
Terminal-BenchTerminal-Bench80.2%38.5%
OSWorld-Verified 2.0OSWorld18.2%†27.3%
APEX-AgentsMercor49.2%†51.4%†
Arena AgentArena (LMArena)–4.6†
LiveBench Agentic CodingLiveBench50.7%†56.2%
Terminal-Bench HardArtificial Analysis51.5%†65.9%
τ²-Bench Telecom (AA)Artificial Analysis88.6%†85.1%
Terminal-Bench 2.1 (Vals)Vals AI68.5%†85.8%
MCP AtlasScale AI SEAL79.1%†–
HiL-BenchScale AI SEAL41.7%32.3%†
τ³-bench Bankingτ²-bench40.2%†46.9%†
GDPval-AA v2.1Artificial Analysis1361†1619
τ³-Banking (AA)Artificial Analysis34.6%†44.3%
ITBench SRE (AA)Artificial Analysis46.7%†56.2%
Analyst Agent (AA)Artificial Analysis43.8%†47.5%
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI51.5%†53.8%
Harvey's Legal Agent Benchmark v1Vals AI6.7%†2.5%
Legal Research BenchVals AI38.5%†48.1%
SkillsBenchVals AI–54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI23.7%†31.1%
Terminal-Bench 2.0 (Vals)Vals AI68.5%†–
Terminal-Bench 4.0 (Vals)Vals AI–37.9%
Terminal-Bench ScienceVals AI–20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)12101255†
Arena Agent Task CompletionArena (LMArena)–2.3†
BALROGBALROG–60.0%
PostTrainBenchEpoch AI Benchmarking Hub24.3%†31.0%
ExploitBenchEpoch AI Benchmarking Hub26.5%–
GBAEvalEpoch AI Benchmarking Hub43.8%52.6%†
Vending-Bench 2Andon Labs10936.89619.4†
AutomationBenchArtificial Analysis–60.1%
GDP.pdf (AA)Artificial Analysis–27.2%
EnterpriseOps-GymArtificial Analysis–42.9%
AA-Briefcase v1.1Artificial Analysis1252†1479
Design Arena AgenticDesign Arena–1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub70.2%†89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub31.7%†82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub86.7%†100.0%
ProofBenchVals AI54.0%†83.0%
LiveBench MathematicsLiveBench92.8%†96.2%
AIME (Vals)Vals AI96.3%–
AIME 2026MathArena95.8%†–
HMMT February 2026MathArena93.9%†–
MathArena ApexMathArena40.6%†–
Arena MathsArena (LMArena)14901494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub51.7%†69.7%
LiveBench 1.0 Data AnalysisLiveBench78.3%†79.8%
MMLU-ProVals AI89.9%†89.1%
LegalBenchVals AI85.3%†87.0%
CorpFinVals AI66.1%†64.4%
TaxEvalVals AI75.3%†74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
BioMysteryBenchVals AI–71.1%
CaseLaw v2Vals AI68.4%–
Excel Modeling BenchmarkVals AI63.7%†72.3%
MedCodeVals AI54.9%†44.0%
MedScribeVals AI83.0%†85.2%
Public Benefits Bench v1.1Vals AI–66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL–56.5%
EBR-benchEpoch AI Benchmarking Hub19.1%†44.8%
GDP.pdfEpoch AI Benchmarking Hub21.0%†30.7%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench77.9%†87.7%
LiveBench Instruction FollowingLiveBench66.7%†71.8%
IFBenchArtificial Analysis58.6%†72.7%
Arena Instruction FollowingArena (LMArena)14931490†
人类偏好
Arena TextArena (LMArena)14941485†
EQ-Bench 4EQ-Bench12931236†
EQ-Bench Creative Writing v3EQ-Bench19151974†
Arena Creative WritingArena (LMArena)14821471†
Arena Multi-turnArena (LMArena)15141491†
Arena Longer QueriesArena (LMArena)15081498†
多模态
Arena VisionArena (LMArena)13191282†
MMMU-ProArtificial Analysis78.8%†83.4%
MMMU-Pro (Vals)Vals AI85.5%†88.8%
MortgageTaxVals AI70.3%†67.3%
Humanity's Sixth SenseScale AI SEAL–30.0%
GeoBenchGeoBench–73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub24.5%33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub33.3%†56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis78.7%†84.0%
Arena DocumentArena (LMArena)14941487†
MLCRArtificial Analysis–30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.4163.0†
LiveBench 1.0LiveBench76.5%†81.0%
AA Intelligence Index v4.3.2Artificial Analysis40.7†47.0
AA Progress Index v1Artificial Analysis312.5†331.5
Vals RSI IndexVals AI19.1%†23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI67.4%†72.6%
安全与诚实
FORTRESSScale AI SEAL–20.1%†
DistressBenchScale AI SEAL–73.6%†

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Claude Opus 4.7:1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):2 项新结果(AA Progress Index v1, CritPt v2 hard subset (AA))。
  • Claude Opus 4.7:1 项分数修订。
  • GPT-5.6 Sol (max):1 项新结果(AA-Briefcase v1.1)。
  • Claude Opus 4.7:1 项新结果(Harvey's Legal Agent Benchmark v1)。

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-5.6 Sol:常见问题

Claude Opus 4.7 比 GPT-5.6 Sol 更好吗?
Claude Opus 4.7 与 GPT-5.6 Sol (max) 的质量不相上下(63.1 比 65.3,在 ±4.9 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-5.6 Sol 哪个更便宜?价格会变吗?
目前 GPT-5.6 Sol 更便宜:每百万 token $8.00 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-5.6 Sol 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 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-5.6 Sol 为 87.0%。
Claude Opus 4.7 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(约 2 倍;输出 100 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-5.6 Sol 更好?
两者在智能体任务方面持平(类别得分 68 比 68)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Claude Opus 4.7 为 80.2%,GPT-5.6 Sol 为 38.5%。
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-5.6 Sol 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 33.5 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-5.6 Sol 的看法一致吗?
在两者都有结果的 5 项基准测试中,Claude Opus 4.7 领先 1 项,GPT-5.6 Sol 领先 4 项。所有同时评测两者的综合评分都认为 Claude Opus 4.7 更强。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。