BenchLeader

Claude Opus 4.8 vs GLM 5.3

完整资料:Claude Opus 4.8(Anthropic)和 GLM 5.3(Zhipu AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,Claude Opus 4.8 与 GLM 5.3 的质量不相上下(BenchLeader Index 61.1 比 58.8,在 ±4.9 的误差范围内)。GLM 5.3 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $2.15 比 $10.00)。看重推理(64 比 55)、数学(68 比 60)和知识(61 比 54)选 Claude Opus 4.8;看重长上下文(65 比 63)选 GLM 5.3。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GLM 5.3 为 58.8(BenchLeader,2026年11月16日)。
  • Claude Opus 4.8 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • GLM 5.3 每百万 token 混合价格为 $2.15(标价,2026年11月16日)。
  • 在两者都有结果的 51 项基准测试中,Claude Opus 4.8 领先 29 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Claude Opus 4.8类别得分 62 比 60;LiveCodeBench 87.8% 比 80.5%中
智能体与工具调用均可类别得分 57 比 58;Terminal-Bench 23.6% 比 41.2%均可
数学Claude Opus 4.8类别得分 68 比 60;FrontierMath Tiers 1–3 80.0% 比 68.8%高
推理Claude Opus 4.8类别得分 64 比 55;GPQA Diamond 91.0% 比 90.9%高
知识Claude Opus 4.8类别得分 61 比 54;SimpleQA Verified 53.0% 比 41.0%高
长文档GLM 5.3类别得分 65 比 63;AA-LCR v1.1 79.7% 比 77.7%中
对话质量(人类偏好)–只有 GLM 5.3 有 Arena 评分(类别得分 67)无法比较
成本最低GLM 5.3每百万 token 混合价格 $2.15 比 $10.00;智能体编程会话 $0.102 比 $0.400–
首次回答最快Claude Opus 4.8首个回答 token 39.1 秒(Claude Opus 4.8 (max))比 57.6 秒(GLM 5.3 (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 4.8 (max) 与 GLM 5.3 (max) 的质量不相上下(61.1 比 58.8,在 ±4.9 的误差范围内)。
  • Claude Opus 4.8 (max) 在编程、知识、数学、推理方面更强。
  • GLM 5.3 (max) 在智能体与工具、长上下文方面更强。
  • GLM 5.3 (max) 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $2.15 比 $10.00)。

概览

规格Claude Opus 4.8GLM 5.3
提供商AnthropicZhipu AI
发布日期2026年5月28日2026年8月18日
上下文窗口(token)1,000,0001,000,000
对比时的配置Claude Opus 4.8 (max)GLM 5.3 (max)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $25.00 / $0.500$1.40 / $4.40 / $0.260

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 4.8 (max)GLM 5.3 (max)领先者
推理64.154.7Claude Opus 4.8
编程61.959.7Claude Opus 4.8
智能体与工具56.957.6持平
数学67.760.0Claude Opus 4.8
知识61.053.5Claude Opus 4.8
指令遵循62.1–无法比较
人类偏好–67.2无法比较
长上下文63.464.5GLM 5.3

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知识长上下文Claude Opus 4.8, 推理: 64.1Claude Opus 4.8, 编程: 61.9Claude Opus 4.8, 智能体与工具: 56.9Claude Opus 4.8, 数学: 67.7Claude Opus 4.8, 知识: 61.0Claude Opus 4.8, 长上下文: 63.4GLM 5.3, 推理: 54.7GLM 5.3, 编程: 59.7GLM 5.3, 智能体与工具: 57.6GLM 5.3, 数学: 60.0GLM 5.3, 知识: 53.5GLM 5.3, 长上下文: 64.5

未绘制(测得的模型少于两个):指令遵循, 多模态, 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 51 项基准测试中,Claude Opus 4.8 领先 29 项,GLM 5.3 领先 22 项。所有同时评测两者的综合评分都认为 Claude Opus 4.8 更强。

综合 IndexClaude Opus 4.8 (max)GLM 5.3 (max)领先者
BenchLeader Index61.158.8不相上下
Arena Text1482†1482Claude Opus 4.8

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 4.8 (max)GLM 5.3 (max)
每百万 token 混合价格$10.00$2.15
每百万 token 输入 / 输出$5.00 / $25.00$1.40 / $4.40
每百万 token 缓存输入$0.500$0.260
每项任务价格:聊天回复$0.0095$0.0019
每项任务价格:总结一份 30 页的报告$0.075$0.019
每项任务价格:代码编辑$0.068$0.015
每项任务价格:智能体编程会话$0.400$0.102
每项任务价格:结构化信息提取$0.015$0.0037
智能体编程会话(输入大多命中缓存)$0.198$0.050
每项基准测试任务成本(AA Index)–$5.01
每项任务输出 token(AA Index)–119k
其中推理部分–85k
每项任务耗时(AA Index)–23 min
输出速度85 tok/s88 tok/s
首次回答时间39.1 秒57.6 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒144.1 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 4.8 (max) 得分 61.1,首个回答 token 需 39 秒;Claude Opus 4.8 (high) 为 60.4(1 秒),Claude Opus 4.8 为 58.7(1 秒)。GLM 5.3 (max) 得分 58.8,首个回答 token 需 58 秒;GLM 5.3 (low) 为 47.3(7 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 181 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 4.8 (max)GLM 5.3 (max)
BenchLeader IndexBenchLeader61.158.8
智能体与工具得分BenchLeader56.957.6
编程得分BenchLeader61.959.7
指令遵循得分BenchLeader62.1–
知识得分BenchLeader61.053.5
长上下文得分BenchLeader63.464.5
数学得分BenchLeader67.760.0
推理得分BenchLeader64.154.7
人类偏好得分BenchLeader–67.2
混合价格(美元/百万 token)BenchLeader$10.00$2.15
输出速度BenchLeader85 tok/s88 tok/s
首次回答时间BenchLeader39.1 秒57.6 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%90.9%
SimpleBenchSimpleBench64.8%†66.2%†
Arena Hard PromptsArena (LMArena)1505†1507
LiveBench 1.0 ReasoningLiveBench89.2%85.8%†
GPQA Diamond (AA)Artificial Analysis92.0%91.7%
Humanity's Last Exam (AA)Artificial Analysis48.7%42.3%
HLE-Diamond (AA)Artificial Analysis–17.9%
GPQA Diamond (Vals)Vals AI92.4%88.1%
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%†–
ARC-AGI-3ARC Prize1.5%†–
CritPtArtificial Analysis20.9%19.1%
CritPt v2 hard subset (AA)Artificial Analysis–33.5%
MysteryMechanismVals AI–23.0%
HLE-Diamond (Scale)Scale AI SEAL–16.4%†
Arena ExpertArena (LMArena)1514†1522
Chess PuzzlesEpoch AI Benchmarking Hub52.0%37.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%33.0%
LMCAEpoch AI Benchmarking Hub57.5%55.5%†
DTBenchEpoch AI Benchmarking Hub94.9%87.7%†
ForecastBenchForecastBench66.1%–
BTF-3Epoch AI Benchmarking Hub14.0%†14.9%†
编程
SciCodeSciCode53.5%59.0%
显示全部 181 项基准测试
指标发布方Claude Opus 4.8 (max)GLM 5.3 (max)
编程
WeirdMLWeirdML70.5%†75.4%
FrontierCodeCognition46.5%†40.1%
GSO-BenchGSO-Bench47.1%†–
Arena CodingArena (LMArena)1529†1522
Arena WebDevArena (LMArena)1536†1623
LiveBench 1.0 CodingLiveBench81.8%79.0%†
SciCode (AA)Artificial Analysis54.4%59.0%
LiveCodeBenchVals AI87.8%80.5%
IOIVals AI–68.4%
SWE-bench (Vals)Vals AI88.6%95.4%
Code MigrationVals AI47.3%44.2%
Code Migration v1.1Vals AI–55.1%
ProgramBenchVals AI1.0%1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI82.7%78.1%
Vibe Code Bench 1-100 v1.1Vals AI–29.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL57.3%†–
SWE Atlas v1.0: RefactoringScale AI SEAL46.7%†–
SWE Atlas v1.0: Test WritingScale AI SEAL49.6%†–
SWE Atlas v1.1Scale AI SEAL–58.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%†
SWE Atlas v1.1: Test WritingScale AI SEAL–55.6%†
SWE Atlas v1.1: RefactoringScale AI SEAL–48.6%†
SWE-Bench Pro V2Scale AI SEAL–95.6%
SWE-Bench Pro V2 HARDScale AI SEAL–84.3%
MirrorCodeEpoch AI Benchmarking Hub65.6%–
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%69.0%
CursorBenchCursor–42.6%
ALE-BenchEpoch AI Benchmarking Hub1563.8†1317.4†
FrontierSWEEpoch AI Benchmarking Hub–30.2%
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%41.9%
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%83.9%
Startrise FrontendStartrise–73.2%†
GameBench 2 OverallDuelLab GameBench 249.4†64.6†
GameBench 2 by reasoning settingDuelLab GameBench 245.1†72.3
Design Arena WebsiteDesign Arena1250†1279†
FrontierCode 1.1 (AA)Artificial Analysis–40.1%
FrontierCode 2.0 (AA)Artificial Analysis–21.6%
智能体与工具
Terminal-BenchTerminal-Bench23.6%41.2%
OSWorld-Verified 2.0OSWorld20.6%–
Remote Labor IndexScale AI / CAIS8.3%†–
APEX-AgentsMercor48.9%56.6%†
Arena AgentArena (LMArena)–1
LiveBench Agentic CodingLiveBench50.5%60.9%†
Terminal-Bench HardArtificial Analysis58.3%–
τ²-Bench Telecom (AA)Artificial Analysis94.4%–
Terminal-Bench 2.1 (Vals)Vals AI71.9%71.5%
MCP AtlasScale AI SEAL82.2%84.2%†
HiL-BenchScale AI SEAL35.3%†58.3%†
τ³-bench Bankingτ²-bench39.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–57.5%
GDPval-AA v2.1Artificial Analysis14611655
τ³-Banking (AA)Artificial Analysis34.2%50.3%
ITBench SRE (AA)Artificial Analysis–46.1%
Analyst Agent (AA)Artificial Analysis45.0%38.8%
CyberBenchVals AI–72.1%
Finance Agent v2Vals AI53.9%55.8%
Finance Agent v2.1Vals AI–65.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–14.6%
Harvey's Legal Agent Benchmark v1Vals AI9.6%8.3%
Legal Research BenchVals AI43.8%49.0%
SkillsBenchVals AI59.2%47.5%
SREBenchVals AI–9.2%
Tax Agent BenchVals AI30.0%43.3%
Terminal-Bench 2.0 (Vals)Vals AI70.0%–
Terminal-Bench 4.0 (Vals)Vals AI23.2%38.9%
Terminal-Bench ScienceVals AI4.3%5.7%
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†–
Arena Agent Task CompletionArena (LMArena)–3.1
DeepResearch BenchDeepResearch Bench50.2%†–
PostTrainBenchEpoch AI Benchmarking Hub31.0%34.5%
GBAEvalEpoch AI Benchmarking Hub70.9%†–
Vending-Bench 2Andon Labs2992.38163.6†
AutomationBenchArtificial Analysis45.6%62.2%
GDP.pdf (AA)Artificial Analysis22.8%11.2%
Harvey LAB-AA v1.1Harvey–0.3%
EnterpriseOps-GymArtificial Analysis44.0%36.4%
AA-Briefcase v1.1Artificial Analysis13201501
GDPxGDPx by SemiAnalysis–2.7%
Design Arena AgenticDesign Arena1226†1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–9.5%
CWE-Bench (AA)Artificial Analysis–55.8%
DeepSec-Bench (AA)Artificial Analysis–24.3%
CyberGym end-to-end (AA)Artificial Analysis–29.0%
FACTS SearchGoogle–87.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%68.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%29.3%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%91.1%
ProofBenchVals AI69.0%49.0%
LiveBench MathematicsLiveBench94.3%87.9%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena81.3%–
Arena MathsArena (LMArena)1476†1501
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%41.0%
LiveBench 1.0 Data AnalysisLiveBench66.0%70.2%†
AA-Omniscience v1.1Artificial Analysis–6.0
MMLU-ProVals AI89.6%86.8%
LegalBenchVals AI83.6%84.8%
CorpFinVals AI66.7%–
TaxEvalVals AI75.6%72.4%
Excel Modeling BenchmarkVals AI69.4%56.3%
Excel Modeling Benchmark v1.1Vals AI–69.1%
MedCodeVals AI53.2%42.9%
MedScribeVals AI85.8%88.8%
Public Benefits Bench v1.1Vals AI68.1%68.5%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI–74.1%
Immigration BenchVals AI–66.7%
DrugDiscoveryBenchScale AI SEAL46.8%–
EBR-benchEpoch AI Benchmarking Hub28.6%–
GDP.pdfEpoch AI Benchmarking Hub24.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–32.3%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–61.1%
HealthBench Professional (AA)OpenAI–52.8%
FACTS ParametricGoogle–40.3%†
指令遵循
LiveBench LanguageLiveBench79.7%79.9%†
LiveBench Instruction FollowingLiveBench72.0%69.3%†
IFBenchArtificial Analysis62.2%–
Arena Instruction FollowingArena (LMArena)1479†1481
人类偏好
Arena TextArena (LMArena)1474†1482
EQ-Bench 4EQ-Bench1268†–
EQ-Bench Creative Writing v3EQ-Bench1840†2076†
Arena Creative WritingArena (LMArena)1464†1456
Arena Multi-turnArena (LMArena)1493†1482
Arena Longer QueriesArena (LMArena)1499†1488
多模态
Arena VisionArena (LMArena)1289†–
MMMU-Pro (Vals)Vals AI86.6%–
MortgageTaxVals AI69.9%–
Humanity's Sixth SenseScale AI SEAL23.5%–
GeoBenchGeoBench81.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub42.5%–
Code2Video-AAArtificial Analysis–1034
AA-3DArtificial Analysis–794
长上下文
AA-LCR v1.1Artificial Analysis77.7%79.7%
Arena DocumentArena (LMArena)1476†–
MLCRArtificial Analysis19.4%17.2%
FACTS GroundingGoogle–55.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†157.1†
LiveBench 1.0LiveBench76.2%76.1%†
AA Intelligence Index v5.0.1Artificial Analysis–31.6
AA Intelligence Index v4.3.2Artificial Analysis41.844.8
AA Progress Index v1Artificial Analysis318.4322.7
Vals IndexVals AI–59.9
Vals Finance IndexVals AI–61.4%
Vals RSI IndexVals AI24.0%22.9%
Vals Multimodal IndexVals AI70.9%–
Vals Router IndexVals AI–59.7%†
Vals Legal IndexVals AI–74.6%
AA Cyber IndexArtificial Analysis–36.4
安全与诚实
FORTRESSScale AI SEAL18.2%28.2%
DistressBenchScale AI SEAL71.4%†72.5%†
元数据
AA Openness IndexArtificial Analysis–33.3

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

  • Claude Opus 4.8 (max):BenchLeader Index 60.3 → 61.1。
  • Claude Opus 4.8 (max):27 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • Claude Opus 4.8 (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.8 (max):1 项分数修订。
  • GLM 5.3 (max):1 项新结果(PostTrainBench)。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GLM 5.3 (max):4 项分数修订。
  • GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
  • GLM 5.3 (max):价格 $0.26/M → $0.30/M。
  • GLM 5.3 (max):价格 $0.30/M → $0.26/M。

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 4.8 vs GLM 5.3:常见问题

Claude Opus 4.8 比 GLM 5.3 更好吗?
Claude Opus 4.8 (max) 与 GLM 5.3 (max) 的质量不相上下(61.1 比 58.8,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 4.8 和 GLM 5.3 哪个更便宜?价格会变吗?
目前 GLM 5.3 更便宜:每百万 token $2.15 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 4.8 还是 GLM 5.3 更好?
Claude Opus 4.8 在编程方面得分更高(类别得分 62 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Claude Opus 4.8 为 87.8%,GLM 5.3 为 80.5%。
Claude Opus 4.8 和 GLM 5.3 哪个更快?
GLM 5.3 输出更快(输出 88 比 85 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.8 还是 GLM 5.3 更好?
两者在智能体任务方面持平(类别得分 57 比 58)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Claude Opus 4.8 为 23.6%,GLM 5.3 为 41.2%。
更多问题(4)
处理长文档哪个更好?
GLM 5.3 在长上下文基准测试上得分更高(65 比 63)。两者都支持 1,000,000 token 的上下文。
哪个延迟更低?
Claude Opus 4.8 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 39.1 秒比 57.6 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 4.8 和 GLM 5.3 的看法一致吗?
在两者都有结果的 51 项基准测试中,Claude Opus 4.8 领先 29 项,GLM 5.3 领先 22 项。所有同时评测两者的综合评分都认为 Claude Opus 4.8 更强。
GLM 5.3 是什么时候发布的?
GLM 5.3 于 2026年8月18日 发布。