BenchLeader

Claude Opus 4.8 vs GPT-5

完整资料:Claude Opus 4.8(Anthropic)和 GPT-5(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,Claude Opus 4.8 与 GPT-5 的质量不相上下(BenchLeader Index 61.1 比 59.0,在 ±6.7 的误差范围内)。GPT-5 更便宜,对方的价格是它的 2.9 倍(每百万 token 混合价格 $3.44 比 $10.00)。看重推理(64 比 48)、编程(62 比 57)和数学(68 比 65)选 Claude Opus 4.8;看重指令遵循(69 比 62)、长上下文(70 比 63)和智能体与工具(58 比 57)选 GPT-5。GPT-5 的首次回答更快(22.9 秒 比 39.1 秒)。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GPT-5 为 59.0(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)。
  • GPT-5 每百万 token 混合价格为 $3.44(标价,2026年11月16日)。
  • 在两者都有结果的 14 项基准测试中,Claude Opus 4.8 领先 12 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 57中
智能体与工具调用GPT-5类别得分 58 比 57;Terminal-Bench 49.6% 比 23.6%中
数学Claude Opus 4.8类别得分 68 比 65;OTIS Mock AIME 98.3% 比 87.2%中
推理Claude Opus 4.8类别得分 64 比 48;GPQA Diamond 91.0% 比 85.3%高
长文档GPT-5类别得分 70 比 63;AA-LCR v1.1 76.0% 比 77.7%中
指令遵循GPT-5类别得分 69 比 62;IFBench 70.6% 比 62.2%中
成本最低GPT-5每百万 token 混合价格 $3.44 比 $10.00;智能体编程会话 $0.115 比 $0.400–
首次回答最快GPT-5首个回答 token 22.9 秒(GPT-5 (medium))比 39.1 秒(Claude Opus 4.8 (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 GPT-5 (medium) 的质量不相上下(61.1 比 59.0,在 ±6.7 的误差范围内)。
  • Claude Opus 4.8 (max) 在编程、数学、推理方面更强。
  • GPT-5 (medium) 在智能体与工具、指令遵循、长上下文方面更强。
  • GPT-5 (medium) 更便宜,对方的价格是它的 2.9 倍(每百万 token 混合价格 $3.44 比 $10.00)。

概览

规格Claude Opus 4.8GPT-5
提供商AnthropicOpenAI
发布日期2026年5月28日2025年8月7日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Opus 4.8 (max)GPT-5 (medium)
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$1.25 / $10.00 / $0.125

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)GPT-5 (medium)领先者
推理64.147.9Claude Opus 4.8
编程61.957.4Claude Opus 4.8
智能体与工具56.958.1GPT-5
数学67.765.4Claude Opus 4.8
知识61.0–无法比较
指令遵循62.169.4GPT-5
多模态–56.6无法比较
长上下文63.470.4GPT-5

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指令遵循长上下文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, 指令遵循: 62.1Claude Opus 4.8, 长上下文: 63.4GPT-5, 推理: 47.9GPT-5, 编程: 57.4GPT-5, 智能体与工具: 58.1GPT-5, 数学: 65.4GPT-5, 指令遵循: 69.4GPT-5, 长上下文: 70.4

未绘制(测得的模型少于两个):知识, 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 14 项基准测试中,Claude Opus 4.8 领先 12 项,GPT-5 领先 2 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)GPT-5 (medium)领先者
BenchLeader Index61.159.0不相上下
Arena Text1482†1435Claude 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)GPT-5 (medium)
每百万 token 混合价格$10.00$3.44
每百万 token 输入 / 输出$5.00 / $25.00$1.25 / $10.00
每百万 token 缓存输入$0.500$0.125
每项任务价格:聊天回复$0.0095$0.0035
每项任务价格:总结一份 30 页的报告$0.075$0.021
每项任务价格:代码编辑$0.068$0.022
每项任务价格:智能体编程会话$0.400$0.115
每项任务价格:结构化信息提取$0.015$0.0045
智能体编程会话(输入大多命中缓存)$0.198$0.064
输出速度85 tok/s82 tok/s
首次回答时间39.1 秒22.9 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒66.2 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)。GPT-5 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 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 173 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)GPT-5 (medium)
BenchLeader IndexBenchLeader61.159.0
智能体与工具得分BenchLeader56.958.1
编程得分BenchLeader61.957.4
指令遵循得分BenchLeader62.169.4
知识得分BenchLeader61.0–
长上下文得分BenchLeader63.470.4
数学得分BenchLeader67.765.4
推理得分BenchLeader64.147.9
多模态得分BenchLeader–56.6
混合价格(美元/百万 token)BenchLeader$10.00$3.44
输出速度BenchLeader85 tok/s82 tok/s
首次回答时间BenchLeader39.1 秒22.9 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%85.3%
Humanity's Last ExamScale AI / CAIS–25.3%†
SimpleBenchSimpleBench64.8%†56.7%†
Arena Hard PromptsArena (LMArena)1505†1449†
LiveBench 1.0 ReasoningLiveBench89.2%–
GPQA Diamond (AA)Artificial Analysis92.0%84.2%
Humanity's Last Exam (AA)Artificial Analysis48.7%25.4%
GPQA Diamond (Vals)Vals AI92.4%85.6%†
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†72.7%†
GPQA Diamond (HELM)HELM Capabilities–79.1%†
ARC-AGI-1ARC Prize92.5%56.2%
ARC-AGI-2ARC Prize72.1%†7.5%
ARC-AGI-3ARC Prize1.5%†–
CritPtArtificial Analysis20.9%0.0%
CritPt v2 hard subset (AA)Artificial Analysis–11.5%†
Arena ExpertArena (LMArena)1514†1445†
Chess PuzzlesEpoch AI Benchmarking Hub52.0%32.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%15.0%
LMCAEpoch AI Benchmarking Hub57.5%40.0%†
DTBenchEpoch AI Benchmarking Hub94.9%90.7%†
ForecastBenchForecastBench66.1%65.0%†
BTF-3Epoch AI Benchmarking Hub14.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–71.5%
SciCodeSciCode53.5%42.9%†
显示全部 173 项基准测试
指标发布方Claude Opus 4.8 (max)GPT-5 (medium)
编程
WeirdMLWeirdML70.5%†39.8%†
FrontierCodeCognition46.5%†–
GSO-BenchGSO-Bench47.1%†6.9%†
Arena CodingArena (LMArena)1529†1462†
Arena WebDevArena (LMArena)1536†1417
LiveBench 1.0 CodingLiveBench81.8%–
SciCode (AA)Artificial Analysis54.4%–
LiveCodeBenchVals AI87.8%85.9%†
SWE-bench (Vals)Vals AI88.6%69.0%†
SWE-Bench ProScale AI SEAL–41.8%†
Aider PolyglotAider polyglot leaderboard–86.7%
SWE-bench Verified (bash only)SWE-bench–65.0%
SWE-bench Verified (any scaffold)SWE-bench–74.4%†
Code MigrationVals AI47.3%–
ProgramBenchVals AI1.0%–
Vibe Code Bench v1.1Vals AI82.7%20.1%†
SWE-Bench Pro (private)Scale AI SEAL–14.9%†
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%†–
MirrorCodeEpoch AI Benchmarking Hub65.6%4.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%–
ALE-BenchEpoch AI Benchmarking Hub1563.8†1162.5†
AlgoTuneAlgoTune–1.7†
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%–
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%35.2%†
GameBench 2 OverallDuelLab GameBench 249.4†–
GameBench 2 by reasoning settingDuelLab GameBench 245.1†38.0
Design Arena WebsiteDesign Arena1250†1174†
LiveCodeBench (AA)Artificial Analysis–70.3%
智能体与工具
Terminal-BenchTerminal-Bench23.6%49.6%
OSWorld-Verified 2.0OSWorld20.6%–
GDPvalOpenAI–34.8%
Remote Labor IndexScale AI / CAIS8.3%†1.7%†
APEX-AgentsMercor48.9%–
LiveBench Agentic CodingLiveBench50.5%–
Terminal-Bench HardArtificial Analysis58.3%37.9%
τ²-Bench Telecom (AA)Artificial Analysis94.4%86.5%
Terminal-Bench 2.1 (Vals)Vals AI71.9%–
MCP AtlasScale AI SEAL82.2%–
HiL-BenchScale AI SEAL35.3%†–
τ³-bench Bankingτ²-bench39.7%–
GDPval-AA v2.1Artificial Analysis1461925†
τ³-Banking (AA)Artificial Analysis34.2%22.1%†
Analyst Agent (AA)Artificial Analysis45.0%–
Finance Agent v2Vals AI53.9%–
Harvey's Legal Agent Benchmark v1Vals AI9.6%–
Legal Research BenchVals AI43.8%–
Poker AgentVals AI–1103.2%†
SkillsBenchVals AI59.2%–
Tax Agent BenchVals AI30.0%–
Terminal-Bench 2.0 (Vals)Vals AI70.0%37.1%†
Terminal-Bench 4.0 (Vals)Vals AI23.2%–
Terminal-Bench ScienceVals AI4.3%–
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†1189†
BALROGBALROG–32.8%†
DeepResearch BenchDeepResearch Bench50.2%†48.6%
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
METR Time HorizonsMETR–69.6%
GBAEvalEpoch AI Benchmarking Hub70.9%†–
Vending-Bench 2Andon Labs2992.3–
AutomationBenchArtificial Analysis45.6%–
GDP.pdf (AA)Artificial Analysis22.8%–
EnterpriseOps-GymArtificial Analysis44.0%–
AA-Briefcase v1.1Artificial Analysis1320–
Design Arena AgenticDesign Arena1226†–
BrowseComp-PlusBrowseComp-Plus–57.6%†
BrowseCompOpenAI–20.1%†
DeepSearchQAGoogle–59.4%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%55.4%†
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%21.9%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%87.2%
MATH Level 5Epoch AI Benchmarking Hub–97.9%
ProofBenchVals AI69.0%18.0%†
LiveBench MathematicsLiveBench94.3%–
AIME (Vals)Vals AI–93.4%†
MGSMVals AI–92.8%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena95.5%–
IMO 2025MathArena–38.1%†
MathArena ApexMathArena81.3%1.0%†
Omni-MATH (HELM)HELM Capabilities–64.7%†
MATH 500Vals AI–96.0%†
Arena MathsArena (LMArena)1476†1411†
AIME 2025 (AA)Artificial Analysis–91.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%50.1%†
LiveBench 1.0 Data AnalysisLiveBench66.0%–
MMLU-ProVals AI89.6%86.5%†
LegalBenchVals AI83.6%86.0%†
CorpFinVals AI66.7%61.1%†
TaxEvalVals AI75.6%73.4%†
MedQAVals AI–96.3%†
PRBench FinanceScale AI SEAL–51.3%†
PRBench LegalScale AI SEAL–49.0%†
MultiNRCScale AI SEAL–52.1%†
MMLU-Pro (HELM)HELM Capabilities–86.3%†
CaseLaw v2Vals AI–66.5%†
Excel Modeling BenchmarkVals AI69.4%–
MedCodeVals AI53.2%49.6%†
MedScribeVals AI85.8%83.7%†
Public Benefits Bench v1.1Vals AI68.1%–
DrugDiscoveryBenchScale AI SEAL46.8%–
EBR-benchEpoch AI Benchmarking Hub28.6%12.7%†
GDP.pdfEpoch AI Benchmarking Hub24.0%–
Global-MMLU-Lite (AA)Artificial Analysis–90.4%
指令遵循
LiveBench LanguageLiveBench79.7%–
LiveBench Instruction FollowingLiveBench72.0%–
IFBenchArtificial Analysis62.2%70.6%
MultiChallengeScale AI SEAL–63.2%†
TutorBenchScale AI SEAL–55.3%†
IFEval (HELM)HELM Capabilities–87.5%†
WildBench (HELM)HELM Capabilities–85.7%†
Arena Instruction FollowingArena (LMArena)1479†1415†
人类偏好
Arena TextArena (LMArena)1474†1427†
EQ-Bench 4EQ-Bench1268†–
EQ-Bench Creative Writing v3EQ-Bench1840†1626†
Arena Creative WritingArena (LMArena)1464†1389†
Arena Multi-turnArena (LMArena)1493†1449†
Arena Longer QueriesArena (LMArena)1499†1435†
Lech Mazur Creative WritingLech Mazur–86.0%
多模态
Arena VisionArena (LMArena)1289†1232†
MMMU-ProArtificial Analysis–74.3%
VISTAScale AI SEAL–49.7%†
MMMU-Pro (Vals)Vals AI86.6%81.5%†
MortgageTaxVals AI69.9%65.5%†
Humanity's Sixth SenseScale AI SEAL23.5%–
VTBScale AI SEAL–17.0%†
GeoBenchGeoBench81.0%†81.0%
VPCTEpoch AI Benchmarking Hub–63.2%
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub42.5%–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis77.7%76.0%
Arena DocumentArena (LMArena)1476†–
MLCRArtificial Analysis19.4%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†150†
LiveBench 1.0LiveBench76.2%–
AA Intelligence Index v4.3.2Artificial Analysis41.822.9
AA Progress Index v1Artificial Analysis318.4264.4
HELM Capabilities meanHELM Capabilities–80.7%†
Vals RSI IndexVals AI24.0%–
Vals Multimodal IndexVals AI70.9%–
安全与诚实
FORTRESSScale AI SEAL18.2%17.0%†
MASKScale AI SEAL–79.3%†
DistressBenchScale AI SEAL71.4%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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

  • Claude Opus 4.8 (max):BenchLeader Index 60.3 → 61.1。
  • GPT-5 (medium):BenchLeader Index 58.2 → 59.0。
  • Claude Opus 4.8 (max):27 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • GPT-5 (medium):1 项新结果(Aider Polyglot)。
  • Claude Opus 4.8 (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
  • Claude Opus 4.8 (max):1 项分数修订。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。

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 GPT-5:常见问题

Claude Opus 4.8 比 GPT-5 更好吗?
Claude Opus 4.8 (max) 与 GPT-5 (medium) 的质量不相上下(61.1 比 59.0,在 ±6.7 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 GPT-5 哪个更便宜?价格会变吗?
目前 GPT-5 更便宜:每百万 token $3.44 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 GPT-5 更好?
Claude Opus 4.8 在编程方面得分更高(类别得分 62 比 57,50 为平均水平)。
Claude Opus 4.8 和 GPT-5 哪个更快?
Claude Opus 4.8 输出更快(输出 85 比 82 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.8 还是 GPT-5 更好?
GPT-5 在智能体任务方面得分更高(类别得分 58 比 57,50 为平均水平)。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%,GPT-5 为 49.6%。
更多问题(4)
处理长文档哪个更好?
GPT-5 在长上下文基准测试上得分更高(70 比 63)。Claude Opus 4.8 支持更长的上下文:1,000,000 token,GPT-5 为 400,000 token。
哪个延迟更低?
GPT-5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 22.9 秒比 39.1 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 GPT-5 的看法一致吗?
在两者都有结果的 14 项基准测试中,Claude Opus 4.8 领先 12 项,GPT-5 领先 2 项。所有同时评测两者的综合评分都认为 Claude Opus 4.8 更强。
Claude Opus 4.8 是什么时候发布的?
Claude Opus 4.8 于 2026年5月28日 发布。