BenchLeader

Claude Opus 4.8 vs GPT-5.2

完整资料:Claude Opus 4.8(Anthropic)和 GPT-5.2(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 4.8 与 GPT-5.2 的质量不相上下(BenchLeader Index 61.1 比 59.9,在 ±5.6 的误差范围内)。GPT-5.2 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $4.81 比 $10.00)。看重数学(68 比 57)、知识(61 比 56)和推理(64 比 60)选 Claude Opus 4.8;看重指令遵循(74 比 62)、长上下文(66 比 63)和编程(63 比 62)选 GPT-5.2。Claude Opus 4.8 的首次回答更快(39.1 秒 比 112.5 秒)。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GPT-5.2 为 59.9(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-5.2 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • 在两者都有结果的 36 项基准测试中,Claude Opus 4.8 领先 31 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-5.2类别得分 63 比 62;LiveCodeBench 85.4% 比 87.8%中
智能体与工具调用Claude Opus 4.8类别得分 57 比 54;MCP Atlas 82.2% 比 67.6%中
数学Claude Opus 4.8类别得分 68 比 57;FrontierMath Tiers 1–3 80.0% 比 67.4%高
推理Claude Opus 4.8类别得分 64 比 60;ARC-AGI-1 92.5% 比 86.2%中
知识Claude Opus 4.8类别得分 61 比 56;SimpleQA Verified 53.0% 比 37.1%中
长文档GPT-5.2类别得分 66 比 63;AA-LCR v1.1 82.7% 比 77.7%中
指令遵循GPT-5.2类别得分 74 比 62;IFBench 75.4% 比 62.2%高
成本最低GPT-5.2每百万 token 混合价格 $4.81 比 $10.00;智能体编程会话 $0.161 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 112.5 秒(GPT-5.2 (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 4.8 (max) 与 GPT-5.2 (xhigh) 的质量不相上下(61.1 比 59.9,在 ±5.6 的误差范围内)。
  • Claude Opus 4.8 (max) 在智能体与工具、知识、数学、推理方面更强。
  • GPT-5.2 (xhigh) 在编程、指令遵循、长上下文方面更强。
  • GPT-5.2 (xhigh) 更便宜,对方的价格是它的 2.1 倍(每百万 token 混合价格 $4.81 比 $10.00)。

概览

规格Claude Opus 4.8GPT-5.2
提供商AnthropicOpenAI
发布日期2026年5月28日2025年12月11日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Opus 4.8 (max)GPT-5.2 (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$1.75 / $14.00 / $0.175

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-5.2 (xhigh)领先者
推理64.160.4Claude Opus 4.8
编程61.963.0GPT-5.2
智能体与工具56.953.8Claude Opus 4.8
数学67.756.5Claude Opus 4.8
知识61.056.1Claude Opus 4.8
指令遵循62.173.7GPT-5.2
长上下文63.466.0GPT-5.2

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, 知识: 61.0Claude Opus 4.8, 指令遵循: 62.1Claude Opus 4.8, 长上下文: 63.4GPT-5.2, 推理: 60.4GPT-5.2, 编程: 63.0GPT-5.2, 智能体与工具: 53.8GPT-5.2, 数学: 56.5GPT-5.2, 知识: 56.1GPT-5.2, 指令遵循: 73.7GPT-5.2, 长上下文: 66.0

未绘制(测得的模型少于两个):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 36 项基准测试中,Claude Opus 4.8 领先 31 项,GPT-5.2 领先 5 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-5.2 (xhigh)领先者
BenchLeader Index61.159.9不相上下
Arena Text1482†1437Claude 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-5.2 (xhigh)
每百万 token 混合价格$10.00$4.81
每百万 token 输入 / 输出$5.00 / $25.00$1.75 / $14.00
每百万 token 缓存输入$0.500$0.175
每项任务价格:聊天回复$0.0095$0.0049
每项任务价格:总结一份 30 页的报告$0.075$0.029
每项任务价格:代码编辑$0.068$0.032
每项任务价格:智能体编程会话$0.400$0.161
每项任务价格:结构化信息提取$0.015$0.0063
智能体编程会话(输入大多命中缓存)$0.198$0.090
输出速度85 tok/s76 tok/s
首次回答时间39.1 秒112.5 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒154.4 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-5.2 (xhigh) 得分 59.9,首个回答 token 需 112 秒;GPT-5.2 为 56.7(2 秒),GPT-5.2 (medium) 为 56.2(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 158 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-5.2 (xhigh)
BenchLeader IndexBenchLeader61.159.9
智能体与工具得分BenchLeader56.953.8
编程得分BenchLeader61.963.0
指令遵循得分BenchLeader62.173.7
知识得分BenchLeader61.056.1
长上下文得分BenchLeader63.466.0
数学得分BenchLeader67.756.5
推理得分BenchLeader64.160.4
混合价格(美元/百万 token)BenchLeader$10.00$4.81
输出速度BenchLeader85 tok/s76 tok/s
首次回答时间BenchLeader39.1 秒112.5 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%91.4%
Humanity's Last ExamScale AI / CAIS–27.8%†
SimpleBenchSimpleBench64.8%†45.8%†
Arena Hard PromptsArena (LMArena)1505†1497†
LiveBench 1.0 ReasoningLiveBench89.2%83.2%†
GPQA Diamond (AA)Artificial Analysis92.0%90.3%
Humanity's Last Exam (AA)Artificial Analysis48.7%37.7%
GPQA Diamond (Vals)Vals AI92.4%91.7%
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†73.3%†
ARC-AGI-1ARC Prize92.5%86.2%
ARC-AGI-2ARC Prize72.1%†52.9%
ARC-AGI-3ARC Prize1.5%†–
CritPtArtificial Analysis20.9%11.6%
SciPredictScale AI SEAL–20.6%†
Arena ExpertArena (LMArena)1514†1491†
Chess PuzzlesEpoch AI Benchmarking Hub52.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%22.0%†
CL-benchEpoch AI Benchmarking Hub–18.2%†
LMCAEpoch AI Benchmarking Hub57.5%43.9%
DTBenchEpoch AI Benchmarking Hub94.9%90.9%
ForecastBenchForecastBench66.1%63.8%†
BTF-3Epoch AI Benchmarking Hub14.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–73.8%†
SciCodeSciCode53.5%–
显示全部 158 项基准测试
指标发布方Claude Opus 4.8 (max)GPT-5.2 (xhigh)
编程
WeirdMLWeirdML70.5%†72.2%
FrontierCodeCognition46.5%†–
GSO-BenchGSO-Bench47.1%†27.4%†
Arena CodingArena (LMArena)1529†1515†
Arena WebDevArena (LMArena)1536†1421†
LiveBench 1.0 CodingLiveBench81.8%76.1%†
SciCode (AA)Artificial Analysis54.4%–
LiveCodeBenchVals AI87.8%85.4%
SWE-bench (Vals)Vals AI88.6%75.8%
SWE-Bench ProScale AI SEAL–29.9%†
SWE-bench Verified (bash only)SWE-bench–69.0%†
SWE-bench Multilingual (bash only)SWE-bench–66.7%†
SWE-bench Verified (any scaffold)SWE-bench–72.8%†
Code MigrationVals AI47.3%–
ProgramBenchVals AI1.0%–
Vibe Code Bench v1.1Vals AI82.7%53.5%
SWE-Bench Pro (private)Scale AI SEAL–23.8%†
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%†–
MirrorCodeEpoch AI Benchmarking Hub65.6%32.2%
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%–
ALE-BenchEpoch AI Benchmarking Hub1563.8†1249.8†
AlgoTuneAlgoTune–2.0†
WeirdML v3WeirdML–5.0%
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%–
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%–
GameBench 2 OverallDuelLab GameBench 249.4†–
GameBench 2 by reasoning settingDuelLab GameBench 245.1†–
Design Arena WebsiteDesign Arena1250†1186
LiveCodeBench (AA)Artificial Analysis–88.9%
智能体与工具
Terminal-BenchTerminal-Bench23.6%64.9%†
OSWorld-Verified 2.0OSWorld20.6%–
GDPvalOpenAI–49.7%†
Remote Labor IndexScale AI / CAIS8.3%†2.1%†
APEX-AgentsMercor48.9%–
LiveBench Agentic CodingLiveBench50.5%50.3%†
Terminal-Bench HardArtificial Analysis58.3%47.0%
τ²-Bench Telecom (AA)Artificial Analysis94.4%84.8%
Terminal-Bench 2.1 (Vals)Vals AI71.9%–
MCP AtlasScale AI SEAL82.2%67.6%
HiL-BenchScale AI SEAL35.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–55.9%†
τ²-benchτ²-bench–84.8%†
τ³-bench Bankingτ²-bench39.7%32.2%†
GDPval-AA v2.1Artificial Analysis1461–
τ³-Banking (AA)Artificial Analysis34.2%11.1%†
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–1131.8%†
SkillsBenchVals AI59.2%–
Tax Agent BenchVals AI30.0%–
Terminal-Bench 2.0 (Vals)Vals AI70.0%51.7%†
Terminal-Bench 4.0 (Vals)Vals AI23.2%–
Terminal-Bench ScienceVals AI4.3%–
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†1161†
DeepResearch BenchDeepResearch Bench50.2%†41.1%†
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
METR Time HorizonsMETR–75.3%†
GBAEvalEpoch AI Benchmarking Hub70.9%†–
Vending-Bench 2Andon Labs2992.33591.3†
AutomationBenchArtificial Analysis45.6%–
GDP.pdf (AA)Artificial Analysis22.8%–
EnterpriseOps-GymArtificial Analysis44.0%–
AA-Briefcase v1.1Artificial Analysis1320–
Design Arena AgenticDesign Arena1226†1065†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%67.4%
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%31.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%96.1%
ProofBenchVals AI69.0%15.0%
LiveBench MathematicsLiveBench94.3%93.2%†
AIME (Vals)Vals AI–96.9%
MGSMVals AI–94.0%
AIME 2026MathArena100.0%98.3%†
HMMT February 2026MathArena95.5%97.0%†
MathArena ApexMathArena81.3%13.5%†
Arena MathsArena (LMArena)1476†1453†
AIME 2025 (AA)Artificial Analysis–99.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%37.1%
LiveBench 1.0 Data AnalysisLiveBench66.0%78.2%†
MMLU-ProVals AI89.6%86.2%
LegalBenchVals AI83.6%82.8%
CorpFinVals AI66.7%65.9%
TaxEvalVals AI75.6%75.8%
MedQAVals AI–94.1%
MultiNRCScale AI SEAL–42.2%†
CaseLaw v2Vals AI–66.0%
Excel Modeling BenchmarkVals AI69.4%–
MedCodeVals AI53.2%49.8%
MedScribeVals AI85.8%84.4%
Public Benefits Bench v1.1Vals AI68.1%–
DrugDiscoveryBenchScale AI SEAL46.8%29.3%
EBR-benchEpoch AI Benchmarking Hub28.6%23.0%
GDP.pdfEpoch AI Benchmarking Hub24.0%–
Global-MMLU-Lite (AA)Artificial Analysis–89.8%†
指令遵循
LiveBench LanguageLiveBench79.7%79.8%†
LiveBench Instruction FollowingLiveBench72.0%61.8%†
IFBenchArtificial Analysis62.2%75.4%
TutorBenchScale AI SEAL–53.5%†
Arena Instruction FollowingArena (LMArena)1479†1457†
人类偏好
Arena TextArena (LMArena)1474†1476†
EQ-Bench 4EQ-Bench1268†–
EQ-Bench Creative Writing v3EQ-Bench1840†1703†
Arena Creative WritingArena (LMArena)1464†1432†
Arena Multi-turnArena (LMArena)1493†1495†
Arena Longer QueriesArena (LMArena)1499†1472†
多模态
Arena VisionArena (LMArena)1289†1268†
MMMU-ProArtificial Analysis–74.6%†
VISTAScale AI SEAL–46.6%†
MMMU-Pro (Vals)Vals AI86.6%86.7%
MortgageTaxVals AI69.9%67.1%
Humanity's Sixth SenseScale AI SEAL23.5%–
GeoBenchGeoBench81.0%†–
VPCTEpoch AI Benchmarking Hub–84.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub42.5%38.3%
长上下文
AA-LCR v1.1Artificial Analysis77.7%82.7%
Arena DocumentArena (LMArena)1476†1425†
MLCRArtificial Analysis19.4%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†154.5†
LiveBench 1.0LiveBench76.2%74.6%†
AA Intelligence Index v4.3.2Artificial Analysis41.830.4
AA Progress Index v1Artificial Analysis318.4295.5
Vals RSI IndexVals AI24.0%15.8%
Vals Multimodal IndexVals AI70.9%–
安全与诚实
FORTRESSScale AI SEAL18.2%17.5%†
MASKScale AI SEAL–86.7%†
PropensityBenchScale AI SEAL–34.4%†
DistressBenchScale AI SEAL71.4%†–

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)。
  • GPT-5.2 (xhigh):1 项新结果(AIME 2025 (AA))。
  • Claude Opus 4.8 (max):1 项分数修订。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GPT-5.2 (xhigh):1 项新结果(MirrorCode)。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • Claude Opus 4.8 (max):BenchLeader Index 61.6 → 60.3。
  • Claude Opus 4.8 (max):1 项新结果(AA Progress Index 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 4.8 vs GPT-5.2:常见问题

Claude Opus 4.8 比 GPT-5.2 更好吗?
Claude Opus 4.8 (max) 与 GPT-5.2 (xhigh) 的质量不相上下(61.1 比 59.9,在 ±5.6 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 4.8 和 GPT-5.2 哪个更便宜?价格会变吗?
目前 GPT-5.2 更便宜:每百万 token $4.81 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-5.2 更好?
GPT-5.2 在编程方面得分更高(类别得分 63 比 62,50 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%,GPT-5.2 为 85.4%。
Claude Opus 4.8 和 GPT-5.2 哪个更快?
Claude Opus 4.8 输出更快(输出 85 比 76 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-5.2 更好?
Claude Opus 4.8 在智能体任务方面得分更高(类别得分 57 比 54,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,Claude Opus 4.8 为 82.2%,GPT-5.2 为 67.6%。
更多问题(4)
处理长文档哪个更好?
GPT-5.2 在长上下文基准测试上得分更高(66 比 63)。Claude Opus 4.8 支持更长的上下文:1,000,000 token,GPT-5.2 为 400,000 token。
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 112.5 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 4.8 和 GPT-5.2 的看法一致吗?
在两者都有结果的 36 项基准测试中,Claude Opus 4.8 领先 31 项,GPT-5.2 领先 5 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。