BenchLeader

Claude Opus 4.8 vs GPT-5.6 Sol

完整资料:Claude Opus 4.8(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 12 个来源

截至 2026年11月16日,质量上 GPT-5.6 Sol 领先 Claude Opus 4.8(BenchLeader Index 65.3 比 61.1)。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)。在两者都有成绩的所有类别中,GPT-5.6 Sol 均领先。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GPT-5.6 Sol 为 65.3(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-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • 在两者都有结果的 76 项基准测试中,GPT-5.6 Sol 领先 59 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 62;SciCode 57.1% 比 53.5%中
智能体与工具调用GPT-5.6 Sol类别得分 68 比 57;Terminal-Bench 38.5% 比 23.6%高
数学GPT-5.6 Sol类别得分 70 比 68;FrontierMath Tiers 1–3 89.1% 比 80.0%中
推理均可类别得分 64 比 65;GPQA Diamond 91.0% 比 93.5%均可
知识GPT-5.6 Sol类别得分 64 比 61;SimpleQA Verified 69.7% 比 53.0%中
长文档GPT-5.6 Sol类别得分 67 比 63;AA-LCR v1.1 84.0% 比 77.7%中
指令遵循GPT-5.6 Sol类别得分 71 比 62;IFBench 72.7% 比 62.2%高
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–
首次回答最快均可首个回答 token 39.1 秒(Claude Opus 4.8 (max))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

  • 质量上 GPT-5.6 Sol (max) 领先:65.3 比 61.1。
  • GPT-5.6 Sol (max) 在智能体与工具、编程、指令遵循、知识、长上下文、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)。

概览

规格Claude Opus 4.8GPT-5.6 Sol
提供商AnthropicOpenAI
发布日期2026年5月28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 4.8 (max)GPT-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 4.8 (max)GPT-5.6 Sol (max)领先者
推理64.164.7持平
编程61.965.8GPT-5.6 Sol
智能体与工具56.967.5GPT-5.6 Sol
数学67.770.0GPT-5.6 Sol
知识61.063.8GPT-5.6 Sol
指令遵循62.171.2GPT-5.6 Sol
多模态–65.9无法比较
长上下文63.466.7GPT-5.6 Sol

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-5.6 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, 知识: 63.8GPT-5.6 Sol, 指令遵循: 71.2GPT-5.6 Sol, 长上下文: 66.7

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 76 项基准测试中,Claude Opus 4.8 领先 17 项,GPT-5.6 Sol 领先 59 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。

综合 IndexClaude Opus 4.8 (max)GPT-5.6 Sol (max)领先者
BenchLeader Index61.165.3GPT-5.6 Sol
Arena Text1482†1485GPT-5.6 Sol

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-5.6 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85 tok/s100 tok/s
首次回答时间39.1 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒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 4.8 (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-5.6 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 159 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-5.6 Sol (max)
BenchLeader IndexBenchLeader61.165.3
智能体与工具得分BenchLeader56.967.5
编程得分BenchLeader61.965.8
指令遵循得分BenchLeader62.171.2
知识得分BenchLeader61.063.8
长上下文得分BenchLeader63.466.7
数学得分BenchLeader67.770.0
推理得分BenchLeader64.164.7
多模态得分BenchLeader–65.9
混合价格(美元/百万 token)BenchLeader$10.00$8.00
输出速度BenchLeader85 tok/s100 tok/s
首次回答时间BenchLeader39.1 秒33.5 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%93.5%
SimpleBenchSimpleBench64.8%†64.8%†
Arena Hard PromptsArena (LMArena)1505†1511†
LiveBench 1.0 ReasoningLiveBench89.2%91.7%
GPQA Diamond (AA)Artificial Analysis92.0%94.1%
Humanity's Last Exam (AA)Artificial Analysis48.7%49.5%
GPQA Diamond (Vals)Vals AI92.4%95.2%
EnigmaEvalScale AI SEAL23.5%†37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†67.0%†
ARC-AGI-1ARC Prize92.5%96.5%
ARC-AGI-2ARC Prize72.1%†92.5%
ARC-AGI-3ARC Prize1.5%†7.8%
CritPtArtificial Analysis20.9%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)1514†1532†
Chess PuzzlesEpoch AI Benchmarking Hub52.0%59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%58.0%
LMCAEpoch AI Benchmarking Hub57.5%58.4%
DTBenchEpoch AI Benchmarking Hub94.9%95.5%
ForecastBenchForecastBench66.1%65.7%
BTF-3Epoch AI Benchmarking Hub14.0%†13.7%
编程
SciCodeSciCode53.5%57.1%
WeirdMLWeirdML70.5%†87.0%
显示全部 159 项基准测试
指标发布方Claude Opus 4.8 (max)GPT-5.6 Sol (max)
编程
FrontierCodeCognition46.5%†47.5%†
GSO-BenchGSO-Bench47.1%†76.5%†
Arena CodingArena (LMArena)1529†1533†
Arena WebDevArena (LMArena)1536†1615†
LiveBench 1.0 CodingLiveBench81.8%83.9%
SciCode (AA)Artificial Analysis54.4%57.1%
LiveCodeBenchVals AI87.8%82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI88.6%96.2%
Code MigrationVals AI47.3%52.9%
ProgramBenchVals AI1.0%1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI82.7%80.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL57.3%†46.0%†
SWE Atlas v1.0: RefactoringScale AI SEAL46.7%†–
SWE Atlas v1.0: Test WritingScale AI SEAL49.6%†45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub65.6%20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub1563.8†2176.9
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 249.4†67.0†
GameBench 2 by reasoning settingDuelLab GameBench 245.1†80.0†
Design Arena WebsiteDesign Arena1250†1319†
智能体与工具
Terminal-BenchTerminal-Bench23.6%38.5%
OSWorld-Verified 2.0OSWorld20.6%27.3%
Remote Labor IndexScale AI / CAIS8.3%†–
APEX-AgentsMercor48.9%51.4%†
Arena AgentArena (LMArena)–4.6†
LiveBench Agentic CodingLiveBench50.5%56.2%
Terminal-Bench HardArtificial Analysis58.3%65.9%
τ²-Bench Telecom (AA)Artificial Analysis94.4%85.1%
Terminal-Bench 2.1 (Vals)Vals AI71.9%85.8%
MCP AtlasScale AI SEAL82.2%–
HiL-BenchScale AI SEAL35.3%†32.3%†
τ³-bench Bankingτ²-bench39.7%46.9%†
GDPval-AA v2.1Artificial Analysis14611619
τ³-Banking (AA)Artificial Analysis34.2%44.3%
ITBench SRE (AA)Artificial Analysis–56.2%
Analyst Agent (AA)Artificial Analysis45.0%47.5%
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI53.9%53.8%
Harvey's Legal Agent Benchmark v1Vals AI9.6%2.5%
Legal Research BenchVals AI43.8%48.1%
SkillsBenchVals AI59.2%54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI30.0%31.1%
Terminal-Bench 2.0 (Vals)Vals AI70.0%–
Terminal-Bench 4.0 (Vals)Vals AI23.2%37.9%
Terminal-Bench ScienceVals AI4.3%20.0%
Time Horizon Index: KSPVals AI11.8%23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)1194†1255†
Arena Agent Task CompletionArena (LMArena)–2.3†
BALROGBALROG–60.0%
DeepResearch BenchDeepResearch Bench50.2%†–
PostTrainBenchEpoch AI Benchmarking Hub31.0%31.0%
GBAEvalEpoch AI Benchmarking Hub70.9%†52.6%†
Vending-Bench 2Andon Labs2992.39619.4†
AutomationBenchArtificial Analysis45.6%60.1%
GDP.pdf (AA)Artificial Analysis22.8%27.2%
EnterpriseOps-GymArtificial Analysis44.0%42.9%
AA-Briefcase v1.1Artificial Analysis13201479
Design Arena AgenticDesign Arena1226†1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%100.0%
ProofBenchVals AI69.0%83.0%
LiveBench MathematicsLiveBench94.3%96.2%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena81.3%–
Arena MathsArena (LMArena)1476†1494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%69.7%
LiveBench 1.0 Data AnalysisLiveBench66.0%79.8%
MMLU-ProVals AI89.6%89.1%
LegalBenchVals AI83.6%87.0%
CorpFinVals AI66.7%64.4%
TaxEvalVals AI75.6%74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
BioMysteryBenchVals AI–71.1%
Excel Modeling BenchmarkVals AI69.4%72.3%
MedCodeVals AI53.2%44.0%
MedScribeVals AI85.8%85.2%
Public Benefits Bench v1.1Vals AI68.1%66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL46.8%56.5%
EBR-benchEpoch AI Benchmarking Hub28.6%44.8%
GDP.pdfEpoch AI Benchmarking Hub24.0%30.7%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench79.7%87.7%
LiveBench Instruction FollowingLiveBench72.0%71.8%
IFBenchArtificial Analysis62.2%72.7%
Arena Instruction FollowingArena (LMArena)1479†1490†
人类偏好
Arena TextArena (LMArena)1474†1485†
EQ-Bench 4EQ-Bench1268†1236†
EQ-Bench Creative Writing v3EQ-Bench1840†1974†
Arena Creative WritingArena (LMArena)1464†1471†
Arena Multi-turnArena (LMArena)1493†1491†
Arena Longer QueriesArena (LMArena)1499†1498†
多模态
Arena VisionArena (LMArena)1289†1282†
MMMU-ProArtificial Analysis–83.4%
MMMU-Pro (Vals)Vals AI86.6%88.8%
MortgageTaxVals AI69.9%67.3%
Humanity's Sixth SenseScale AI SEAL23.5%30.0%
GeoBenchGeoBench81.0%†73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub42.5%56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis77.7%84.0%
Arena DocumentArena (LMArena)1476†1487†
MLCRArtificial Analysis19.4%30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†163.0†
LiveBench 1.0LiveBench76.2%81.0%
AA Intelligence Index v4.3.2Artificial Analysis41.847.0
AA Progress Index v1Artificial Analysis318.4331.5
Vals RSI IndexVals AI24.0%23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI70.9%72.6%
安全与诚实
FORTRESSScale AI SEAL18.2%20.1%†
DistressBenchScale AI SEAL71.4%†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

  • 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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.8 (max):1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):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-5.6 Sol:常见问题

GPT-5.6 Sol 比 Claude Opus 4.8 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 61.1。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Opus 4.8 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 4.8 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 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-5.6 Sol 为 82.6%。
Claude Opus 4.8 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(输出 100 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 GPT-5.6 Sol 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 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-5.6 Sol 为 38.5%。
更多问题(4)
处理长文档哪个更好?
GPT-5.6 Sol 在长上下文基准测试上得分更高(67 比 63)。两者都约为 1.1M token(Claude Opus 4.8 为 1,000,000,GPT-5.6 Sol 为 1,050,000)。
哪个延迟更低?
GPT-5.6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 33.5 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-5.6 Sol 的看法一致吗?
在两者都有结果的 76 项基准测试中,Claude Opus 4.8 领先 17 项,GPT-5.6 Sol 领先 59 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 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。