BenchLeader

Claude Opus 5.5 vs GPT-5.2-Codex

完整资料:Claude Opus 5.5(Anthropic)和 GPT-5.2-Codex(OpenAI),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,质量上 Claude Opus 5.5 领先 GPT-5.2-Codex(BenchLeader Index 68.4 比 57.6)。不过,GPT-5.2-Codex 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $4.81 比 $8.00)。看重编程(79 比 55)选 Claude Opus 5.5;看重智能体与工具(69 比 61)选 GPT-5.2-Codex。GPT-5.2-Codex 的首次回答更快(1.5 秒 比 380.2 秒)。Claude Opus 5.5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 5.5 的 BenchLeader Index 为 68.4,GPT-5.2-Codex 为 57.6(BenchLeader,2026年11月16日)。
  • Claude Opus 5.5 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-5.2-Codex 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • Claude Opus 5.5 比 GPT-5.2-Codex 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 10 项基准测试中,Claude Opus 5.5 领先 8 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 5.5 的评分为 1815,GPT-5.2-Codex 为 1339(LMArena,截至 2026年11月16日 的公布数据)。

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 5.5类别得分 79 比 55;Arena WebDev 1815 比 1339高
智能体与工具调用GPT-5.2-Codex类别得分 69 比 61;Terminal-Bench 66.5% 比 65.8%高
成本最低GPT-5.2-Codex每百万 token 混合价格 $4.81 比 $8.00;智能体编程会话 $0.161 比 $0.320–
首次回答最快GPT-5.2-Codex首个回答 token 1.5 秒(GPT-5.2-Codex)比 380.2 秒(Claude Opus 5.5 (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 Claude Opus 5.5 (max) 领先:68.4 比 57.6。
  • Claude Opus 5.5 (max) 在编程方面更强。
  • GPT-5.2-Codex 在智能体与工具方面更强。
  • GPT-5.2-Codex 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $4.81 比 $8.00)。
  • Claude Opus 5.5 (max) 的输出速度是对方的 2.6 倍(116 比 45 token/秒)。

概览

规格Claude Opus 5.5GPT-5.2-Codex
提供商AnthropicOpenAI
发布日期2026年9月22日2025年12月18日
上下文窗口(token)1,000,000272,000
最大输出(token)128,000 (up to 300K on the Message Batches API (beta))–
输入类型文本、图像–
推理强度设置low, medium, high, xhigh, max–
对比时的配置Claude Opus 5.5 (max)GPT-5.2-Codex
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$4.00 / $20.00 / $0.200$1.75 / $14.00 / $0.175
API 模型 IDclaude-opus-5-5–
使用渠道Claude API, Amazon Bedrock, Google Cloud, Microsoft Foundry–

上限、可用性和已公布的价格均来自厂商官方页面: platform.claude.com (2026年10月20日 核实)。其余内容均来自当日数据。

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 5.5 (max)GPT-5.2-Codex领先者
推理72.1–无法比较
编程78.855.2Claude Opus 5.5
智能体与工具61.369.0GPT-5.2-Codex
数学73.2–无法比较
知识72.5–无法比较
多模态70.2–无法比较
长上下文67.1–无法比较
综合70.2–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知识长上下文多模态Claude Opus 5.5, 推理: 72.1Claude Opus 5.5, 编程: 78.8Claude Opus 5.5, 智能体与工具: 61.3Claude Opus 5.5, 数学: 73.2Claude Opus 5.5, 知识: 72.5Claude Opus 5.5, 长上下文: 67.1Claude Opus 5.5, 多模态: 70.2GPT-5.2-Codex, 编程: 55.2GPT-5.2-Codex, 智能体与工具: 69.0

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):指令遵循, 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 10 项基准测试中,Claude Opus 5.5 领先 8 项,GPT-5.2-Codex 领先 2 项。所有同时评测两者的综合评分都认为 Claude Opus 5.5 更强。

综合 IndexClaude Opus 5.5 (max)GPT-5.2-Codex领先者
BenchLeader Index68.457.6Claude Opus 5.5

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 5.5 (max)GPT-5.2-Codex
每百万 token 混合价格$8.00$4.81
每百万 token 输入 / 输出$4.00 / $20.00$1.75 / $14.00
每百万 token 缓存输入$0.200$0.175
每项任务价格:聊天回复$0.0076$0.0049
每项任务价格:总结一份 30 页的报告$0.060$0.029
每项任务价格:代码编辑$0.054$0.032
每项任务价格:智能体编程会话$0.320$0.161
每项任务价格:结构化信息提取$0.012$0.0063
智能体编程会话(输入大多命中缓存)$0.149$0.090
每项基准测试任务成本(AA Index)$10.04–
每项任务输出 token(AA Index)173k–
其中推理部分120k–
每项任务耗时(AA Index)25 min–
输出速度116 tok/s45 tok/s
首次回答时间380.2 秒1.5 秒
完整回答耗时(最近一次测量 2026年11月13日)711.4 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 5.5 (max) 得分 68.4,首个回答 token 需 380 秒;Claude Opus 5.5 (high) 为 66.0(26 秒),Claude Opus 5.5 (xhigh) 为 65.4(78 秒)。GPT-5.2-Codex 得分 57.6,首个回答 token 需 1 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 5.5 (max)GPT-5.2-Codex
BenchLeader IndexBenchLeader68.457.6
智能体与工具得分BenchLeader61.369.0
编程得分BenchLeader78.855.2
综合得分BenchLeader70.2–
知识得分BenchLeader72.5–
长上下文得分BenchLeader67.1–
数学得分BenchLeader73.2–
多模态得分BenchLeader70.2–
推理得分BenchLeader72.1–
混合价格(美元/百万 token)BenchLeader$8.00$4.81
输出速度BenchLeader116 tok/s45 tok/s
首次回答时间BenchLeader380.2 秒1.5 秒
上下文窗口BenchLeader1,000,000 token272,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.6%–
SimpleBenchSimpleBench88.4%†–
Arena Hard PromptsArena (LMArena)1530†–
LiveBench 2.0 ReasoningLiveBench92.2%–
LiveBench 1.0 ReasoningLiveBench92.2%77.7%
GPQA Diamond (AA)Artificial Analysis–89.9%†
Humanity's Last Exam (AA)Artificial Analysis61.4%35.7%†
HLE-Diamond (AA)Artificial Analysis67.9%–
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize91.7%–
CritPtArtificial Analysis31.7%8.7%†
CritPt v2 hard subset (AA)Artificial Analysis68.0%–
MysteryMechanismVals AI49.5%–
HLE-Diamond (Scale)Scale AI SEAL55.0%†–
Arena ExpertArena (LMArena)1545†–
Chess PuzzlesEpoch AI Benchmarking Hub67.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub71.0%–
LMCAEpoch AI Benchmarking Hub68.2%–
DTBenchEpoch AI Benchmarking Hub98.9%–
编程
SciCodeSciCode66.9%–
FrontierCodeCognition54.6%†–
Arena CodingArena (LMArena)1548†–
Arena WebDevArena (LMArena)18151339
LiveBench 2.0 CodingLiveBench87.1%–
LiveBench 1.0 CodingLiveBench89.3%83.6%
显示全部 173 项基准测试
指标发布方Claude Opus 5.5 (max)GPT-5.2-Codex
编程
LiveCodeBenchVals AI–88.0%
IOIVals AI95.1%–
SWE-bench (Vals)Vals AI–72.4%†
SWE-Bench ProScale AI SEAL–41.0%
SWE-bench Verified (bash only)SWE-bench–72.8%
SWE-bench Multilingual (bash only)SWE-bench–66.3%
SWE-bench Verified (any scaffold)SWE-bench–72.8%
Code MigrationVals AI66.7%–
Code Migration v1.1Vals AI81.0%–
ProgramBenchVals AI18.5%–
SWE-bench MultimodalVals AI70.2%–
Vibe Code Bench 1-100Vals AI30.4%†–
Vibe Code Bench v1.1Vals AI90.3%37.9%†
Vibe Code Bench 1-100 v1.1Vals AI30.9%–
SWE-Bench Pro (private)Scale AI SEAL–27.7%
SWE Atlas v1.1Scale AI SEAL77.4%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL77.4%†–
SWE Atlas v1.1: Test WritingScale AI SEAL77.8%†–
SWE Atlas v1.1: RefactoringScale AI SEAL77.1%†–
MirrorCodeEpoch AI Benchmarking Hub95.6%–
CursorBenchCursor57.8%–
ALE-BenchEpoch AI Benchmarking Hub2147.4†1299.9
FrontierSWEEpoch AI Benchmarking Hub62.3%–
WeirdML v3WeirdML31.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis59.6%–
Startrise FrontendStartrise80.2%†–
GameBench 2 OverallDuelLab GameBench 287.6†–
GameBench 2 by reasoning settingDuelLab GameBench 294.8†–
Design Arena WebsiteDesign Arena1326†–
FrontierCode 1.1 (AA)Artificial Analysis52.2%–
FrontierCode 2.0 (AA)Artificial Analysis46.4%–
智能体与工具
Terminal-BenchTerminal-Bench65.8%66.5%
Remote Labor IndexScale AI / CAIS21.3%†–
APEX-AgentsMercor73.5%–
Arena AgentArena (LMArena)19.5–
LiveBench Long AgenticLiveBench72.8%–
LiveBench BrowserLiveBench88.4%–
LiveBench Agentic CodingLiveBench71.7%49.4%
Terminal-Bench HardArtificial Analysis–37.1%†
τ²-Bench Telecom (AA)Artificial Analysis–92.1%†
Terminal-Bench 2.1 (Vals)Vals AI87.6%†–
MCP AtlasScale AI SEAL85.4%†–
HiL-BenchScale AI SEAL59.0%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis68.3%–
GDPval-AA v2.1Artificial Analysis1866–
ITBench SRE (AA)Artificial Analysis38.2%–
Analyst Agent (AA)Artificial Analysis56.3%–
CUA-benchVals AI14.0%–
CyberBenchVals AI55.4%–
Finance Agent v2Vals AI58.6%–
Finance Agent v2.1Vals AI67.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI9.2%–
Harvey's Legal Agent Benchmark v1Vals AI3.8%–
Legal Research BenchVals AI50.5%–
Robo-benchVals AI14.6%–
SREBenchVals AI33.6%–
Tax Agent BenchVals AI44.5%–
Terminal-Bench 4.0 (Vals)Vals AI65.2%–
Terminal-Bench ScienceVals AI47.1%–
Time Horizon Index: KSPVals AI91.3%–
Web Search IndexVals AI53.8%–
Arena SearchArena (LMArena)1213†–
Arena Agent Task CompletionArena (LMArena)20.7–
PostTrainBenchEpoch AI Benchmarking Hub43.8%–
Vending-Bench 2Andon Labs9235.3†–
SpireClimbEpoch AI Benchmarking Hub5.8%–
AutomationBenchArtificial Analysis69.5%–
GDP.pdf (AA)Artificial Analysis26.2%–
Harvey LAB-AA v1.1Harvey4.2%–
AA-Briefcase v1.1Artificial Analysis1801–
GDPxGDPx by SemiAnalysis12.0%–
Design Arena AgenticDesign Arena1339†1039
Terminal-Bench-Science 0.1 (AA)Artificial Analysis59.0%–
CWE-Bench (AA)Artificial Analysis58.3%–
DeepSec-Bench (AA)Artificial Analysis26.9%–
CyberGym end-to-end (AA)Artificial Analysis0.8%–
MKA (AA)Artificial Analysis53.0%–
FACTS SearchGoogle88.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub91.2%–
FrontierMath Tier 4Epoch AI Benchmarking Hub95.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench97.1%88.8%
ArXivMathMathArena82.6%†–
BrokenArXivMathArena77.3%†–
Arena MathsArena (LMArena)1514†–
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub72.2%–
LiveBench 2.0 Data AnalysisLiveBench80.3%–
LiveBench ResearchLiveBench88.9%–
LiveBench 1.0 Data AnalysisLiveBench80.3%78.2%
AA-Omniscience v1.1Artificial Analysis48.1–
PRBench LegalScale AI SEAL47.6%†–
BioMysteryBenchVals AI79.3%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.9%–
Excel Modeling Benchmark v1.1Vals AI75.8%–
MedCodeVals AI49.8%–
MedScribeVals AI91.4%–
Public Benefits Bench v1.1Vals AI70.6%–
Access to Justice BenchmarkVals AI73.8%–
Financial Coaching BenchVals AI76.2%–
Immigration BenchVals AI72.1%–
EBR-benchEpoch AI Benchmarking Hub71.4%–
GDP.pdfEpoch AI Benchmarking Hub30.6%–
AA-Omniscience v1.1: accuracyArtificial Analysis65.5%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis49.7%–
HealthBench Professional (AA)OpenAI59.9%–
FACTS ParametricGoogle58.7%†–
指令遵循
LiveBench LanguageLiveBench86.3%73.7%
LiveBench Instruction FollowingLiveBench65.7%66.5%
IFBenchArtificial Analysis–77.6%†
Arena Instruction FollowingArena (LMArena)1518†–
人类偏好
Arena TextArena (LMArena)1507†–
EQ-Bench 4EQ-Bench1340†–
EQ-Bench Creative Writing v3EQ-Bench2051†–
Arena Creative WritingArena (LMArena)1517†–
Arena Multi-turnArena (LMArena)1502†–
Arena Longer QueriesArena (LMArena)1520†–
多模态
Arena VisionArena (LMArena)1324†–
LiveBench DesignLiveBench83.3%–
MMMU-ProArtificial Analysis87.7%76.3%†
SAGEVals AI91.3%–
Humanity's Sixth SenseScale AI SEAL44.6%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub51.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub83.3%–
VIALS-AAHandshake AI61.5%–
Code2Video-AAArtificial Analysis1536–
AA-3DArtificial Analysis1202–
FACTS MultimodalGoogle56.4%†–
长上下文
AA-LCR v1.1Artificial Analysis84.7%82.3%†
MLCRArtificial Analysis27.8%–
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†–
LiveBench 2.0LiveBench83.4%–
LiveBench 1.0LiveBench83.2%74.0%
AA Intelligence Index v5.0.1Artificial Analysis59.1–
AA Intelligence Index v4.3.2Artificial Analysis57.628.5†
AA Progress Index v1Artificial Analysis350290.2†
Vals IndexVals AI70.1–
Vals Finance IndexVals AI65.3%–
Vals RSI IndexVals AI37.3%–
Vals Science IndexVals AI58.6%–
Vals Router IndexVals AI64.2%†–
Vals Legal IndexVals AI72.4%–
AA Cyber IndexArtificial Analysis28.7–
安全与诚实
FORTRESSScale AI SEAL5.8%–
DistressBenchScale AI SEAL75.6%†–

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 5.5 (max):38 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Claude Opus 5.5 (max):1 项新结果(PostTrainBench);1 项分数修订。
  • Claude Opus 5.5 (max):1 项新结果(MirrorCode);1 项分数修订。
  • Claude Opus 5.5 (max):BenchLeader Index 69.3 → 68.8。
  • Claude Opus 5.5 (max):2 项分数修订。
  • Claude Opus 5.5 (max):1 项分数修订。
  • Claude Opus 5.5 (max):1 项分数修订。
  • Claude Opus 5.5 (max):2 项分数修订。
  • Claude Opus 5.5 (max):2 项分数修订。
  • Claude Opus 5.5 (max):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Opus 5.5 vs GPT-5.2-Codex:常见问题

Claude Opus 5.5 比 GPT-5.2-Codex 更好吗?
质量上 Claude Opus 5.5 (max) 领先:68.4 比 57.6。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Claude Opus 5.5 (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Opus 5.5 和 GPT-5.2-Codex 哪个更便宜?价格会变吗?
目前 GPT-5.2-Codex 更便宜:每百万 token $4.81 比 $8.00(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 5.5 还是 GPT-5.2-Codex 更好?
Claude Opus 5.5 在编程方面得分更高(类别得分 79 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Opus 5.5 为 1815,GPT-5.2-Codex 为 1339。
Claude Opus 5.5 和 GPT-5.2-Codex 哪个更快?
Claude Opus 5.5 输出更快(约 2 倍;输出 116 比 45 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5.5 还是 GPT-5.2-Codex 更好?
GPT-5.2-Codex 在智能体任务方面得分更高(类别得分 69 比 61,50 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 5.5 为 65.8%,GPT-5.2-Codex 为 66.5%。
更多问题(4)
处理长文档哪个更好?
Claude Opus 5.5 支持更长的上下文:1,000,000 token,GPT-5.2-Codex 为 272,000 token。
哪个延迟更低?
GPT-5.2-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.5 秒比 380.2 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 5.5 和 GPT-5.2-Codex 的看法一致吗?
在两者都有结果的 10 项基准测试中,Claude Opus 5.5 领先 8 项,GPT-5.2-Codex 领先 2 项。所有同时评测两者的综合评分都认为 Claude Opus 5.5 更强。
Claude Opus 5.5 是什么时候发布的?
Claude Opus 5.5 于 2026年9月22日 发布。