BenchLeader

Claude Opus 5 vs GPT-5.3-Codex

完整资料:Claude Opus 5(Anthropic)和 GPT-5.3-Codex(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,Claude Opus 5 与 GPT-5.3-Codex 的质量不相上下(BenchLeader Index 65.0 比 62.9,在 ±7.2 的误差范围内)。GPT-5.3-Codex 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)。看重多模态(67 比 61)和编程(67 比 61)选 Claude Opus 5;看重智能体与工具(80 比 64)和长上下文(66 比 64)选 GPT-5.3-Codex。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,GPT-5.3-Codex 为 62.9(BenchLeader,2026年11月16日)。
  • Claude Opus 5 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • GPT-5.3-Codex 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 10 项基准测试中,Claude Opus 5 领先 9 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 5类别得分 67 比 61;LiveCodeBench 89.0% 比 87.3%中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 64;AA-Briefcase v1.1 868 比 1654高
长文档GPT-5.3-Codex类别得分 66 比 64;AA-LCR v1.1 83.3% 比 79.3%中
图像及其他媒体Claude Opus 5类别得分 67 比 61;MMMU-Pro 84.7% 比 78.5%中
对话质量(人类偏好)–只有 Claude Opus 5 有 Arena 评分(类别得分 68)无法比较
成本最低GPT-5.3-Codex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–
首次回答最快均可首个回答 token 48.5 秒(Claude Opus 5 (max))比 38.2 秒(GPT-5.3-Codex (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 5 (max) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(65.0 比 62.9,在 ±7.2 的误差范围内)。
  • Claude Opus 5 (max) 在编程、多模态方面更强。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、长上下文方面更强。
  • GPT-5.3-Codex (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 5GPT-5.3-Codex
提供商AnthropicOpenAI
发布日期2026年7月24日2026年2月5日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Opus 5 (max)GPT-5.3-Codex (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 5 (max)GPT-5.3-Codex (xhigh)领先者
推理66.1–无法比较
编程67.061.0Claude Opus 5
智能体与工具63.880.1GPT-5.3-Codex
数学69.8–无法比较
知识65.2–无法比较
指令遵循–73.6无法比较
人类偏好68.1–无法比较
多模态67.260.8Claude Opus 5
长上下文64.366.4GPT-5.3-Codex

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编程智能体与工具长上下文多模态Claude Opus 5, 编程: 67.0Claude Opus 5, 智能体与工具: 63.8Claude Opus 5, 长上下文: 64.3Claude Opus 5, 多模态: 67.2GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8

未绘制(测得的模型少于两个):推理, 数学, 知识, 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 领先 9 项,GPT-5.3-Codex 领先 1 项。

综合 IndexClaude Opus 5 (max)GPT-5.3-Codex (xhigh)领先者
BenchLeader Index65.062.9不相上下

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 (max)GPT-5.3-Codex (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
每项基准测试任务成本(AA Index)$11.82–
每项任务输出 token(AA Index)118k–
其中推理部分73k–
每项任务耗时(AA Index)25 min–
输出速度80 tok/s94 tok/s
首次回答时间48.5 秒38.2 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 秒97.1 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 5 (max) 得分 65.0,首个回答 token 需 49 秒;Claude Opus 5 (high) 为 64.4(17 秒),Claude Opus 5 为 63.2(2 秒)。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 148 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 (max)GPT-5.3-Codex (xhigh)
BenchLeader IndexBenchLeader65.062.9
智能体与工具得分BenchLeader63.880.1
编程得分BenchLeader67.061.0
人类偏好得分BenchLeader68.1–
知识得分BenchLeader65.2–
长上下文得分BenchLeader64.366.4
数学得分BenchLeader69.8–
多模态得分BenchLeader67.260.8
推理得分BenchLeader66.1–
指令遵循得分BenchLeader–73.6
混合价格(美元/百万 token)BenchLeader$10.00$4.81
输出速度BenchLeader80 tok/s94 tok/s
首次回答时间BenchLeader48.5 秒38.2 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%–
SimpleBenchSimpleBench80.6%†–
Arena Hard PromptsArena (LMArena)1513–
LiveBench 1.0 ReasoningLiveBench91.2%–
GPQA Diamond (AA)Artificial Analysis93.2%91.5%
Humanity's Last Exam (AA)Artificial Analysis54.9%42.5%
HLE-Diamond (AA)Artificial Analysis44.8%–
GPQA Diamond (Vals)Vals AI93.4%†–
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize90.4%–
ARC-AGI-3ARC Prize30.2%†–
CritPtArtificial Analysis29.1%16.9%
CritPt v2 hard subset (AA)Artificial Analysis50.0%–
MysteryMechanismVals AI37.4%–
HLE-Diamond (Scale)Scale AI SEAL38.6%†–
Arena ExpertArena (LMArena)1530–
Chess PuzzlesEpoch AI Benchmarking Hub43.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub59.0%–
LMCAEpoch AI Benchmarking Hub63.3%–
DTBenchEpoch AI Benchmarking Hub97.6%–
ForecastBenchForecastBench66.6%–
BTF-3Epoch AI Benchmarking Hub12.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–74.8%†
SciCodeSciCode56.4%–
WeirdMLWeirdML91.8%77.9%
显示全部 148 项基准测试
指标发布方Claude Opus 5 (max)GPT-5.3-Codex (xhigh)
编程
FrontierCodeCognition53.4%–
Arena CodingArena (LMArena)1528–
Arena WebDevArena (LMArena)16911406†
LiveBench 1.0 CodingLiveBench81.5%–
LiveCodeBenchVals AI89.0%87.3%
IOIVals AI84.3%53.8%
SWE-bench (Vals)Vals AI97.0%†78.0%
Code MigrationVals AI57.5%–
ProgramBenchVals AI3.0%–
Vibe Code Bench 1-100Vals AI28.5%–
Vibe Code Bench v1.1Vals AI88.4%†61.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL63.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL62.2%†–
SWE-Bench Pro V2Scale AI SEAL99.4%†–
SWE-Bench Pro V2 HARDScale AI SEAL98.0%†–
MirrorCodeEpoch AI Benchmarking Hub87.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub73.7%–
CursorBenchCursor46.6%–
ALE-BenchEpoch AI Benchmarking Hub2164.6†1655.2
FrontierSWEEpoch AI Benchmarking Hub52.0%–
WeirdML v3WeirdML19.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis49.0%–
Terminal-Bench 2.1 (AA)Artificial Analysis89.1%–
Startrise FrontendStartrise82.3%†–
GameBench 2 OverallDuelLab GameBench 276.5†–
GameBench 2 by reasoning settingDuelLab GameBench 284.8†–
Design Arena WebsiteDesign Arena1304†1155†
FrontierCode 2.0 (AA)Artificial Analysis31.1%–
智能体与工具
Terminal-BenchTerminal-Bench52.1%78.4%†
OSWorld-Verified 2.0OSWorld31.4%–
APEX-AgentsMercor65.8%–
Arena AgentArena (LMArena)7.2–
LiveBench Agentic CodingLiveBench65.2%–
Terminal-Bench HardArtificial Analysis–53.0%
τ²-Bench Telecom (AA)Artificial Analysis–86.0%
Terminal-Bench 2.1 (Vals)Vals AI84.6%†–
MCP AtlasScale AI SEAL85.8%†–
HiL-BenchScale AI SEAL57.0%†4.3%†
τ³-bench Bankingτ²-bench48.7%–
GDPval-AA v2.1Artificial Analysis1729–
τ³-Banking (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis53.8%–
CUA-benchVals AI9.0%–
CyberBenchVals AI65.4%–
Finance Agent v2Vals AI58.6%–
Harvey's Legal Agent Benchmark v1Vals AI6.7%–
Legal Research BenchVals AI55.3%–
SkillsBenchVals AI60.4%–
SREBenchVals AI12.2%–
Tax Agent BenchVals AI47.1%–
Terminal-Bench 2.0 (Vals)Vals AI–64.0%†
Terminal-Bench 4.0 (Vals)Vals AI53.5%–
Terminal-Bench ScienceVals AI27.1%–
Time Horizon Index: KSPVals AI18.8%–
Arena SearchArena (LMArena)1213†–
Arena Agent Task CompletionArena (LMArena)10.2–
BALROGBALROG63.4%–
PostTrainBenchEpoch AI Benchmarking Hub35.7%†–
METR Time HorizonsMETR–74.5%†
GBAEvalEpoch AI Benchmarking Hub79.6%†–
Vending-Bench 2Andon Labs11181.9†5940.1†
AutomationBenchArtificial Analysis56.6%–
GDP.pdf (AA)Artificial Analysis21.6%–
EnterpriseOps-GymArtificial Analysis47.5%–
AA-Briefcase v1.1Artificial Analysis1654868
Design Arena AgenticDesign Arena1270†1018†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis28.6%–
DeepSec-Bench (AA)Artificial Analysis25.9%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub73.2%–
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%–
ProofBenchVals AI99.0%–
LiveBench MathematicsLiveBench95.7%–
Arena MathsArena (LMArena)1515–
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%–
LiveBench 1.0 Data AnalysisLiveBench74.5%–
AA-Omniscience v1.1Artificial Analysis37.6–
MMLU-ProVals AI91.6%–
LegalBenchVals AI87.0%–
CorpFinVals AI73.2%†–
TaxEvalVals AI75.1%†–
BioMysteryBenchVals AI79.3%–
Excel Modeling BenchmarkVals AI73.6%–
MedCodeVals AI63.6%–
MedScribeVals AI91.0%–
Public Benefits Bench v1.1Vals AI76.9%–
DrugDiscoveryBenchScale AI SEAL53.7%–
EBR-benchEpoch AI Benchmarking Hub45.7%–
GDP.pdfEpoch AI Benchmarking Hub24.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis60.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis40.6%–
FACTS ParametricGoogle48.8%†–
指令遵循
LiveBench LanguageLiveBench88.7%–
LiveBench Instruction FollowingLiveBench63.8%–
IFBenchArtificial Analysis–75.4%
Arena Instruction FollowingArena (LMArena)1494–
人类偏好
Arena TextArena (LMArena)1489–
EQ-Bench 4EQ-Bench1365†–
EQ-Bench Creative Writing v3EQ-Bench2135†–
Arena Creative WritingArena (LMArena)1473–
Arena Multi-turnArena (LMArena)1486–
Arena Longer QueriesArena (LMArena)1502–
多模态
Arena VisionArena (LMArena)1318†–
MMMU-ProArtificial Analysis84.7%78.5%
MMMU-Pro (Vals)Vals AI89.9%–
MortgageTaxVals AI72.1%†–
Humanity's Sixth SenseScale AI SEAL30.5%–
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†–
Furniture AssemblyEpoch AI Benchmarking Hub60.8%–
长上下文
AA-LCR v1.1Artificial Analysis79.3%83.3%
Arena DocumentArena (LMArena)1486†–
MLCRArtificial Analysis11.1%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†–
LiveBench 1.0LiveBench80.1%–
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis50.832.5
AA Progress Index v1Artificial Analysis333.7301.3
Vals RSI IndexVals AI33.0%–
Vals Science IndexVals AI47.9%–
Vals Multimodal IndexVals AI73.9%†–
安全与诚实
FORTRESSScale AI SEAL16.8%†–
DistressBenchScale AI SEAL70.2%†–

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 (max):25 项新结果(LiveCodeBench, MMLU-Pro, IOI…)。
  • Claude Opus 5 (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):BenchLeader Index 65.5 → 65.0。
  • Claude Opus 5 (max):7 项新结果(AA Intelligence Index v5.0.1, HLE-Diamond (AA), AA-Omniscience v1.1…)。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):1 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • Claude Opus 5 (max):BenchLeader Index 66.3 → 65.5。
  • Claude Opus 5 (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 5 vs GPT-5.3-Codex:常见问题

Claude Opus 5 比 GPT-5.3-Codex 更好吗?
Claude Opus 5 (max) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(65.0 比 62.9,在 ±7.2 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 5 和 GPT-5.3-Codex 哪个更便宜?价格会变吗?
目前 GPT-5.3-Codex 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 5 还是 GPT-5.3-Codex 更好?
Claude Opus 5 在编程方面得分更高(类别得分 67 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Claude Opus 5 为 89.0%,GPT-5.3-Codex 为 87.3%。
Claude Opus 5 和 GPT-5.3-Codex 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 80 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5 还是 GPT-5.3-Codex 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 64,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.3-Codex 在长上下文基准测试上得分更高(66 比 64)。Claude Opus 5 支持更长的上下文:1,000,000 token,GPT-5.3-Codex 为 400,000 token。
哪个延迟更低?
GPT-5.3-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.2 秒比 48.5 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 5 和 GPT-5.3-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 领先 9 项,GPT-5.3-Codex 领先 1 项。
Claude Opus 5 是什么时候发布的?
Claude Opus 5 于 2026年7月24日 发布。