BenchLeader

Claude Opus 5 vs GPT-5.5

完整资料:Claude Opus 5(Anthropic)和 GPT-5.5(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,Claude Opus 5 与 GPT-5.5 的质量不相上下(BenchLeader Index 65.0 比 64.1,在 ±4.3 的误差范围内)。两者价格相近(每百万 token 混合价格 $10.00 比 $11.25)。看重编程(67 比 61)、多模态(67 比 62)和智能体与工具(64 比 62)选 Claude Opus 5;看重长上下文(67 比 64)和推理(68 比 66)选 GPT-5.5。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,GPT-5.5 为 64.1(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-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • 在两者都有结果的 64 项基准测试中,Claude Opus 5 领先 51 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 5 的评分为 1691,GPT-5.5 为 1512(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类别得分 67 比 61;Arena WebDev 1691 比 1512中
智能体与工具调用Claude Opus 5类别得分 64 比 62;τ³-Banking (AA) 42.1% 比 39.0%中
数学均可类别得分 70 比 69;FrontierMath Tiers 1–3 85.6% 比 85.3%均可
推理GPT-5.5类别得分 68 比 66;ARC-AGI-2 85.0% 比 90.4%中
知识Claude Opus 5类别得分 65 比 64;MMLU-Pro 91.6% 比 88.1%中
长文档GPT-5.5类别得分 67 比 64;AA-LCR v1.1 84.3% 比 79.3%中
图像及其他媒体Claude Opus 5类别得分 67 比 62;MMMU-Pro 84.7% 比 79.9%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
成本最低均可每百万 token 混合价格 $10.00 比 $11.25;智能体编程会话 $0.400 比 $0.420–
首次回答最快均可首个回答 token 48.5 秒(Claude Opus 5 (max))比 38.3 秒(GPT-5.5 (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-5.5 (xhigh) 的质量不相上下(65.0 比 64.1,在 ±4.3 的误差范围内)。
  • Claude Opus 5 (max) 在智能体与工具、编程、知识、数学、多模态方面更强。
  • GPT-5.5 (xhigh) 在长上下文、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $10.00)。

概览

规格Claude Opus 5GPT-5.5
提供商AnthropicOpenAI
发布日期2026年7月24日2026年4月23日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 5 (max)GPT-5.5 (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$5.00 / $30.00 / $0.500

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-5.5 (xhigh)领先者
推理66.168.1GPT-5.5
编程67.060.7Claude Opus 5
智能体与工具63.861.8Claude Opus 5
数学69.869.3持平
知识65.263.6Claude Opus 5
指令遵循–74.0无法比较
人类偏好68.1–无法比较
多模态67.262.3Claude Opus 5
长上下文64.366.9GPT-5.5

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知识长上下文多模态Claude Opus 5, 推理: 66.1Claude Opus 5, 编程: 67.0Claude Opus 5, 智能体与工具: 63.8Claude Opus 5, 数学: 69.8Claude Opus 5, 知识: 65.2Claude Opus 5, 长上下文: 64.3Claude Opus 5, 多模态: 67.2GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3

未绘制(测得的模型少于两个):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 64 项基准测试中,Claude Opus 5 领先 51 项,GPT-5.5 领先 12 项,1 项持平。所有同时评测两者的综合评分都认为 Claude Opus 5 更强。

综合 IndexClaude Opus 5 (max)GPT-5.5 (xhigh)领先者
BenchLeader Index65.064.1不相上下
Arena Text14891481†Claude Opus 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 (max)GPT-5.5 (xhigh)
每百万 token 混合价格$10.00$11.25
每百万 token 输入 / 输出$5.00 / $25.00$5.00 / $30.00
每百万 token 缓存输入$0.500$0.500
每项任务价格:聊天回复$0.0095$0.011
每项任务价格:总结一份 30 页的报告$0.075$0.078
每项任务价格:代码编辑$0.068$0.075
每项任务价格:智能体编程会话$0.400$0.420
每项任务价格:结构化信息提取$0.015$0.016
智能体编程会话(输入大多命中缓存)$0.198$0.217
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/s81 tok/s
首次回答时间48.5 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 秒104.3 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 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-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 163 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-5.5 (xhigh)
BenchLeader IndexBenchLeader65.064.1
智能体与工具得分BenchLeader63.861.8
编程得分BenchLeader67.060.7
人类偏好得分BenchLeader68.1–
知识得分BenchLeader65.263.6
长上下文得分BenchLeader64.366.9
数学得分BenchLeader69.869.3
多模态得分BenchLeader67.262.3
推理得分BenchLeader66.168.1
指令遵循得分BenchLeader–74.0
混合价格(美元/百万 token)BenchLeader$10.00$11.25
输出速度BenchLeader80 tok/s81 tok/s
首次回答时间BenchLeader48.5 秒38.3 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%90.7%†
SimpleBenchSimpleBench80.6%†69.0%†
Arena Hard PromptsArena (LMArena)15131499†
LiveBench 1.0 ReasoningLiveBench91.2%89.7%
GPQA Diamond (AA)Artificial Analysis93.2%93.5%
Humanity's Last Exam (AA)Artificial Analysis54.9%45.8%
HLE-Diamond (AA)Artificial Analysis44.8%–
GPQA Diamond (Vals)Vals AI93.4%†93.2%
Kagi LLM BenchmarkKagi LLM Benchmark–88.8%†
ARC-AGI-1ARC Prize97.5%95.0%
ARC-AGI-2ARC Prize90.4%85.0%
ARC-AGI-3ARC Prize30.2%†0.4%†
CritPtArtificial Analysis29.1%27.1%
CritPt v2 hard subset (AA)Artificial Analysis50.0%–
MysteryMechanismVals AI37.4%–
HLE-Diamond (Scale)Scale AI SEAL38.6%†–
Arena ExpertArena (LMArena)15301510†
Chess PuzzlesEpoch AI Benchmarking Hub43.0%63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub59.0%56.0%
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub63.3%54.3%
DTBenchEpoch AI Benchmarking Hub97.6%96.0%
ForecastBenchForecastBench66.6%64.2%†
BTF-3Epoch AI Benchmarking Hub12.0%†14.3%†
编程
SciCodeSciCode56.4%55.8%
显示全部 163 项基准测试
指标发布方Claude Opus 5 (max)GPT-5.5 (xhigh)
编程
WeirdMLWeirdML91.8%84.9%
FrontierCodeCognition53.4%43.0%†
GSO-BenchGSO-Bench–40.2%
Arena CodingArena (LMArena)15281510†
Arena WebDevArena (LMArena)16911512
LiveBench 1.0 CodingLiveBench81.5%82.2%
LiveCodeBenchVals AI89.0%85.3%
IOIVals AI84.3%–
SWE-bench (Vals)Vals AI97.0%†82.6%
Code MigrationVals AI57.5%45.2%
ProgramBenchVals AI3.0%0.5%
Vibe Code Bench 1-100Vals AI28.5%–
Vibe Code Bench v1.1Vals AI88.4%†69.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL63.2%†45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL62.2%†42.6%
SWE-Bench Pro V2Scale AI SEAL99.4%†–
SWE-Bench Pro V2 HARDScale AI SEAL98.0%†–
MirrorCodeEpoch AI Benchmarking Hub87.8%23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub73.7%67.0%
CursorBenchCursor46.6%–
ALE-BenchEpoch AI Benchmarking Hub2164.6†1943.0
FrontierSWEEpoch AI Benchmarking Hub52.0%–
WeirdML v3WeirdML19.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis49.0%14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis89.1%84.3%
Startrise FrontendStartrise82.3%†–
GameBench 2 OverallDuelLab GameBench 276.5†49.2†
GameBench 2 by reasoning settingDuelLab GameBench 284.8†59.9
Design Arena WebsiteDesign Arena1304†1248†
FrontierCode 2.0 (AA)Artificial Analysis31.1%–
智能体与工具
Terminal-BenchTerminal-Bench52.1%84.7%†
OSWorld-Verified 2.0OSWorld31.4%13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor65.8%55.1%†
Arena AgentArena (LMArena)7.2–
LiveBench Agentic CodingLiveBench65.2%54.0%
Terminal-Bench HardArtificial Analysis–60.6%
τ²-Bench Telecom (AA)Artificial Analysis–93.9%
Terminal-Bench 2.1 (Vals)Vals AI84.6%†57.3%†
MCP AtlasScale AI SEAL85.8%†75.3%
HiL-BenchScale AI SEAL57.0%†39.7%†
τ³-bench Bankingτ²-bench48.7%44.6%
GDPval-AA v2.1Artificial Analysis17291357
τ³-Banking (AA)Artificial Analysis42.1%39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis53.8%50.0%
APEX-Agents (AA)Artificial Analysis–37.7%
CUA-benchVals AI9.0%–
CyberBenchVals AI65.4%–
Finance Agent v2Vals AI58.6%51.8%
Harvey's Legal Agent Benchmark v1Vals AI6.7%3.8%
Legal Research BenchVals AI55.3%40.4%
SkillsBenchVals AI60.4%62.2%
SREBenchVals AI12.2%3.8%
Tax Agent BenchVals AI47.1%21.8%
Terminal-Bench 2.0 (Vals)Vals AI–73.2%†
Terminal-Bench 4.0 (Vals)Vals AI53.5%–
Terminal-Bench ScienceVals AI27.1%–
Time Horizon Index: KSPVals AI18.8%8.3%
Arena SearchArena (LMArena)1213†1226†
Arena Agent Task CompletionArena (LMArena)10.2–
BALROGBALROG63.4%–
DeepResearch BenchDeepResearch Bench–54.0%†
PostTrainBenchEpoch AI Benchmarking Hub35.7%†23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
GBAEvalEpoch AI Benchmarking Hub79.6%†53.2%†
Vending-Bench 2Andon Labs11181.9†7523.8†
AutomationBenchArtificial Analysis56.6%47.3%
GDP.pdf (AA)Artificial Analysis21.6%21.2%
EnterpriseOps-GymArtificial Analysis47.5%46.6%
AA-Briefcase v1.1Artificial Analysis16541135
Design Arena AgenticDesign Arena1270†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
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%85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub73.2%72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%84.4%†
ProofBenchVals AI99.0%50.0%
LiveBench MathematicsLiveBench95.7%95.9%
AIME 2026MathArena–100.0%
HMMT February 2026MathArena–98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena–80.2%
Arena MathsArena (LMArena)15151500†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%63.0%
LiveBench 1.0 Data AnalysisLiveBench74.5%81.6%
AA-Omniscience v1.1Artificial Analysis37.6–
MMLU-ProVals AI91.6%88.1%
LegalBenchVals AI87.0%86.5%
CorpFinVals AI73.2%†68.4%
TaxEvalVals AI75.1%†75.0%
BioMysteryBenchVals AI79.3%–
CaseLaw v2Vals AI–66.2%
Excel Modeling BenchmarkVals AI73.6%64.5%
MedCodeVals AI63.6%49.1%
MedScribeVals AI91.0%86.9%
Public Benefits Bench v1.1Vals AI76.9%60.9%
DrugDiscoveryBenchScale AI SEAL53.7%51.6%
EBR-benchEpoch AI Benchmarking Hub45.7%34.3%
GDP.pdfEpoch AI Benchmarking Hub24.0%26.0%
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%87.4%
LiveBench Instruction FollowingLiveBench63.8%70.7%
IFBenchArtificial Analysis–75.8%
Arena Instruction FollowingArena (LMArena)14941475†
人类偏好
Arena TextArena (LMArena)14891476†
EQ-Bench 4EQ-Bench1365†1295†
EQ-Bench Creative Writing v3EQ-Bench2135†1845†
Arena Creative WritingArena (LMArena)14731448†
Arena Multi-turnArena (LMArena)14861484†
Arena Longer QueriesArena (LMArena)15021486†
多模态
Arena VisionArena (LMArena)1318†1296†
MMMU-ProArtificial Analysis84.7%79.9%
MMMU-Pro (Vals)Vals AI89.9%88.3%
MortgageTaxVals AI72.1%†68.8%
Humanity's Sixth SenseScale AI SEAL30.5%–
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub60.8%44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis79.3%84.3%
Arena DocumentArena (LMArena)1486†1479†
MLCRArtificial Analysis11.1%28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†160.1†
LiveBench 1.0LiveBench80.1%80.2%
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis50.838.4
AA Progress Index v1Artificial Analysis333.7320
Vals RSI IndexVals AI33.0%16.5%
Vals Science IndexVals AI47.9%–
Vals Multimodal IndexVals AI73.9%†68.1%
安全与诚实
FORTRESSScale AI SEAL16.8%†16.3%
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)。
  • GPT-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • GPT-5.5 (xhigh):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…)。
  • GPT-5.5 (xhigh):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 5 vs GPT-5.5:常见问题

Claude Opus 5 比 GPT-5.5 更好吗?
Claude Opus 5 (max) 与 GPT-5.5 (xhigh) 的质量不相上下(65.0 比 64.1,在 ±4.3 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-5.5 哪个更便宜?价格会变吗?
目前 Claude Opus 5 更便宜:每百万 token $10.00 比 $11.25(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-5.5 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 Arena WebDev 上,Claude Opus 5 为 1691,GPT-5.5 为 1512。
Claude Opus 5 和 GPT-5.5 哪个更快?
GPT-5.5 输出更快(输出 81 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-5.5 更好?
Claude Opus 5 在智能体任务方面得分更高(类别得分 64 比 62,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,Claude Opus 5 为 42.1%,GPT-5.5 为 39.0%。
更多问题(4)
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 64)。两者都约为 1.1M token(Claude Opus 5 为 1,000,000,GPT-5.5 为 1,050,000)。
哪个延迟更低?
GPT-5.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.3 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-5.5 的看法一致吗?
在两者都有结果的 64 项基准测试中,Claude Opus 5 领先 51 项,GPT-5.5 领先 12 项,1 项持平。所有同时评测两者的综合评分都认为 Claude Opus 5 更强。
Claude Opus 5 是什么时候发布的?
Claude Opus 5 于 2026年7月24日 发布。