BenchLeader

Claude Opus 5 vs Grok 4

完整资料:Claude Opus 5(Anthropic)和 Grok 4(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 17 个来源

截至 2026年11月16日,质量上 Claude Opus 5 领先 Grok 4(BenchLeader Index 65.0 比 58.1)。不过,Grok 4 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $6.00 比 $10.00)。看重多模态(67 比 52)、数学(70 比 58)和编程(67 比 56)选 Claude Opus 5;看重长上下文(68 比 64)选 Grok 4。Grok 4 的首次回答更快(17.5 秒 比 48.5 秒)。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,Grok 4 为 58.1(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)。
  • Grok 4 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • 在两者都有结果的 26 项基准测试中,Claude Opus 5 领先 26 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 56;LiveCodeBench 89.0% 比 83.3%高
智能体与工具调用Claude Opus 5类别得分 64 比 59;Terminal-Bench 52.1% 比 27.2%中
数学Claude Opus 5类别得分 70 比 58;Arena Maths 1515 比 1425高
推理Claude Opus 5类别得分 66 比 60;GPQA Diamond 93.9% 比 87.0%中
知识Claude Opus 5类别得分 65 比 56;MMLU-Pro 91.6% 比 85.3%高
长文档Grok 4类别得分 68 比 64;AA-LCR v1.1 68.0% 比 79.3%中
图像及其他媒体Claude Opus 5类别得分 67 比 52;MMMU-Pro 84.7% 比 68.8%高
对话质量(人类偏好)Claude Opus 5Arena 投票 68 比 59高
成本最低Grok 4每百万 token 混合价格 $6.00 比 $10.00;智能体编程会话 $0.240 比 $0.400–
首次回答最快Grok 4首个回答 token 17.5 秒(Grok 4)比 48.5 秒(Claude Opus 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 (max) 领先:65.0 比 58.1。
  • Claude Opus 5 (max) 在智能体与工具、编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Grok 4 在长上下文方面更强。
  • Grok 4 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $6.00 比 $10.00)。

概览

规格Claude Opus 5Grok 4
提供商AnthropicSpaceXAI
发布日期2026年7月24日2025年7月9日
上下文窗口(token)1,000,000256,000
对比时的配置Claude Opus 5 (max)Grok 4
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$3.00 / $15.00 / –

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)Grok 4领先者
推理66.160.0Claude Opus 5
编程67.055.9Claude Opus 5
智能体与工具63.858.6Claude Opus 5
数学69.858.3Claude Opus 5
知识65.256.0Claude Opus 5
指令遵循–62.5无法比较
人类偏好68.158.5Claude Opus 5
多模态67.252.0Claude Opus 5
长上下文64.368.3Grok 4

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人类偏好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: 67.2Claude Opus 5, 人类偏好: 68.1Grok 4, 推理: 60.0Grok 4, 编程: 55.9Grok 4, 智能体与工具: 58.6Grok 4, 数学: 58.3Grok 4, 知识: 56.0Grok 4, 长上下文: 68.3Grok 4, 多模态: 52.0Grok 4, 人类偏好: 58.5

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 26 项基准测试中,Claude Opus 5 领先 26 项,Grok 4 领先 0 项。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)Grok 4领先者
BenchLeader Index65.058.1Claude Opus 5
Arena Text14891411Claude 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)Grok 4
每百万 token 混合价格$10.00$6.00
每百万 token 输入 / 输出$5.00 / $25.00$3.00 / $15.00
每百万 token 缓存输入$0.500–
每项任务价格:聊天回复$0.0095$0.0057
每项任务价格:总结一份 30 页的报告$0.075$0.045
每项任务价格:代码编辑$0.068$0.041
每项任务价格:智能体编程会话$0.400$0.240
每项任务价格:结构化信息提取$0.015$0.0090
智能体编程会话(输入大多命中缓存)$0.198–
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/s69 tok/s
首次回答时间48.5 秒17.5 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 秒42.8 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)。Grok 4 得分 58.1,首个回答 token 需 18 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 (max)Grok 4
BenchLeader IndexBenchLeader65.058.1
智能体与工具得分BenchLeader63.858.6
编程得分BenchLeader67.055.9
人类偏好得分BenchLeader68.158.5
知识得分BenchLeader65.256.0
长上下文得分BenchLeader64.368.3
数学得分BenchLeader69.858.3
多模态得分BenchLeader67.252.0
推理得分BenchLeader66.160.0
指令遵循得分BenchLeader–62.5
混合价格(美元/百万 token)BenchLeader$10.00$6.00
输出速度BenchLeader80 tok/s69 tok/s
首次回答时间BenchLeader48.5 秒17.5 秒
上下文窗口BenchLeader1,000,000 token256,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%87.0%
SimpleBenchSimpleBench80.6%†60.5%
Arena Hard PromptsArena (LMArena)15131421
LiveBench 1.0 ReasoningLiveBench91.2%–
GPQA Diamond (AA)Artificial Analysis93.2%87.7%
Humanity's Last Exam (AA)Artificial Analysis54.9%26.7%
HLE-Diamond (AA)Artificial Analysis44.8%–
GPQA Diamond (Vals)Vals AI93.4%†88.1%
Kagi LLM BenchmarkKagi LLM Benchmark–73.6%
GPQA Diamond (HELM)HELM Capabilities–72.6%
ARC-AGI-1ARC Prize97.5%66.7%†
ARC-AGI-2ARC Prize90.4%16.0%†
ARC-AGI-3ARC Prize30.2%†–
CritPtArtificial Analysis29.1%2.0%
CritPt v2 hard subset (AA)Artificial Analysis50.0%–
MysteryMechanismVals AI37.4%–
HLE-Diamond (Scale)Scale AI SEAL38.6%†–
Arena ExpertArena (LMArena)15301429
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%64.7%
BTF-3Epoch AI Benchmarking Hub12.0%†–
编程
SciCodeSciCode56.4%–
显示全部 173 项基准测试
指标发布方Claude Opus 5 (max)Grok 4
编程
WeirdMLWeirdML91.8%45.7%
FrontierCodeCognition53.4%–
Arena CodingArena (LMArena)15281435
Arena WebDevArena (LMArena)1691–
LiveBench 1.0 CodingLiveBench81.5%–
LiveCodeBenchVals AI89.0%83.3%
IOIVals AI84.3%–
SWE-bench (Vals)Vals AI97.0%†57.8%
Aider PolyglotAider polyglot leaderboard–79.6%†
Code MigrationVals AI57.5%–
ProgramBenchVals AI3.0%–
Vibe Code Bench 1-100Vals AI28.5%–
Vibe Code Bench v1.1Vals AI88.4%†–
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†–
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†1006
FrontierCode 2.0 (AA)Artificial Analysis31.1%–
LiveCodeBench (AA)Artificial Analysis–81.9%
智能体与工具
Terminal-BenchTerminal-Bench52.1%27.2%
OSWorld-Verified 2.0OSWorld31.4%–
GDPvalOpenAI–21.1%†
CybenchCybench–43.0%
APEX-AgentsMercor65.8%–
Arena AgentArena (LMArena)7.2–
LiveBench Agentic CodingLiveBench65.2%–
Terminal-Bench HardArtificial Analysis–37.9%
τ²-Bench Telecom (AA)Artificial Analysis–74.8%
Terminal-Bench 2.1 (Vals)Vals AI84.6%†–
MCP AtlasScale AI SEAL85.8%†–
HiL-BenchScale AI SEAL57.0%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
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–28.1%
Terminal-Bench 4.0 (Vals)Vals AI53.5%–
Terminal-Bench ScienceVals AI27.1%–
Time Horizon Index: KSPVals AI18.8%–
Arena SearchArena (LMArena)1213†1123
Arena Agent Task CompletionArena (LMArena)10.2–
BALROGBALROG63.4%43.6%
DeepResearch BenchDeepResearch Bench–47.3%
PostTrainBenchEpoch AI Benchmarking Hub35.7%†–
METR Time HorizonsMETR–66.6%
GBAEvalEpoch AI Benchmarking Hub79.6%†–
Vending-Bench 2Andon Labs11181.9†–
AutomationBenchArtificial Analysis56.6%–
GDP.pdf (AA)Artificial Analysis21.6%–
EnterpriseOps-GymArtificial Analysis47.5%–
AA-Briefcase v1.1Artificial Analysis1654–
Design Arena AgenticDesign Arena1270†–
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%84.0%
ProofBenchVals AI99.0%–
LiveBench MathematicsLiveBench95.7%–
AIME (Vals)Vals AI–90.6%
MGSMVals AI–90.9%
IMO 2025MathArena–21.4%
MathArena ApexMathArena–2.1%
Omni-MATH (HELM)HELM Capabilities–60.3%
MATH 500Vals AI–96.2%
Arena MathsArena (LMArena)15151425
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
AIME 2025 (AA)Artificial Analysis–92.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%–
LiveBench 1.0 Data AnalysisLiveBench74.5%–
AA-Omniscience v1.1Artificial Analysis37.6–
MMLU-ProVals AI91.6%85.3%
LegalBenchVals AI87.0%83.2%
CorpFinVals AI73.2%†66.0%
TaxEvalVals AI75.1%†65.1%
MedQAVals AI–92.5%
MMLU-Pro (HELM)HELM Capabilities–85.1%
BioMysteryBenchVals AI79.3%–
CaseLaw v2Vals AI–65.8%
Excel Modeling BenchmarkVals AI73.6%–
MedCodeVals AI63.6%38.1%
MedScribeVals AI91.0%78.2%
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%–
Global-MMLU-Lite (AA)Artificial Analysis–89.5%
FACTS ParametricGoogle48.8%†–
指令遵循
LiveBench LanguageLiveBench88.7%–
LiveBench Instruction FollowingLiveBench63.8%–
IFBenchArtificial Analysis–53.7%
IFEval (HELM)HELM Capabilities–94.9%
WildBench (HELM)HELM Capabilities–79.7%
Arena Instruction FollowingArena (LMArena)14941396
人类偏好
Arena TextArena (LMArena)14891411
EQ-Bench 4EQ-Bench1365†–
EQ-Bench Creative Writing v3EQ-Bench2135†–
Arena Creative WritingArena (LMArena)14731394
Arena Multi-turnArena (LMArena)14861413
Arena Longer QueriesArena (LMArena)15021416
Lech Mazur Creative WritingLech Mazur–76.9%
多模态
Arena VisionArena (LMArena)1318†1210
MMMU-ProArtificial Analysis84.7%68.8%
MMMU-Pro (Vals)Vals AI89.9%76.3%
MortgageTaxVals AI72.1%†44.5%
Humanity's Sixth SenseScale AI SEAL30.5%–
GeoBenchGeoBench–45.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†–
Furniture AssemblyEpoch AI Benchmarking Hub60.8%–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis79.3%68.0%
Arena DocumentArena (LMArena)1486†–
MLCRArtificial Analysis11.1%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†146.9
LiveBench 1.0LiveBench80.1%–
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis50.822.5
AA Progress Index v1Artificial Analysis333.7262.3
HELM Capabilities meanHELM Capabilities–78.5%
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%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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 (max):25 项新结果(LiveCodeBench, MMLU-Pro, IOI…)。
  • Claude Opus 5 (max):1 项新结果(GDPval-AA v2.1)。
  • Grok 4:1 项新结果(AIME 2025 (AA))。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):BenchLeader Index 65.5 → 65.0。
  • Grok 4:1 项新结果(Arena Search)。
  • Claude Opus 5 (max):7 项新结果(AA Intelligence Index v5.0.1, HLE-Diamond (AA), AA-Omniscience v1.1…)。
  • Grok 4:1 项分数修订。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (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 5 vs Grok 4:常见问题

Claude Opus 5 比 Grok 4 更好吗?
质量上 Claude Opus 5 (max) 领先:65.0 比 58.1。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Claude Opus 5 (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Opus 5 和 Grok 4 哪个更便宜?价格会变吗?
目前 Grok 4 更便宜:每百万 token $6.00 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 5 还是 Grok 4 更好?
Claude Opus 5 在编程方面得分更高(类别得分 67 比 56,50 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%,Grok 4 为 83.3%。
Claude Opus 5 和 Grok 4 哪个更快?
Claude Opus 5 输出更快(输出 80 比 69 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5 还是 Grok 4 更好?
Claude Opus 5 在智能体任务方面得分更高(类别得分 64 比 59,50 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 为 52.1%,Grok 4 为 27.2%。
更多问题(4)
处理长文档哪个更好?
Grok 4 在长上下文基准测试上得分更高(68 比 64)。Claude Opus 5 支持更长的上下文:1,000,000 token,Grok 4 为 256,000 token。
哪个延迟更低?
Grok 4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 17.5 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 Grok 4 的看法一致吗?
在两者都有结果的 26 项基准测试中,Claude Opus 5 领先 26 项,Grok 4 领先 0 项。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。