BenchLeader

Claude Opus 5 vs Grok 4.5

完整资料:Claude Opus 5(Anthropic)和 Grok 4.5(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 18 个来源

截至 2026年11月16日,质量上 Claude Opus 5 领先 Grok 4.5(BenchLeader Index 65.0 比 59.3)。不过,Grok 4.5 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.00 比 $10.00)。在两者都有成绩的所有类别中,Claude Opus 5 均领先。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,Grok 4.5 为 59.3(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 4.5 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 20 项基准测试中,Claude Opus 5 领先 19 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 5 的评分为 1691,Grok 4.5 为 1553(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 57;Arena WebDev 1691 比 1553高
智能体与工具调用Claude Opus 5类别得分 64 比 55;APEX-Agents 65.8% 比 56.2%高
数学Claude Opus 5类别得分 70 比 65;Arena Maths 1515 比 1470中
推理均可类别得分 66 比 67;Arena Hard Prompts 1513 比 1488均可
图像及其他媒体Claude Opus 5类别得分 67 比 63中
对话质量(人类偏好)Claude Opus 5Arena 投票 68 比 65中
成本最低Grok 4.5每百万 token 混合价格 $3.00 比 $10.00;智能体编程会话 $0.144 比 $0.400–
首次回答最快Grok 4.5首个回答 token 1.4 秒(Grok 4.5)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 59.3。
  • Claude Opus 5 (max) 在智能体与工具、编程、人类偏好、数学、多模态方面更强。
  • Grok 4.5 在推理方面更强。
  • Grok 4.5 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.00 比 $10.00)。
  • Claude Opus 5 (max) 的输出速度是对方的 1.6 倍(80 比 49 token/秒)。

概览

规格Claude Opus 5Grok 4.5
提供商AnthropicSpaceXAI
发布日期2026年7月24日2026年7月8日
上下文窗口(token)1,000,000500,000
对比时的配置Claude Opus 5 (max)Grok 4.5
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$2.00 / $6.00 / $0.300

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 4.5领先者
推理66.166.5持平
编程67.056.7Claude Opus 5
智能体与工具63.854.5Claude Opus 5
数学69.865.1Claude Opus 5
知识65.2–无法比较
人类偏好68.165.2Claude Opus 5
多模态67.263.1Claude Opus 5
长上下文64.3–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, 多模态: 67.2Claude Opus 5, 人类偏好: 68.1Grok 4.5, 推理: 66.5Grok 4.5, 编程: 56.7Grok 4.5, 智能体与工具: 54.5Grok 4.5, 数学: 65.1Grok 4.5, 多模态: 63.1Grok 4.5, 人类偏好: 65.2

未绘制(测得的模型少于两个):知识, 指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 20 项基准测试中,Claude Opus 5 领先 19 项,Grok 4.5 领先 1 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 4.5领先者
BenchLeader Index65.059.3Claude Opus 5
Arena Text14891466Claude 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 4.5
每百万 token 混合价格$10.00$3.00
每百万 token 输入 / 输出$5.00 / $25.00$2.00 / $6.00
每百万 token 缓存输入$0.500$0.300
每项任务价格:聊天回复$0.0095$0.0026
每项任务价格:总结一份 30 页的报告$0.075$0.028
每项任务价格:代码编辑$0.068$0.021
每项任务价格:智能体编程会话$0.400$0.144
每项任务价格:结构化信息提取$0.015$0.0052
智能体编程会话(输入大多命中缓存)$0.198$0.068
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/s49 tok/s
首次回答时间48.5 秒1.4 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 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 4.5 得分 59.3,首个回答 token 需 1 秒;Grok 4.5 (high) 为 56.8(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 145 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 4.5
BenchLeader IndexBenchLeader65.059.3
智能体与工具得分BenchLeader63.854.5
编程得分BenchLeader67.056.7
人类偏好得分BenchLeader68.165.2
知识得分BenchLeader65.2–
长上下文得分BenchLeader64.3–
数学得分BenchLeader69.865.1
多模态得分BenchLeader67.263.1
推理得分BenchLeader66.166.5
混合价格(美元/百万 token)BenchLeader$10.00$3.00
输出速度BenchLeader80 tok/s49 tok/s
首次回答时间BenchLeader48.5 秒1.4 秒
上下文窗口BenchLeader1,000,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%93.4%†
SimpleBenchSimpleBench80.6%†70.0%
Arena Hard PromptsArena (LMArena)15131488
LiveBench 1.0 ReasoningLiveBench91.2%87.2%
GPQA Diamond (AA)Artificial Analysis93.2%93.1%†
Humanity's Last Exam (AA)Artificial Analysis54.9%42.7%†
HLE-Diamond (AA)Artificial Analysis44.8%–
GPQA Diamond (Vals)Vals AI93.4%†92.9%†
Kagi LLM BenchmarkKagi LLM Benchmark–83.5%
ARC-AGI-1ARC Prize97.5%85.7%†
ARC-AGI-2ARC Prize90.4%52.6%†
ARC-AGI-3ARC Prize30.2%†0.3%†
CritPtArtificial Analysis29.1%15.4%†
CritPt v2 hard subset (AA)Artificial Analysis50.0%–
MysteryMechanismVals AI37.4%–
HLE-Diamond (Scale)Scale AI SEAL38.6%†–
Arena ExpertArena (LMArena)15301489
Chess PuzzlesEpoch AI Benchmarking Hub43.0%35.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub59.0%–
LMCAEpoch AI Benchmarking Hub63.3%45.2%†
DTBenchEpoch AI Benchmarking Hub97.6%96.5%†
ForecastBenchForecastBench66.6%65.8%†
BTF-3Epoch AI Benchmarking Hub12.0%†–
编程
SciCodeSciCode56.4%55.0%†
WeirdMLWeirdML91.8%46.4%
显示全部 145 项基准测试
指标发布方Claude Opus 5 (max)Grok 4.5
编程
FrontierCodeCognition53.4%42.4%
Arena CodingArena (LMArena)15281514
Arena WebDevArena (LMArena)16911553
LiveBench 1.0 CodingLiveBench81.5%68.6%
LiveCodeBenchVals AI89.0%87.3%†
IOIVals AI84.3%40.6%†
SWE-bench (Vals)Vals AI97.0%†86.6%†
Code MigrationVals AI57.5%36.6%†
ProgramBenchVals AI3.0%0.0%†
Vibe Code Bench 1-100Vals AI28.5%–
Vibe Code Bench v1.1Vals AI88.4%†69.0%†
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%32.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub–74.4%†
DeepSWE v1.1Epoch AI Benchmarking Hub73.7%53.8%†
CursorBenchCursor46.6%–
ALE-BenchEpoch AI Benchmarking Hub2164.6†1309.3†
FrontierSWEEpoch AI Benchmarking Hub52.0%–
WeirdML v3WeirdML19.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis49.0%10.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis89.1%81.7%†
Startrise FrontendStartrise82.3%†68.0%
GameBench 2 OverallDuelLab GameBench 276.5†56.7
GameBench 2 by reasoning settingDuelLab GameBench 284.8†61.5†
Design Arena WebsiteDesign Arena1304†1273
FrontierCode 2.0 (AA)Artificial Analysis31.1%–
智能体与工具
Terminal-BenchTerminal-Bench52.1%12.4%†
OSWorld-Verified 2.0OSWorld31.4%–
APEX-AgentsMercor65.8%56.2%
Arena AgentArena (LMArena)7.2–
LiveBench Agentic CodingLiveBench65.2%56.5%
Terminal-Bench 2.1 (Vals)Vals AI84.6%†67.8%†
MCP AtlasScale AI SEAL85.8%†–
HiL-BenchScale AI SEAL57.0%†–
τ³-bench Bankingτ²-bench48.7%47.9%†
GDPval-AA v2.1Artificial Analysis17291388†
τ³-Banking (AA)Artificial Analysis42.1%42.1%†
Analyst Agent (AA)Artificial Analysis53.8%35.0%†
CUA-benchVals AI9.0%–
CyberBenchVals AI65.4%71.0%†
Finance Agent v2Vals AI58.6%48.4%†
Harvey's Legal Agent Benchmark v1Vals AI6.7%12.9%†
Legal Research BenchVals AI55.3%38.0%†
SkillsBenchVals AI60.4%66.0%†
SREBenchVals AI12.2%0.8%†
Tax Agent BenchVals AI47.1%24.9%†
Terminal-Bench 4.0 (Vals)Vals AI53.5%8.6%†
Terminal-Bench ScienceVals AI27.1%–
Time Horizon Index: KSPVals AI18.8%6.3%†
Web Search IndexVals AI–35.5%†
Arena SearchArena (LMArena)1213†1205
Arena Agent Task CompletionArena (LMArena)10.2–
BALROGBALROG63.4%–
PostTrainBenchEpoch AI Benchmarking Hub35.7%†22.6%†
GBAEvalEpoch AI Benchmarking Hub79.6%†65.4%
Vending-Bench 2Andon Labs11181.9†3887.4
AutomationBenchArtificial Analysis56.6%57.9%†
GDP.pdf (AA)Artificial Analysis21.6%18.8%†
EnterpriseOps-GymArtificial Analysis47.5%40.8%†
AA-Briefcase v1.1Artificial Analysis16541277†
Design Arena AgenticDesign Arena1270†1221
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%57.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub73.2%24.4%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%97.8%†
ProofBenchVals AI99.0%31.0%†
LiveBench MathematicsLiveBench95.7%90.8%
Arena MathsArena (LMArena)15151470
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%48.3%†
LiveBench 1.0 Data AnalysisLiveBench74.5%73.0%
AA-Omniscience v1.1Artificial Analysis37.6–
MMLU-ProVals AI91.6%89.2%†
LegalBenchVals AI87.0%86.0%†
CorpFinVals AI73.2%†67.4%†
TaxEvalVals AI75.1%†71.7%†
BioMysteryBenchVals AI79.3%–
Excel Modeling BenchmarkVals AI73.6%52.9%†
MedCodeVals AI63.6%43.3%†
MedScribeVals AI91.0%86.9%†
Public Benefits Bench v1.1Vals AI76.9%–
DrugDiscoveryBenchScale AI SEAL53.7%–
EBR-benchEpoch AI Benchmarking Hub45.7%–
GDP.pdfEpoch AI Benchmarking Hub24.0%14.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis60.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis40.6%–
FACTS ParametricGoogle48.8%†42.5%
指令遵循
LiveBench LanguageLiveBench88.7%82.8%
LiveBench Instruction FollowingLiveBench63.8%71.5%
Arena Instruction FollowingArena (LMArena)14941462
人类偏好
Arena TextArena (LMArena)14891466
EQ-Bench 4EQ-Bench1365†–
EQ-Bench Creative Writing v3EQ-Bench2135†1576
Arena Creative WritingArena (LMArena)14731452
Arena Multi-turnArena (LMArena)14861472
Arena Longer QueriesArena (LMArena)15021480
多模态
Arena VisionArena (LMArena)1318†1288
MMMU-ProArtificial Analysis84.7%80.4%†
MMMU-Pro (Vals)Vals AI89.9%61.8%†
MortgageTaxVals AI72.1%†61.8%†
Humanity's Sixth SenseScale AI SEAL30.5%–
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†27.3%
Furniture AssemblyEpoch AI Benchmarking Hub60.8%22.5%†
长上下文
AA-LCR v1.1Artificial Analysis79.3%79.3%†
Arena DocumentArena (LMArena)1486†1466
MLCRArtificial Analysis11.1%16.1%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†155.0
LiveBench 1.0LiveBench80.1%75.8%
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis50.838.8†
AA Progress Index v1Artificial Analysis333.7312.3†
Vals RSI IndexVals AI33.0%–
Vals Science IndexVals AI47.9%–
Vals Multimodal IndexVals AI73.9%†63.4%†
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)。
  • Grok 4.5:BenchLeader Index 59.9 → 59.3。
  • 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…)。
  • Grok 4.5:1 项分数修订。
  • Grok 4.5:1 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 4.5:常见问题

Claude Opus 5 比 Grok 4.5 更好吗?
质量上 Claude Opus 5 (max) 领先:65.0 比 59.3。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 4.5 哪个更便宜?价格会变吗?
目前 Grok 4.5 更便宜:每百万 token $3.00 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 4.5 更好?
Claude Opus 5 在编程方面得分更高(类别得分 67 比 57,50 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,Grok 4.5 为 1553。
Claude Opus 5 和 Grok 4.5 哪个更快?
Claude Opus 5 输出更快(输出 80 比 49 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5 还是 Grok 4.5 更好?
Claude Opus 5 在智能体任务方面得分更高(类别得分 64 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,Claude Opus 5 为 65.8%,Grok 4.5 为 56.2%。
更多问题(4)
处理长文档哪个更好?
Claude Opus 5 支持更长的上下文:1,000,000 token,Grok 4.5 为 500,000 token。
哪个延迟更低?
Grok 4.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.4 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 4.5 的看法一致吗?
在两者都有结果的 20 项基准测试中,Claude Opus 5 领先 19 项,Grok 4.5 领先 1 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。