Claude Sonnet 5.5 vs GPT-5.2-Codex
完整资料:Claude Sonnet 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,Claude Sonnet 5.5 与 GPT-5.2-Codex 的质量不相上下(BenchLeader Index 64.2 比 57.6,在 ±10.3 的误差范围内)。Claude Sonnet 5.5 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。在两者都有成绩的所有类别中,Claude Sonnet 5.5 均领先。Claude Sonnet 5.5 输出更快(3 倍以上)。
要点(截至 2026年11月16日)
- Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,GPT-5.2-Codex 为 57.6(BenchLeader,2026年11月16日)。
- Claude Sonnet 5.5 每百万 token 混合价格为 $4.00(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 Sonnet 5.5 比 GPT-5.2-Codex 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 9 项基准测试中,Claude Sonnet 5.5 领先 6 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 Sonnet 5.5 | 类别得分 70 比 55;LiveBench 1.0 Coding 91.4% 比 83.6% | 高 |
| 智能体与工具调用 | Claude Sonnet 5.5 | 类别得分 71 比 69;Terminal-Bench 63.9% 比 66.5% | 中 |
| 成本最低 | Claude Sonnet 5.5 | 每百万 token 混合价格 $4.00 比 $4.81;智能体编程会话 $0.160 比 $0.161 | – |
| 首次回答最快 | GPT-5.2-Codex | 首个回答 token 1.5 秒(GPT-5.2-Codex)比 290.5 秒(Claude Sonnet 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
- Claude Sonnet 5.5 (max) 与 GPT-5.2-Codex 的质量不相上下(64.2 比 57.6,在 ±10.3 的误差范围内)。
- Claude Sonnet 5.5 (max) 在智能体与工具、编程方面更强。
- Claude Sonnet 5.5 (max) 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。
- Claude Sonnet 5.5 (max) 的输出速度是对方的 3.4 倍(152 比 45 token/秒)。
概览
| 规格 | Claude Sonnet 5.5 | GPT-5.2-Codex |
|---|---|---|
| 提供商 | Anthropic | OpenAI |
| 发布日期 | 2026年9月28日 | 2025年12月18日 |
| 上下文窗口(token) | 1,000,000 | 272,000 |
| 对比时的配置 | Claude Sonnet 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) | $2.00 / $10.00 / $0.100 | $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 Sonnet 5.5 (max) | GPT-5.2-Codex | 领先者 |
|---|---|---|---|
| 推理 | 67.8 | – | 无法比较 |
| 编程 | 70.2 | 55.2 | Claude Sonnet 5.5 |
| 智能体与工具 | 70.5 | 69.0 | Claude Sonnet 5.5 |
| 数学 | 71.3 | – | 无法比较 |
| 知识 | 57.4 | – | 无法比较 |
| 长上下文 | 66.0 | – | 无法比较 |
| 综合 | 63.0 | – | 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。
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, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 9 项基准测试中,Claude Sonnet 5.5 领先 6 项,GPT-5.2-Codex 领先 3 项。
| 综合 Index | Claude Sonnet 5.5 (max) | GPT-5.2-Codex | 领先者 |
|---|---|---|---|
| BenchLeader Index | 64.2 | 57.6 | 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 Sonnet 5.5 (max) | GPT-5.2-Codex |
|---|---|---|
| 每百万 token 混合价格 | $4.00 | $4.81 |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | $1.75 / $14.00 |
| 每百万 token 缓存输入 | $0.100 | $0.175 |
| 每项任务价格:聊天回复 | $0.0038 | $0.0049 |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | $0.029 |
| 每项任务价格:代码编辑 | $0.027 | $0.032 |
| 每项任务价格:智能体编程会话 | $0.160 | $0.161 |
| 每项任务价格:结构化信息提取 | $0.0060 | $0.0063 |
| 智能体编程会话(输入大多命中缓存) | $0.074 | $0.090 |
| 每项基准测试任务成本(AA Index) | $10.02 | – |
| 每项任务输出 token(AA Index) | 285k | – |
| 其中推理部分 | 206k | – |
| 每项任务耗时(AA Index) | 31 min | – |
| 输出速度 | 152 tok/s | 45 tok/s |
| 首次回答时间 | 290.5 秒 | 1.5 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 487.7 秒 | – |
每个模型都按其排名最高的推理强度设置进行对比。Claude Sonnet 5.5 (max) 得分 64.2,首个回答 token 需 291 秒;Claude Sonnet 5.5 (xhigh) 为 62.5(27 秒),Claude Sonnet 5.5 (high) 为 59.5(9 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 152 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 Sonnet 5.5 (max) | GPT-5.2-Codex |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 64.2 | 57.6 |
| 智能体与工具得分 | BenchLeader | 70.5 | 69.0 |
| 编程得分 | BenchLeader | 70.2 | 55.2 |
| 综合得分 | BenchLeader | 63.0 | – |
| 知识得分 | BenchLeader | 57.4 | – |
| 长上下文得分 | BenchLeader | 66.0 | – |
| 数学得分 | BenchLeader | 71.3 | – |
| 推理得分 | BenchLeader | 67.8 | – |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | $4.81 |
| 输出速度 | BenchLeader | 152 tok/s | 45 tok/s |
| 首次回答时间 | BenchLeader | 290.5 秒 | 1.5 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 272,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 95.6% | – |
| Humanity's Last Exam | Scale AI / CAIS | 46.1%† | – |
| SimpleBench | SimpleBench | 75.9%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1499† | – |
| LiveBench 2.0 Reasoning | LiveBench | 91.6% | – |
| LiveBench 1.0 Reasoning | LiveBench | 91.6% | 77.7% |
| GPQA Diamond (AA) | Artificial Analysis | – | 89.9%† |
| Humanity's Last Exam (AA) | Artificial Analysis | 55.0% | 35.7%† |
| HLE-Diamond (AA) | Artificial Analysis | 53.3% | – |
| ARC-AGI-1 | ARC Prize | 96.5% | – |
| ARC-AGI-2 | ARC Prize | 83.9%† | – |
| ARC-AGI-3 | ARC Prize | 72.4%† | – |
| CritPt | Artificial Analysis | 31.4% | 8.7%† |
| CritPt v2 hard subset (AA) | Artificial Analysis | 59.0% | – |
| MysteryMechanism | Vals AI | 49.1% | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 37.5%† | – |
| Arena Expert | Arena (LMArena) | 1512† | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 59.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 65.0% | – |
| LMCA | Epoch AI Benchmarking Hub | 68.3% | – |
| DTBench | Epoch AI Benchmarking Hub | 97.3% | – |
| 编程 | |||
| SciCode | SciCode | 61.0% | – |
| FrontierCode | Cognition | 52.1%† | – |
| Arena Coding | Arena (LMArena) | 1517† | – |
| Arena WebDev | Arena (LMArena) | 1772† | 1339 |
显示全部 152 项基准测试
| 指标 | 发布方 | Claude Sonnet 5.5 (max) | GPT-5.2-Codex |
|---|---|---|---|
| 编程 | |||
| LiveBench 2.0 Coding | LiveBench | 77.2% | – |
| LiveBench 1.0 Coding | LiveBench | 91.4% | 83.6% |
| LiveCodeBench | Vals AI | – | 88.0% |
| IOI | Vals AI | 83.1% | – |
| SWE-bench (Vals) | Vals AI | – | 72.4%† |
| SWE-Bench Pro | Scale 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 Migration | Vals AI | 69.8% | – |
| Code Migration v1.1 | Vals AI | 86.9% | – |
| ProgramBench | Vals AI | 6.5% | – |
| SWE-bench Multimodal | Vals AI | 58.3% | – |
| Vibe Code Bench v1.1 | Vals AI | 92.4% | 37.9%† |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 27.7% |
| SWE Atlas v1.1 | Scale AI SEAL | 68.3%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 74.2%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 67.8%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 62.9%† | – |
| SWE-Bench Pro V2 | Scale AI SEAL | 95.8%† | – |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | 70.6%† | – |
| MirrorCode | Epoch AI Benchmarking Hub | 97.8% | – |
| CursorBench | Cursor | 55.5% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1819.1† | 1299.9 |
| FrontierSWE | Epoch AI Benchmarking Hub | 61.9% | – |
| WeirdML v3 | WeirdML | 19.9%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 63.6% | – |
| Startrise Frontend | Startrise | 75.9%† | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 60.4† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 91.4† | – |
| Design Arena Website | Design Arena | 1309† | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | 45.8% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 41.7% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 63.9% | 66.5% |
| APEX-Agents | Mercor | 75.5% | – |
| Arena Agent | Arena (LMArena) | 16 | – |
| LiveBench Long Agentic | LiveBench | 63.4% | – |
| LiveBench Browser | LiveBench | 89.3% | – |
| LiveBench Agentic Coding | LiveBench | 56.3% | 49.4% |
| Terminal-Bench Hard | Artificial Analysis | – | 37.1%† |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 92.1%† |
| Terminal-Bench 2.1 (Vals) | Vals AI | 83.2%† | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 66.9% | – |
| GDPval-AA v2.1 | Artificial Analysis | 1838 | – |
| Analyst Agent (AA) | Artificial Analysis | 57.5% | – |
| CyberBench | Vals AI | 59.6% | – |
| Finance Agent v2 | Vals AI | 58.1% | – |
| Finance Agent v2.1 | Vals AI | 67.3% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 10.4% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 2.9% | – |
| Legal Research Bench | Vals AI | 48.1% | – |
| SREBench | Vals AI | 30.1% | – |
| Tax Agent Bench | Vals AI | 42.0% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 64.1% | – |
| Terminal-Bench Science | Vals AI | 47.1% | – |
| Arena Agent Task Completion | Arena (LMArena) | 19.5 | – |
| Vending-Bench 2 | Andon Labs | 11165.3† | – |
| SpireClimb | Epoch AI Benchmarking Hub | 1.3% | – |
| AutomationBench | Artificial Analysis | 71.8% | – |
| GDP.pdf (AA) | Artificial Analysis | 25.8% | – |
| Harvey LAB-AA v1.1 | Harvey | 2.8% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1816 | – |
| GDPx | GDPx by SemiAnalysis | 8.2% | – |
| Design Arena Agentic | Design Arena | 1293† | 1039 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 53.3% | – |
| MKA (AA) | Artificial Analysis | 52.0% | – |
| FACTS Search | 86.8%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 88.8% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 80.5% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | – |
| ProofBench | Vals AI | 100.0% | – |
| LiveBench Mathematics | LiveBench | 96.1% | 88.8% |
| Arena Maths | Arena (LMArena) | 1486† | – |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 2.9% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 46.5% | – |
| LiveBench 2.0 Data Analysis | LiveBench | 59.5% | – |
| LiveBench Research | LiveBench | 88.0% | – |
| LiveBench 1.0 Data Analysis | LiveBench | 59.5% | 78.2% |
| AA-Omniscience v1.1 | Artificial Analysis | 30.5 | – |
| BioMysteryBench | Vals AI | 81.1% | – |
| ClaimBench | Vals AI | 100.0% | – |
| Excel Modeling Benchmark | Vals AI | 75.7% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 75.9% | – |
| MedCode | Vals AI | 52.9% | – |
| MedScribe | Vals AI | 91.1% | – |
| Public Benefits Bench v1.1 | Vals AI | 67.2% | – |
| Access to Justice Benchmark | Vals AI | 74.9% | – |
| Financial Coaching Bench | Vals AI | 74.9% | – |
| Immigration Bench | Vals AI | 69.0% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 31.4% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 51.5% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 56.7% | – |
| HealthBench Professional (AA) | OpenAI | 63.0% | – |
| FACTS Parametric | 35.1%† | – | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 78.0% | 73.7% |
| LiveBench Instruction Following | LiveBench | 56.8% | 66.5% |
| IFBench | Artificial Analysis | – | 77.6%† |
| Arena Instruction Following | Arena (LMArena) | 1482† | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1473† | – |
| Arena Creative Writing | Arena (LMArena) | 1464† | – |
| Arena Multi-turn | Arena (LMArena) | 1469† | – |
| Arena Longer Queries | Arena (LMArena) | 1491† | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1284† | – |
| LiveBench Design | LiveBench | 81.3% | – |
| MMMU-Pro | Artificial Analysis | – | 76.3%† |
| SAGE | Vals AI | 88.0% | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 39.3%† | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 75.0% | – |
| VIALS-AA | Handshake AI | 59.6% | – |
| Code2Video-AA | Artificial Analysis | 1443 | – |
| AA-3D | Artificial Analysis | 1204 | – |
| FACTS Multimodal | 50.4%† | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.7% | 82.3%† |
| MLCR | Artificial Analysis | 41.7% | – |
| FACTS Grounding | 62.5%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 166.6† | – |
| LiveBench 2.0 | LiveBench | 77.0% | – |
| LiveBench 1.0 | LiveBench | 75.7% | 74.0% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 54.5 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 56 | 28.5† |
| AA Progress Index v1 | Artificial Analysis | 350.5 | 290.2† |
| Vals Index | Vals AI | 70.8 | – |
| Vals Finance Index | Vals AI | 64.5% | – |
| Vals Science Index | Vals AI | 59.1% | – |
| Vals Router Index | Vals AI | 69.0%† | – |
| Vals Legal Index | Vals AI | 68.0% | – |
| 安全与诚实 | |||
| DistressBench | Scale AI SEAL | 74.6%† | – |
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 Sonnet 5.5 (max):36 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
- Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
- Claude Sonnet 5.5 (max):2 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
- Claude Sonnet 5.5 (max):5 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);3 项分数修订;价格 $5.46/M → $10.02/M。
- Claude Sonnet 5.5 (max):1 项分数修订。
相关对比
- Claude Sonnet 5.5 vs Claude Fable 5.2
- Claude Sonnet 5.5 vs Gemini 4 Carbon
- Claude Sonnet 5.5 vs Claude Opus 5.5
- GPT-5.2-Codex vs Claude Opus 5.5
- GPT-5.2-Codex vs GPT-6.1 Sol
- GPT-5.2-Codex vs Claude Fable 5
- Claude Sonnet 5.5 vs GPT-5.2
- Claude Sonnet 5.5 vs Claude Fable 5.1
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 Sonnet 5.5 vs GPT-5.2-Codex:常见问题
- Claude Sonnet 5.5 比 GPT-5.2-Codex 更好吗?
- Claude Sonnet 5.5 (max) 与 GPT-5.2-Codex 的质量不相上下(64.2 比 57.6,在 ±10.3 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 Sonnet 5.5 和 GPT-5.2-Codex 哪个更便宜?价格会变吗?
- 目前 Claude Sonnet 5.5 更便宜:每百万 token $4.00 比 $4.81(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 Sonnet 5.5 还是 GPT-5.2-Codex 更好?
- Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 55,50 为平均水平)。
- Claude Sonnet 5.5 和 GPT-5.2-Codex 哪个更快?
- Claude Sonnet 5.5 输出更快(3 倍以上;输出 152 比 45 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Claude Sonnet 5.5 还是 GPT-5.2-Codex 更好?
- Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 69,50 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 Sonnet 5.5 为 63.9%,GPT-5.2-Codex 为 66.5%。
更多问题(4)
- 处理长文档哪个更好?
- Claude Sonnet 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 290.5 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 Sonnet 5.5 和 GPT-5.2-Codex 的看法一致吗?
- 在两者都有结果的 9 项基准测试中,Claude Sonnet 5.5 领先 6 项,GPT-5.2-Codex 领先 3 项。
- Claude Sonnet 5.5 是什么时候发布的?
- Claude Sonnet 5.5 于 2026年9月28日 发布。