BenchLeader

Claude Sonnet 5.5 vs GPT-5.3-Codex

完整资料:Claude Sonnet 5.5(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 11 个来源

截至 2026年11月16日,Claude Sonnet 5.5 与 GPT-5.3-Codex 的质量不相上下(BenchLeader Index 64.2 比 62.9,在 ±7.4 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)。看重编程(70 比 61)选 Claude Sonnet 5.5;看重智能体与工具(80 比 71)选 GPT-5.3-Codex。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 290.5 秒)。Claude Sonnet 5.5 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,GPT-5.3-Codex 为 62.9(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-5.3-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-5.3-Codex 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 7 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 61;IOI 83.1% 比 53.8%高
智能体与工具调用GPT-5.3-Codex类别得分 80 比 71;AA-Briefcase v1.1 868 比 1816高
长文档均可类别得分 66 比 66;AA-LCR v1.1 82.7% 比 83.3%均可
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-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))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-5.3-Codex (xhigh) 的质量不相上下(64.2 比 62.9,在 ±7.4 的误差范围内)。
  • Claude Sonnet 5.5 (max) 在编程方面更强。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、长上下文方面更强。
  • 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 1.6 倍(152 比 94 token/秒)。

概览

规格Claude Sonnet 5.5GPT-5.3-Codex
提供商AnthropicOpenAI
发布日期2026年9月28日2026年2月5日
上下文窗口(token)1,000,000400,000
对比时的配置Claude Sonnet 5.5 (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)$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-5.3-Codex (xhigh)领先者
推理67.8–无法比较
编程70.261.0Claude Sonnet 5.5
智能体与工具70.580.1GPT-5.3-Codex
数学71.3–无法比较
知识57.4–无法比较
指令遵循–73.6无法比较
多模态–60.8无法比较
长上下文66.066.4持平
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。

2550 avg75编程智能体与工具长上下文Claude Sonnet 5.5, 编程: 70.2Claude Sonnet 5.5, 智能体与工具: 70.5Claude Sonnet 5.5, 长上下文: 66.0GPT-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: 66.4

未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 多模态, 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 7 项基准测试中,Claude Sonnet 5.5 领先 6 项,GPT-5.3-Codex 领先 1 项。

综合 IndexClaude Sonnet 5.5 (max)GPT-5.3-Codex (xhigh)领先者
BenchLeader Index64.262.9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 Sonnet 5.5 (max)GPT-5.3-Codex (xhigh)
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/s94 tok/s
首次回答时间290.5 秒38.2 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 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 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-5.3-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 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-5.3-Codex (xhigh)
BenchLeader IndexBenchLeader64.262.9
智能体与工具得分BenchLeader70.580.1
编程得分BenchLeader70.261.0
综合得分BenchLeader63.0–
知识得分BenchLeader57.4–
长上下文得分BenchLeader66.066.4
数学得分BenchLeader71.3–
推理得分BenchLeader67.8–
指令遵循得分BenchLeader–73.6
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$4.00$4.81
输出速度BenchLeader152 tok/s94 tok/s
首次回答时间BenchLeader290.5 秒38.2 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%–
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†–
Arena Hard PromptsArena (LMArena)1499†–
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%–
GPQA Diamond (AA)Artificial Analysis–91.5%
Humanity's Last Exam (AA)Artificial Analysis55.0%42.5%
HLE-Diamond (AA)Artificial Analysis53.3%–
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize83.9%†–
ARC-AGI-3ARC Prize72.4%†–
CritPtArtificial Analysis31.4%16.9%
CritPt v2 hard subset (AA)Artificial Analysis59.0%–
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†–
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%–
LMCAEpoch AI Benchmarking Hub68.3%–
DTBenchEpoch AI Benchmarking Hub97.3%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–74.8%†
SciCodeSciCode61.0%–
WeirdMLWeirdML–77.9%
FrontierCodeCognition52.1%†–
显示全部 152 项基准测试
指标发布方Claude Sonnet 5.5 (max)GPT-5.3-Codex (xhigh)
编程
Arena CodingArena (LMArena)1517†–
Arena WebDevArena (LMArena)1772†1406†
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%–
LiveCodeBenchVals AI–87.3%
IOIVals AI83.1%53.8%
SWE-bench (Vals)Vals AI–78.0%
Code MigrationVals AI69.8%–
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%–
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%61.8%
SWE Atlas v1.1Scale AI SEAL68.3%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL74.2%†–
SWE Atlas v1.1: Test WritingScale AI SEAL67.8%†–
SWE Atlas v1.1: RefactoringScale AI SEAL62.9%†–
SWE-Bench Pro V2Scale AI SEAL95.8%†–
SWE-Bench Pro V2 HARDScale AI SEAL70.6%†–
MirrorCodeEpoch AI Benchmarking Hub97.8%–
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†1655.2
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%–
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†–
GameBench 2 by reasoning settingDuelLab GameBench 291.4†–
Design Arena WebsiteDesign Arena1309†1155†
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%–
智能体与工具
Terminal-BenchTerminal-Bench63.9%78.4%†
APEX-AgentsMercor75.5%–
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%–
Terminal-Bench HardArtificial Analysis–53.0%
τ²-Bench Telecom (AA)Artificial Analysis–86.0%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†–
HiL-BenchScale AI SEAL–4.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis1838–
Analyst Agent (AA)Artificial Analysis57.5%–
CyberBenchVals AI59.6%–
Finance Agent v2Vals AI58.1%–
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%–
Legal Research BenchVals AI48.1%–
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%–
Terminal-Bench 2.0 (Vals)Vals AI–64.0%†
Terminal-Bench 4.0 (Vals)Vals AI64.1%–
Terminal-Bench ScienceVals AI47.1%–
Arena Agent Task CompletionArena (LMArena)19.5–
METR Time HorizonsMETR–74.5%†
Vending-Bench 2Andon Labs11165.3†5940.1†
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%–
GDP.pdf (AA)Artificial Analysis25.8%–
Harvey LAB-AA v1.1Harvey2.8%–
AA-Briefcase v1.1Artificial Analysis1816868
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1018†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%–
MKA (AA)Artificial Analysis52.0%–
FACTS SearchGoogle86.8%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench96.1%–
Arena MathsArena (LMArena)1486†–
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%–
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%–
AA-Omniscience v1.1Artificial Analysis30.5–
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%–
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%–
MedScribeVals AI91.1%–
Public Benefits Bench v1.1Vals AI67.2%–
Access to Justice BenchmarkVals AI74.9%–
Financial Coaching BenchVals AI74.9%–
Immigration BenchVals AI69.0%–
GDP.pdfEpoch AI Benchmarking Hub31.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%–
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†–
指令遵循
LiveBench LanguageLiveBench78.0%–
LiveBench Instruction FollowingLiveBench56.8%–
IFBenchArtificial Analysis–75.4%
Arena Instruction FollowingArena (LMArena)1482†–
人类偏好
Arena TextArena (LMArena)1473†–
Arena Creative WritingArena (LMArena)1464†–
Arena Multi-turnArena (LMArena)1469†–
Arena Longer QueriesArena (LMArena)1491†–
多模态
Arena VisionArena (LMArena)1284†–
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–78.5%
SAGEVals AI88.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†–
Furniture AssemblyEpoch AI Benchmarking Hub75.0%–
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†–
长上下文
AA-LCR v1.1Artificial Analysis82.7%83.3%
MLCRArtificial Analysis41.7%–
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†–
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%–
AA Intelligence Index v5.0.1Artificial Analysis54.5–
AA Intelligence Index v4.3.2Artificial Analysis5632.5
AA Progress Index v1Artificial Analysis350.5301.3
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals Science IndexVals AI59.1%–
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
安全与诚实
DistressBenchScale AI SEAL74.6%†–

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)。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • 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。

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-5.3-Codex:常见问题

Claude Sonnet 5.5 比 GPT-5.3-Codex 更好吗?
Claude Sonnet 5.5 (max) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(64.2 比 62.9,在 ±7.4 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-5.3-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-5.3-Codex 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 IOI 上,Claude Sonnet 5.5 为 83.1%,GPT-5.3-Codex 为 53.8%。
Claude Sonnet 5.5 和 GPT-5.3-Codex 哪个更快?
Claude Sonnet 5.5 输出更快(约 1.5 倍;输出 152 比 94 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-5.3-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 71,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。Claude Sonnet 5.5 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 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-5.3-Codex 的看法一致吗?
在两者都有结果的 7 项基准测试中,Claude Sonnet 5.5 领先 6 项,GPT-5.3-Codex 领先 1 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。