BenchLeader

Claude Sonnet 5.5 vs GPT-5.4

完整资料:Claude Sonnet 5.5(Anthropic)和 GPT-5.4(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-5.4 的质量不相上下(BenchLeader Index 64.2 比 63.1,在 ±3.7 的误差范围内)。Claude Sonnet 5.5 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。看重智能体与工具(71 比 63)、数学(71 比 65)和编程(70 比 65)选 Claude Sonnet 5.5;看重知识(59 比 57)选 GPT-5.4。GPT-5.4 的首次回答更快(144.9 秒 比 290.5 秒)。Claude Sonnet 5.5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,GPT-5.4 为 63.1(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-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 GPT-5.4 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 33 项基准测试中,Claude Sonnet 5.5 领先 29 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 65;SciCode 61.0% 比 56.6%中
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 63;LiveBench Agentic Coding 56.3% 比 53.8%高
数学Claude Sonnet 5.5类别得分 71 比 65;FrontierMath Tiers 1–3 88.8% 比 78.6%中
推理Claude Sonnet 5.5类别得分 68 比 66;GPQA Diamond 95.6% 比 93.3%中
知识GPT-5.4类别得分 59 比 57;SimpleQA Verified 45.1% 比 46.5%中
长文档均可类别得分 66 比 66;AA-LCR v1.1 82.7% 比 82.0%均可
成本最低Claude Sonnet 5.5每百万 token 混合价格 $4.00 比 $5.63;智能体编程会话 $0.160 比 $0.210–
首次回答最快GPT-5.4首个回答 token 144.9 秒(GPT-5.4 (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-5.4 (xhigh) 的质量不相上下(64.2 比 63.1,在 ±3.7 的误差范围内)。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、长上下文、数学、推理方面更强。
  • GPT-5.4 (xhigh) 在知识方面更强。
  • Claude Sonnet 5.5 (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。
  • Claude Sonnet 5.5 (max) 的输出速度是对方的 2.1 倍(152 比 73 token/秒)。

概览

规格Claude Sonnet 5.5GPT-5.4
提供商AnthropicOpenAI
发布日期2026年9月28日2026年3月5日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Sonnet 5.5 (max)GPT-5.4 (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$2.50 / $15.00 / $0.250

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-5.4 (xhigh)领先者
推理67.865.7Claude Sonnet 5.5
编程70.264.7Claude Sonnet 5.5
智能体与工具70.563.0Claude Sonnet 5.5
数学71.364.8Claude Sonnet 5.5
知识57.458.6GPT-5.4
指令遵循–72.4无法比较
多模态–60.8无法比较
长上下文66.065.7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推理编程智能体与工具数学知识长上下文Claude Sonnet 5.5, 推理: 67.8Claude Sonnet 5.5, 编程: 70.2Claude Sonnet 5.5, 智能体与工具: 70.5Claude Sonnet 5.5, 数学: 71.3Claude Sonnet 5.5, 知识: 57.4Claude Sonnet 5.5, 长上下文: 66.0GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7

未绘制(测得的模型少于两个):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 33 项基准测试中,Claude Sonnet 5.5 领先 29 项,GPT-5.4 领先 4 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。

综合 IndexClaude Sonnet 5.5 (max)GPT-5.4 (xhigh)领先者
BenchLeader Index64.263.1不相上下
Arena Text1473†1475GPT-5.4

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-5.4 (xhigh)
每百万 token 混合价格$4.00$5.63
每百万 token 输入 / 输出$2.00 / $10.00$2.50 / $15.00
每百万 token 缓存输入$0.100$0.250
每项任务价格:聊天回复$0.0038$0.0055
每项任务价格:总结一份 30 页的报告$0.030$0.039
每项任务价格:代码编辑$0.027$0.037
每项任务价格:智能体编程会话$0.160$0.210
每项任务价格:结构化信息提取$0.0060$0.0080
智能体编程会话(输入大多命中缓存)$0.074$0.109
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/s73 tok/s
首次回答时间290.5 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒193.1 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-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 201 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-5.4 (xhigh)
BenchLeader IndexBenchLeader64.263.1
智能体与工具得分BenchLeader70.563.0
编程得分BenchLeader70.264.7
综合得分BenchLeader63.0–
知识得分BenchLeader57.458.6
长上下文得分BenchLeader66.065.7
数学得分BenchLeader71.364.8
推理得分BenchLeader67.865.7
指令遵循得分BenchLeader–72.4
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$4.00$5.63
输出速度BenchLeader152 tok/s73 tok/s
首次回答时间BenchLeader290.5 秒144.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%93.3%
Humanity's Last ExamScale AI / CAIS46.1%†36.2%
SimpleBenchSimpleBench75.9%†–
Arena Hard PromptsArena (LMArena)1499†1487†
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%88.1%
GPQA Diamond (AA)Artificial Analysis–92.0%
Humanity's Last Exam (AA)Artificial Analysis55.0%43.7%
HLE-Diamond (AA)Artificial Analysis53.3%–
GPQA Diamond (Vals)Vals AI–91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize96.5%93.7%
ARC-AGI-2ARC Prize83.9%†74.0%
ARC-AGI-3ARC Prize72.4%†0.2%†
CritPtArtificial Analysis31.4%23.4%
CritPt v2 hard subset (AA)Artificial Analysis59.0%–
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1491†
Chess PuzzlesEpoch AI Benchmarking Hub59.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub68.3%52.0%
DTBenchEpoch AI Benchmarking Hub97.3%94.4%
显示全部 201 项基准测试
指标发布方Claude Sonnet 5.5 (max)GPT-5.4 (xhigh)
推理
ForecastBenchForecastBench–63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
SciCodeSciCode61.0%56.6%
WeirdMLWeirdML–77.7%
FrontierCodeCognition52.1%†–
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)1517†1511†
Arena WebDevArena (LMArena)1772†1400†
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%77.5%
SciCode (AA)Artificial Analysis61.0%–
LiveCodeBenchVals AI–84.1%
IOIVals AI83.1%–
SWE-bench (Vals)Vals AI–78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI69.8%35.0%
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%0.0%
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%67.4%
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
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%23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†1607†
AlgoTuneAlgoTune–1.9†
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†53.4†
GameBench 2 by reasoning settingDuelLab GameBench 291.4†62.1
Design Arena WebsiteDesign Arena1309†1190†
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%–
智能体与工具
Terminal-BenchTerminal-Bench63.9%81.8%†
APEX-AgentsMercor75.5%52.4%†
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†–
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL–9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381256
τ³-Banking (AA)Artificial Analysis–39.6%
Analyst Agent (AA)Artificial Analysis57.5%–
APEX-Agents (AA)Artificial Analysis–33.3%
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%0.0%
Legal Research BenchVals AI48.1%–
SkillsBenchVals AI–51.7%
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI64.1%–
Terminal-Bench ScienceVals AI47.1%–
Arena SearchArena (LMArena)–1196†
Arena Agent Task CompletionArena (LMArena)19.5–
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs11165.3†6144.2†
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%–
GDP.pdf (AA)Artificial Analysis25.8%–
Harvey LAB-AA v1.1Harvey2.8%–
AA-Briefcase v1.1Artificial Analysis1816–
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1042†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%–
MKA (AA)Artificial Analysis52.0%–
DeepSearchQAGoogle–63.7%†
FACTS SearchGoogle86.8%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%95.3%
ProofBenchVals AI100.0%56.0%
LiveBench MathematicsLiveBench96.1%94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
Arena MathsArena (LMArena)1486†1459†
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%45.1%
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%79.3%
AA-Omniscience v1.1Artificial Analysis30.5–
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL–44.4%†
MultiNRCScale AI SEAL–58.3%†
BioMysteryBenchVals AI81.1%–
CaseLaw v2Vals AI–63.8%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%–
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%41.3%
MedScribeVals AI91.1%77.5%
Public Benefits Bench v1.1Vals AI67.2%–
Access to Justice BenchmarkVals AI74.9%–
Financial Coaching BenchVals AI74.9%–
Immigration BenchVals AI69.0%–
EBR-benchEpoch AI Benchmarking Hub–25.4%
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%82.6%
LiveBench Instruction FollowingLiveBench56.8%70.2%
IFBenchArtificial Analysis–74.0%
Arena Instruction FollowingArena (LMArena)1482†1460†
人类偏好
Arena TextArena (LMArena)1473†1465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)1464†1433†
Arena Multi-turnArena (LMArena)1469†1480†
Arena Longer QueriesArena (LMArena)1491†1477†
多模态
Arena VisionArena (LMArena)1284†1292†
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
SAGEVals AI88.0%–
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub75.0%37.5%
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†–
长上下文
AA-LCR v1.1Artificial Analysis82.7%82.0%
Arena DocumentArena (LMArena)–1471†
MLCRArtificial Analysis41.7%–
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†157.8†
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%78.0%
AA Intelligence Index v5.0.1Artificial Analysis54.5–
AA Intelligence Index v4.3.2Artificial Analysis5639.0
AA Progress Index v1Artificial Analysis350.5311.6
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals RSI IndexVals AI–15.5%
Vals Science IndexVals AI59.1%–
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
安全与诚实
MASKScale AI SEAL–89.7%†
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…)。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Claude Sonnet 5.5 (max):2 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • GPT-5.4 (xhigh):1 项分数修订。

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-5.4:常见问题

Claude Sonnet 5.5 比 GPT-5.4 更好吗?
Claude Sonnet 5.5 (max) 与 GPT-5.4 (xhigh) 的质量不相上下(64.2 比 63.1,在 ±3.7 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-5.4 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 $5.63(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-5.4 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Claude Sonnet 5.5 为 61.0%,GPT-5.4 为 56.6%。
Claude Sonnet 5.5 和 GPT-5.4 哪个更快?
Claude Sonnet 5.5 输出更快(约 2 倍;输出 152 比 73 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-5.4 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 63,50 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)。两者都约为 1.1M token(Claude Sonnet 5.5 为 1,000,000,GPT-5.4 为 1,050,000)。
哪个延迟更低?
GPT-5.4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 144.9 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-5.4 的看法一致吗?
在两者都有结果的 33 项基准测试中,Claude Sonnet 5.5 领先 29 项,GPT-5.4 领先 4 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
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。