BenchLeader

Claude Sonnet 5.5 vs GPT-5.6 Luna

完整资料:Claude Sonnet 5.5(Anthropic)和 GPT-5.6 Luna(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,质量上 Claude Sonnet 5.5 领先 GPT-5.6 Luna(BenchLeader Index 64.2 比 58.2)。不过,GPT-5.6 Luna 更便宜,对方的价格是它的 8.9 倍(每百万 token 混合价格 $0.450 比 $4.00)。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。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,GPT-5.6 Luna 为 58.2(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-5.6 Luna 每百万 token 混合价格为 $0.450(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 GPT-5.6 Luna 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 15 项基准测试中,Claude Sonnet 5.5 领先 15 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 56;SciCode 61.0% 比 50.5%高
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 57;GDPval-AA v2.1 1838 比 1407高
数学Claude Sonnet 5.5类别得分 71 比 66中
推理Claude Sonnet 5.5类别得分 68 比 52;ARC-AGI-1 96.5% 比 87.7%高
长文档均可类别得分 66 比 66;AA-LCR v1.1 82.7% 比 81.7%均可
对话质量(人类偏好)–只有 GPT-5.6 Luna 有 Arena 评分(类别得分 64)无法比较
成本最低GPT-5.6 Luna每百万 token 混合价格 $0.450 比 $4.00;智能体编程会话 $0.017 比 $0.160–
首次回答最快GPT-5.6 Luna首个回答 token 28.1 秒(GPT-5.6 Luna (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

  • 质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 58.2。
  • 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-5.6 Luna (xhigh) 更便宜,对方的价格是它的 8.9 倍(每百万 token 混合价格 $0.450 比 $4.00)。
  • Claude Sonnet 5.5 (max) 的输出速度是对方的 1.4 倍(152 比 110 token/秒)。

概览

规格Claude Sonnet 5.5GPT-5.6 Luna
提供商AnthropicOpenAI
发布日期2026年9月28日2026年7月9日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Sonnet 5.5 (max)GPT-5.6 Luna (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$0.200 / $1.20 / $0.020

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-5.6 Luna (xhigh)领先者
推理67.851.8Claude Sonnet 5.5
编程70.256.4Claude Sonnet 5.5
智能体与工具70.557.1Claude Sonnet 5.5
数学71.365.7Claude Sonnet 5.5
知识57.4–无法比较
人类偏好–63.7无法比较
多模态–59.9无法比较
长上下文66.065.5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, 长上下文: 66.0GPT-5.6 Luna, 推理: 51.8GPT-5.6 Luna, 编程: 56.4GPT-5.6 Luna, 智能体与工具: 57.1GPT-5.6 Luna, 数学: 65.7GPT-5.6 Luna, 长上下文: 65.5

未绘制(测得的模型少于两个):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 15 项基准测试中,Claude Sonnet 5.5 领先 15 项,GPT-5.6 Luna 领先 0 项。所有同时评测两者的综合评分都认为 Claude Sonnet 5.5 更强。

综合 IndexClaude Sonnet 5.5 (max)GPT-5.6 Luna (xhigh)领先者
BenchLeader Index64.258.2Claude Sonnet 5.5
AA Intelligence Index v5.0.154.523.8†Claude Sonnet 5.5
Arena Text1473†1453Claude Sonnet 5.5

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 Sonnet 5.5 (max)GPT-5.6 Luna (xhigh)
每百万 token 混合价格$4.00$0.450
每百万 token 输入 / 输出$2.00 / $10.00$0.200 / $1.20
每百万 token 缓存输入$0.100$0.020
每项任务价格:聊天回复$0.0038$0.0004
每项任务价格:总结一份 30 页的报告$0.030$0.0031
每项任务价格:代码编辑$0.027$0.0030
每项任务价格:智能体编程会话$0.160$0.017
每项任务价格:结构化信息提取$0.0060$0.0006
智能体编程会话(输入大多命中缓存)$0.074$0.0087
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/s110 tok/s
首次回答时间290.5 秒28.1 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒101.7 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-5.6 Luna (xhigh) 得分 58.2,首个回答 token 需 28 秒;GPT-5.6 Luna (max) 为 56.2(59 秒),GPT-5.6 Luna (high) 为 54.7(11 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 167 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-5.6 Luna (xhigh)
BenchLeader IndexBenchLeader64.258.2
智能体与工具得分BenchLeader70.557.1
编程得分BenchLeader70.256.4
综合得分BenchLeader63.0–
知识得分BenchLeader57.4–
长上下文得分BenchLeader66.065.5
数学得分BenchLeader71.365.7
推理得分BenchLeader67.851.8
人类偏好得分BenchLeader–63.7
多模态得分BenchLeader–59.9
混合价格(美元/百万 token)BenchLeader$4.00$0.450
输出速度BenchLeader152 tok/s110 tok/s
首次回答时间BenchLeader290.5 秒28.1 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%91.6%†
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†46.8%
Arena Hard PromptsArena (LMArena)1499†1475
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%85.6%†
GPQA Diamond (AA)Artificial Analysis–89.5%
Humanity's Last Exam (AA)Artificial Analysis55.0%37.0%
HLE-Diamond (AA)Artificial Analysis53.3%20.9%†
GPQA Diamond (Vals)Vals AI–91.7%†
Kagi LLM BenchmarkKagi LLM Benchmark–49.1%†
ARC-AGI-1ARC Prize96.5%87.7%
ARC-AGI-2ARC Prize83.9%†47.6%
ARC-AGI-3ARC Prize72.4%†0.0%
CritPtArtificial Analysis31.4%20.6%
CritPt v2 hard subset (AA)Artificial Analysis59.0%30.5%†
MysteryMechanismVals AI49.1%14.4%†
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1490
Chess PuzzlesEpoch AI Benchmarking Hub59.0%43.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%21.0%†
LMCAEpoch AI Benchmarking Hub68.3%48.5%
DTBenchEpoch AI Benchmarking Hub97.3%89.1%
编程
SciCodeSciCode61.0%50.5%
WeirdMLWeirdML–60.9%†
显示全部 167 项基准测试
指标发布方Claude Sonnet 5.5 (max)GPT-5.6 Luna (xhigh)
编程
FrontierCodeCognition52.1%†39.8%†
Arena CodingArena (LMArena)1517†1503
Arena WebDevArena (LMArena)1772†1519
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%82.9%†
IOIVals AI83.1%61.8%†
SWE-bench (Vals)Vals AI–93.0%†
Code MigrationVals AI69.8%44.5%†
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%0.0%†
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench 1-100Vals AI–22.6%†
Vibe Code Bench v1.1Vals AI92.4%77.1%†
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%21.1%†
Surface Evolver BenchEpoch AI Benchmarking Hub–61.9%†
DeepSWE v1.1Epoch AI Benchmarking Hub–56.9%
CursorBenchCursor55.5%33.0%
ALE-BenchEpoch AI Benchmarking Hub1819.1†1667.4†
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†5.2%
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%3.5%
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%
Startrise FrontendStartrise75.9%†65.0%†
GameBench 2 OverallDuelLab GameBench 260.4†40.2†
GameBench 2 by reasoning settingDuelLab GameBench 291.4†54
Design Arena WebsiteDesign Arena1309†1248†
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%17.6%†
智能体与工具
Terminal-BenchTerminal-Bench63.9%17.6%†
APEX-AgentsMercor75.5%43.0%†
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%48.4%†
Terminal-Bench 2.1 (Vals)Vals AI83.2%†79.0%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381407
τ³-Banking (AA)Artificial Analysis–28.7%
ITBench SRE (AA)Artificial Analysis–40.3%†
Analyst Agent (AA)Artificial Analysis57.5%–
APEX-Agents (AA)Artificial Analysis–35.8%†
CyberBenchVals AI59.6%73.6%†
Finance Agent v2Vals AI58.1%55.0%†
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%1.3%†
Legal Research BenchVals AI48.1%36.5%†
SkillsBenchVals AI–60.5%†
SREBenchVals AI30.1%1.5%†
Tax Agent BenchVals AI42.0%24.8%†
Terminal-Bench 4.0 (Vals)Vals AI64.1%11.6%†
Terminal-Bench ScienceVals AI47.1%0.0%†
Arena Agent Task CompletionArena (LMArena)19.5–
BALROGBALROG–45.6%†
Vending-Bench 2Andon Labs11165.3†4094.7†
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%42.6%
GDP.pdf (AA)Artificial Analysis25.8%23.8%
Harvey LAB-AA v1.1Harvey2.8%–
EnterpriseOps-GymArtificial Analysis–40.8%†
AA-Briefcase v1.1Artificial Analysis18161267
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1149†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%3.3%†
MKA (AA)Artificial Analysis52.0%–
FACTS SearchGoogle86.8%†87.0%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%61.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%98.3%†
ProofBenchVals AI100.0%60.0%†
LiveBench MathematicsLiveBench96.1%87.2%†
Arena MathsArena (LMArena)1486†1476
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%41.0%†
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%78.0%†
AA-Omniscience v1.1Artificial Analysis30.5-17.1†
MMLU-ProVals AI–86.0%†
LegalBenchVals AI–84.0%†
CorpFinVals AI–64.2%†
TaxEvalVals AI–76.2%†
BioMysteryBenchVals AI81.1%61.5%†
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%67.1%†
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%42.4%†
MedScribeVals AI91.1%84.4%†
Public Benefits Bench v1.1Vals AI67.2%61.2%†
Access to Justice BenchmarkVals AI74.9%65.6%†
Financial Coaching BenchVals AI74.9%69.3%†
Immigration BenchVals AI69.0%–
GDP.pdfEpoch AI Benchmarking Hub31.4%22.7%†
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%39.1%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%7.7%†
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†50.6%†
指令遵循
LiveBench LanguageLiveBench78.0%72.6%†
LiveBench Instruction FollowingLiveBench56.8%60.1%†
Arena Instruction FollowingArena (LMArena)1482†1443
人类偏好
Arena TextArena (LMArena)1473†1453
EQ-Bench 4EQ-Bench–1146†
EQ-Bench Creative Writing v3EQ-Bench–1832†
Arena Creative WritingArena (LMArena)1464†1411
Arena Multi-turnArena (LMArena)1469†1458
Arena Longer QueriesArena (LMArena)1491†1452
多模态
Arena VisionArena (LMArena)1284†1256
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–78.5%
MMMU-Pro (Vals)Vals AI–85.0%†
MortgageTaxVals AI–67.3%†
SAGEVals AI88.0%–
Humanity's Sixth SenseScale AI SEAL–21.6%†
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†22.6%†
Furniture AssemblyEpoch AI Benchmarking Hub75.0%42.5%†
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†37.4%†
长上下文
AA-LCR v1.1Artificial Analysis82.7%81.7%
Arena DocumentArena (LMArena)–1460
MLCRArtificial Analysis41.7%15.0%
FACTS GroundingGoogle62.5%†52.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†156.7†
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%73.6%†
AA Intelligence Index v5.0.1Artificial Analysis54.523.8†
AA Intelligence Index v4.3.2Artificial Analysis5634.6
AA Progress Index v1Artificial Analysis350.5305.8
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals Science IndexVals AI59.1%25.3%†
Vals Multimodal IndexVals AI–69.1%†
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
安全与诚实
DistressBenchScale AI SEAL74.6%†72.7%†

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-5.6 Luna (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
  • GPT-5.6 Luna (xhigh):1 项分数修订。
  • 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。
  • GPT-5.6 Luna (xhigh):1 项分数修订。
  • Claude Sonnet 5.5 (max):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-5.6 Luna:常见问题

Claude Sonnet 5.5 比 GPT-5.6 Luna 更好吗?
质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 58.2。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 Sonnet 5.5 (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Sonnet 5.5 和 GPT-5.6 Luna 哪个更便宜?价格会变吗?
目前 GPT-5.6 Luna 更便宜:每百万 token $0.450 比 $4.00(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 Sonnet 5.5 还是 GPT-5.6 Luna 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 56,50 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-5.6 Luna 为 50.5%。
Claude Sonnet 5.5 和 GPT-5.6 Luna 哪个更快?
Claude Sonnet 5.5 输出更快(输出 152 比 110 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-5.6 Luna 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 57,50 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-5.6 Luna 为 1,050,000)。
哪个延迟更低?
GPT-5.6 Luna 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 28.1 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-5.6 Luna 的看法一致吗?
在两者都有结果的 15 项基准测试中,Claude Sonnet 5.5 领先 15 项,GPT-5.6 Luna 领先 0 项。所有同时评测两者的综合评分都认为 Claude Sonnet 5.5 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。