BenchLeader

Claude Sonnet 5.5 vs Grok 4.5

完整资料:Claude Sonnet 5.5(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 17 个来源

截至 2026年11月16日,质量上 Claude Sonnet 5.5 领先 Grok 4.5(BenchLeader Index 64.2 比 59.3)。不过,Grok 4.5 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 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(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,Grok 4.5 为 59.3(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)。
  • Grok 4.5 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 Grok 4.5 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 9 项基准测试中,Grok 4.5 领先 5 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 57;LiveBench 1.0 Coding 91.4% 比 68.6%高
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 55;APEX-Agents 75.5% 比 56.2%高
数学Claude Sonnet 5.5类别得分 71 比 65;LiveBench Mathematics 96.1% 比 90.8%中
推理Claude Sonnet 5.5类别得分 68 比 67;LiveBench 1.0 Reasoning 91.6% 比 87.2%中
对话质量(人类偏好)–只有 Grok 4.5 有 Arena 评分(类别得分 65)无法比较
成本最低Grok 4.5每百万 token 混合价格 $3.00 比 $4.00;智能体编程会话 $0.144 比 $0.160–
首次回答最快Grok 4.5首个回答 token 1.4 秒(Grok 4.5)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 59.3。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、数学、推理方面更强。
  • Grok 4.5 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 比 $4.00)。
  • Claude Sonnet 5.5 (max) 的输出速度是对方的 3.1 倍(152 比 49 token/秒)。

概览

规格Claude Sonnet 5.5Grok 4.5
提供商AnthropicSpaceXAI
发布日期2026年9月28日2026年7月8日
上下文窗口(token)1,000,000500,000
对比时的配置Claude Sonnet 5.5 (max)Grok 4.5
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.100$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 Sonnet 5.5 (max)Grok 4.5领先者
推理67.866.5Claude Sonnet 5.5
编程70.256.7Claude Sonnet 5.5
智能体与工具70.554.5Claude Sonnet 5.5
数学71.365.1Claude Sonnet 5.5
知识57.4–无法比较
人类偏好–65.2无法比较
多模态–63.1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。

2550 avg75推理编程智能体与工具数学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: 71.3Grok 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: 65.1

未绘制(测得的模型少于两个):知识, 指令遵循, 长上下文, 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 9 项基准测试中,Claude Sonnet 5.5 领先 4 项,Grok 4.5 领先 5 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)Grok 4.5领先者
BenchLeader Index64.259.3Claude Sonnet 5.5
Arena Text1473†1466Claude 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)Grok 4.5
每百万 token 混合价格$4.00$3.00
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $6.00
每百万 token 缓存输入$0.100$0.300
每项任务价格:聊天回复$0.0038$0.0026
每项任务价格:总结一份 30 页的报告$0.030$0.028
每项任务价格:代码编辑$0.027$0.021
每项任务价格:智能体编程会话$0.160$0.144
每项任务价格:结构化信息提取$0.0060$0.0052
智能体编程会话(输入大多命中缓存)$0.074$0.068
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/s49 tok/s
首次回答时间290.5 秒1.4 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)。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 169 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)Grok 4.5
BenchLeader IndexBenchLeader64.259.3
智能体与工具得分BenchLeader70.554.5
编程得分BenchLeader70.256.7
综合得分BenchLeader63.0–
知识得分BenchLeader57.4–
长上下文得分BenchLeader66.0–
数学得分BenchLeader71.365.1
推理得分BenchLeader67.866.5
人类偏好得分BenchLeader–65.2
多模态得分BenchLeader–63.1
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader152 tok/s49 tok/s
首次回答时间BenchLeader290.5 秒1.4 秒
上下文窗口BenchLeader1,000,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%93.4%†
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†70.0%
Arena Hard PromptsArena (LMArena)1499†1488
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%87.2%
GPQA Diamond (AA)Artificial Analysis–93.1%†
Humanity's Last Exam (AA)Artificial Analysis55.0%42.7%†
HLE-Diamond (AA)Artificial Analysis53.3%–
GPQA Diamond (Vals)Vals AI–92.9%†
Kagi LLM BenchmarkKagi LLM Benchmark–83.5%
ARC-AGI-1ARC Prize96.5%85.7%†
ARC-AGI-2ARC Prize83.9%†52.6%†
ARC-AGI-3ARC Prize72.4%†0.3%†
CritPtArtificial Analysis31.4%15.4%†
CritPt v2 hard subset (AA)Artificial Analysis59.0%–
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1489
Chess PuzzlesEpoch AI Benchmarking Hub59.0%35.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%–
LMCAEpoch AI Benchmarking Hub68.3%45.2%†
DTBenchEpoch AI Benchmarking Hub97.3%96.5%†
ForecastBenchForecastBench–65.8%†
编程
SciCodeSciCode61.0%55.0%†
显示全部 169 项基准测试
指标发布方Claude Sonnet 5.5 (max)Grok 4.5
编程
WeirdMLWeirdML–46.4%
FrontierCodeCognition52.1%†42.4%
Arena CodingArena (LMArena)1517†1514
Arena WebDevArena (LMArena)1772†1553
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%68.6%
LiveCodeBenchVals AI–87.3%†
IOIVals AI83.1%40.6%†
SWE-bench (Vals)Vals AI–86.6%†
Code MigrationVals AI69.8%36.6%†
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%0.0%†
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%69.0%†
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%32.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub–74.4%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.8%†
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†1309.3†
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%10.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis–81.7%†
Startrise FrontendStartrise75.9%†68.0%
GameBench 2 OverallDuelLab GameBench 260.4†56.7
GameBench 2 by reasoning settingDuelLab GameBench 291.4†61.5†
Design Arena WebsiteDesign Arena1309†1273
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%–
智能体与工具
Terminal-BenchTerminal-Bench63.9%12.4%†
APEX-AgentsMercor75.5%56.2%
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%56.5%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†67.8%†
τ³-bench Bankingτ²-bench–47.9%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381388†
τ³-Banking (AA)Artificial Analysis–42.1%†
Analyst Agent (AA)Artificial Analysis57.5%35.0%†
CyberBenchVals AI59.6%71.0%†
Finance Agent v2Vals AI58.1%48.4%†
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%12.9%†
Legal Research BenchVals AI48.1%38.0%†
SkillsBenchVals AI–66.0%†
SREBenchVals AI30.1%0.8%†
Tax Agent BenchVals AI42.0%24.9%†
Terminal-Bench 4.0 (Vals)Vals AI64.1%8.6%†
Terminal-Bench ScienceVals AI47.1%–
Time Horizon Index: KSPVals AI–6.3%†
Web Search IndexVals AI–35.5%†
Arena SearchArena (LMArena)–1205
Arena Agent Task CompletionArena (LMArena)19.5–
PostTrainBenchEpoch AI Benchmarking Hub–22.6%†
GBAEvalEpoch AI Benchmarking Hub–65.4%
Vending-Bench 2Andon Labs11165.3†3887.4
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%57.9%†
GDP.pdf (AA)Artificial Analysis25.8%18.8%†
Harvey LAB-AA v1.1Harvey2.8%–
EnterpriseOps-GymArtificial Analysis–40.8%†
AA-Briefcase v1.1Artificial Analysis18161277†
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1221
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%57.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%24.4%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%97.8%†
ProofBenchVals AI100.0%31.0%†
LiveBench MathematicsLiveBench96.1%90.8%
Arena MathsArena (LMArena)1486†1470
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%48.3%†
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%73.0%
AA-Omniscience v1.1Artificial Analysis30.5–
MMLU-ProVals AI–89.2%†
LegalBenchVals AI–86.0%†
CorpFinVals AI–67.4%†
TaxEvalVals AI–71.7%†
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%52.9%†
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%43.3%†
MedScribeVals AI91.1%86.9%†
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%14.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%–
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†42.5%
指令遵循
LiveBench LanguageLiveBench78.0%82.8%
LiveBench Instruction FollowingLiveBench56.8%71.5%
Arena Instruction FollowingArena (LMArena)1482†1462
人类偏好
Arena TextArena (LMArena)1473†1466
EQ-Bench Creative Writing v3EQ-Bench–1576
Arena Creative WritingArena (LMArena)1464†1452
Arena Multi-turnArena (LMArena)1469†1472
Arena Longer QueriesArena (LMArena)1491†1480
多模态
Arena VisionArena (LMArena)1284†1288
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–80.4%†
MMMU-Pro (Vals)Vals AI–61.8%†
MortgageTaxVals AI–61.8%†
SAGEVals AI88.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†27.3%
Furniture AssemblyEpoch AI Benchmarking Hub75.0%22.5%†
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†–
长上下文
AA-LCR v1.1Artificial Analysis82.7%79.3%†
Arena DocumentArena (LMArena)–1466
MLCRArtificial Analysis41.7%16.1%†
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†155.0
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%75.8%
AA Intelligence Index v5.0.1Artificial Analysis54.5–
AA Intelligence Index v4.3.2Artificial Analysis5638.8†
AA Progress Index v1Artificial Analysis350.5312.3†
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals Science IndexVals AI59.1%–
Vals Multimodal IndexVals AI–63.4%†
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。
  • Grok 4.5:BenchLeader Index 59.9 → 59.3。
  • 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。
  • Grok 4.5:1 项分数修订。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • Grok 4.5:1 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 Grok 4.5:常见问题

Claude Sonnet 5.5 比 Grok 4.5 更好吗?
质量上 Claude Sonnet 5.5 (max) 领先:64.2 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 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 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 $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 Grok 4.5 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 57,50 为平均水平)。
Claude Sonnet 5.5 和 Grok 4.5 哪个更快?
Claude Sonnet 5.5 输出更快(约 2 倍;输出 152 比 49 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5.5 还是 Grok 4.5 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 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 Sonnet 5.5 为 75.5%,Grok 4.5 为 56.2%。
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,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 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 Grok 4.5 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 4 项,Grok 4.5 领先 5 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。