BenchLeader

Claude Sonnet 5.5 vs o3

完整资料:Claude Sonnet 5.5(Anthropic)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 21 个来源

截至 2026年11月16日,质量上 Claude Sonnet 5.5 领先 o3(BenchLeader Index 64.2 比 60.4)。两者价格相近(每百万 token 混合价格 $4.00 比 $3.50)。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,o3 为 60.4(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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 o3 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 4 项基准测试中,Claude Sonnet 5.5 领先 4 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 60高
智能体与工具调用均可类别得分 71 比 70均可
数学均可类别得分 71 比 71均可
推理Claude Sonnet 5.5类别得分 68 比 61;Humanity's Last Exam (AA) 55.0% 比 20.1%中
知识Claude Sonnet 5.5类别得分 57 比 56中
长文档Claude Sonnet 5.5类别得分 66 比 62;AA-LCR v1.1 82.7% 比 74.7%中
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低均可每百万 token 混合价格 $4.00 比 $3.50;智能体编程会话 $0.160 比 $0.152–
首次回答最快o3首个回答 token 5.2 秒(o3)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 60.4。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、知识、长上下文、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.50)。

概览

规格Claude Sonnet 5.5o3
提供商AnthropicOpenAI
发布日期2026年9月28日2025年4月16日
上下文窗口(token)1,000,000200,000
对比时的配置Claude Sonnet 5.5 (max)o3
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 / $8.00 / $0.500

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)o3领先者
推理67.860.9Claude Sonnet 5.5
编程70.259.8Claude Sonnet 5.5
智能体与工具70.570.3持平
数学71.370.6持平
知识57.456.2Claude Sonnet 5.5
指令遵循–65.2无法比较
人类偏好–61.0无法比较
多模态–52.8无法比较
长上下文66.061.9Claude Sonnet 5.5
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: 66.0o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 长上下文: 61.9

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 4 项基准测试中,Claude Sonnet 5.5 领先 4 项,o3 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)o3领先者
BenchLeader Index64.260.4Claude Sonnet 5.5
Arena Text1473†1432Claude 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)o3
每百万 token 混合价格$4.00$3.50
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $8.00
每百万 token 缓存输入$0.100$0.500
每项任务价格:聊天回复$0.0038$0.0032
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$0.024
每项任务价格:智能体编程会话$0.160$0.152
每项任务价格:结构化信息提取$0.0060$0.0056
智能体编程会话(输入大多命中缓存)$0.074$0.085
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/s131 tok/s
首次回答时间290.5 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒17.3 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)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 200 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)o3
BenchLeader IndexBenchLeader64.260.4
智能体与工具得分BenchLeader70.570.3
编程得分BenchLeader70.259.8
综合得分BenchLeader63.0–
知识得分BenchLeader57.456.2
长上下文得分BenchLeader66.061.9
数学得分BenchLeader71.370.6
推理得分BenchLeader67.860.9
人类偏好得分BenchLeader–61.0
指令遵循得分BenchLeader–65.2
多模态得分BenchLeader–52.8
混合价格(美元/百万 token)BenchLeader$4.00$3.50
输出速度BenchLeader152 tok/s131 tok/s
首次回答时间BenchLeader290.5 秒5.2 秒
上下文窗口BenchLeader1,000,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%81.8%†
Humanity's Last ExamScale AI / CAIS46.1%†20.3%†
SimpleBenchSimpleBench75.9%†53.1%†
Arena Hard PromptsArena (LMArena)1499†1441
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%–
GPQA Diamond (AA)Artificial Analysis–82.7%
Humanity's Last Exam (AA)Artificial Analysis55.0%20.1%
HLE-Diamond (AA)Artificial Analysis53.3%–
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize96.5%60.8%†
ARC-AGI-2ARC Prize83.9%†6.5%†
ARC-AGI-3ARC Prize72.4%†–
CritPtArtificial Analysis31.4%1.1%
CritPt v2 hard subset (AA)Artificial Analysis59.0%–
MysteryMechanismVals AI49.1%–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1448
Chess PuzzlesEpoch AI Benchmarking Hub59.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub68.3%39.7%†
显示全部 200 项基准测试
指标发布方Claude Sonnet 5.5 (max)o3
推理
DTBenchEpoch AI Benchmarking Hub97.3%84.8%†
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode61.0%–
WeirdMLWeirdML–52.4%†
FrontierCodeCognition52.1%†–
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)1517†1460
Arena WebDevArena (LMArena)1772†–
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%–
LiveCodeBenchVals AI–83.9%†
IOIVals AI83.1%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
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%–
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%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†933.5†
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†34.1
GameBench 2 by reasoning settingDuelLab GameBench 291.4†30.4†
Design Arena WebsiteDesign Arena1309†1028
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench63.9%–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor75.5%–
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
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 4.0 (Vals)Vals AI64.1%–
Terminal-Bench ScienceVals AI47.1%–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)19.5–
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs11165.3†–
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†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%–
MKA (AA)Artificial Analysis52.0%–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle86.8%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench96.1%–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)1486†1448
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%49.4%†
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%–
AA-Omniscience v1.1Artificial Analysis30.5–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%–
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%47.3%†
MedScribeVals AI91.1%76.7%†
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–71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)1482†1403
人类偏好
Arena TextArena (LMArena)1473†1432
EQ-Bench Creative Writing v3EQ-Bench–1675
Arena Creative WritingArena (LMArena)1464†1383
Arena Multi-turnArena (LMArena)1469†1420
Arena Longer QueriesArena (LMArena)1491†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)1284†1214
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
SAGEVals AI88.0%–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
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
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis82.7%74.7%
MLCRArtificial Analysis41.7%–
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†147.1
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%–
AA Intelligence Index v5.0.1Artificial Analysis54.5–
AA Intelligence Index v4.3.2Artificial Analysis5620.2
AA Progress Index v1Artificial Analysis350.5258.3
Vals IndexVals AI70.8–
HELM Capabilities meanHELM Capabilities–81.1%
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
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL74.6%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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

  • o3:BenchLeader Index 61.2 → 60.4。
  • Claude Sonnet 5.5 (max):36 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • o3:1 项分数修订。
  • 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。
  • o3:1 项新结果(Arena Search)。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • o3:1 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 o3:常见问题

Claude Sonnet 5.5 比 o3 更好吗?
质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 60.4。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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 60,50 为平均水平)。
Claude Sonnet 5.5 和 o3 哪个更快?
Claude Sonnet 5.5 输出更快(输出 152 比 131 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5.5 还是 o3 更好?
两者在智能体任务方面持平(类别得分 71 比 70)。
更多问题(4)
处理长文档哪个更好?
Claude Sonnet 5.5 在长上下文基准测试上得分更高(66 比 62)。Claude Sonnet 5.5 支持更长的上下文:1,000,000 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 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 o3 的看法一致吗?
在两者都有结果的 4 项基准测试中,Claude Sonnet 5.5 领先 4 项,o3 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。