BenchLeader

Claude Sonnet 5.5 vs Qwen3.8 Max

完整资料:Claude Sonnet 5.5(Anthropic)和 Qwen3.8 Max(Alibaba),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,质量上 Claude Sonnet 5.5 领先 Qwen3.8 Max(BenchLeader Index 64.2 比 58.7)。不过,Qwen3.8 Max 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,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 Qwen3.8 Max 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 69 项基准测试中,Claude Sonnet 5.5 领先 58 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 62;FrontierCode 2.0 (AA) 41.7% 比 23.4%高
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 59;Terminal-Bench 63.9% 比 27.0%高
数学Claude Sonnet 5.5类别得分 71 比 65;ProofBench 100.0% 比 58.0%中
推理Claude Sonnet 5.5类别得分 68 比 52;HLE-Diamond (AA) 53.3% 比 24.0%高
知识均可类别得分 57 比 58;AA-Omniscience v1.1 30.5 比 10.5均可
长文档Claude Sonnet 5.5类别得分 66 比 65;AA-LCR v1.1 82.7% 比 80.3%中
对话质量(人类偏好)–只有 Qwen3.8 Max 有 Arena 评分(类别得分 68)无法比较
成本最低Qwen3.8 Max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Qwen3.8 Max首个回答 token 119.6 秒(Qwen3.8 Max (max))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 58.7。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、综合、长上下文、数学、推理方面更强。
  • Qwen3.8 Max (max) 在知识方面更强。
  • Qwen3.8 Max (max) 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 2.6 倍(152 比 59 token/秒)。

概览

规格Claude Sonnet 5.5Qwen3.8 Max
提供商AnthropicAlibaba
发布日期2026年9月28日2026年8月3日
上下文窗口(token)1,000,0001,000,000
对比时的配置Claude Sonnet 5.5 (max)Qwen3.8 Max (max)
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 / $0.250

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)Qwen3.8 Max (max)领先者
推理67.851.5Claude Sonnet 5.5
编程70.261.6Claude Sonnet 5.5
智能体与工具70.558.5Claude Sonnet 5.5
数学71.365.2Claude Sonnet 5.5
知识57.458.0持平
人类偏好–67.5无法比较
多模态–65.7无法比较
长上下文66.064.8Claude Sonnet 5.5
综合63.045.0Claude Sonnet 5.5

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: 66.0Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8

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 69 项基准测试中,Claude Sonnet 5.5 领先 58 项,Qwen3.8 Max 领先 11 项。第三方来源看法不一:Claude Sonnet 5.5 在 BenchLeader Index和AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 在 Arena Text 上领先。

综合 IndexClaude Sonnet 5.5 (max)Qwen3.8 Max (max)领先者
BenchLeader Index64.258.7Claude Sonnet 5.5
AA Intelligence Index v5.0.154.533.6Claude Sonnet 5.5
Arena Text1473†1484Qwen3.8 Max

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)Qwen3.8 Max (max)
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$0.250
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$0.065
每项基准测试任务成本(AA Index)$10.02$10.02
每项任务输出 token(AA Index)285k171k
其中推理部分206k120k
每项任务耗时(AA Index)31 min48 min
输出速度152 tok/s59 tok/s
首次回答时间290.5 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒294.1 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Claude Sonnet 5.5 (max) 上花费 $10.02,在 Qwen3.8 Max (max) 上花费 $10.02;完成同样的工作,Claude Sonnet 5.5 (max) 输出的 token 是对方的 1.7 倍,这是只看 token 单价看不出来的。

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)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 164 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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader64.258.7
智能体与工具得分BenchLeader70.558.5
编程得分BenchLeader70.261.6
综合得分BenchLeader63.045.0
知识得分BenchLeader57.458.0
长上下文得分BenchLeader66.064.8
数学得分BenchLeader71.365.2
推理得分BenchLeader67.851.5
人类偏好得分BenchLeader–67.5
多模态得分BenchLeader–65.7
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader152 tok/s59 tok/s
首次回答时间BenchLeader290.5 秒119.6 秒
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%92.7%†
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†–
Arena Hard PromptsArena (LMArena)1499†1507
LiveBench 2.0 ReasoningLiveBench91.6%88.2%
LiveBench 1.0 ReasoningLiveBench91.6%88.2%
GPQA Diamond (AA)Artificial Analysis–92.8%
Humanity's Last Exam (AA)Artificial Analysis55.0%43.1%
HLE-Diamond (AA)Artificial Analysis53.3%24.0%
GPQA Diamond (Vals)Vals AI–93.7%
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize83.9%†–
ARC-AGI-3ARC Prize72.4%†–
CritPtArtificial Analysis31.4%20.0%
CritPt v2 hard subset (AA)Artificial Analysis59.0%29.5%
MysteryMechanismVals AI49.1%23.9%
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1514
Chess PuzzlesEpoch AI Benchmarking Hub59.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%38.0%†
LMCAEpoch AI Benchmarking Hub68.3%46.2%†
DTBenchEpoch AI Benchmarking Hub97.3%92.0%†
编程
SciCodeSciCode61.0%53.2%
FrontierCodeCognition52.1%†–
Arena CodingArena (LMArena)1517†1523
显示全部 164 项基准测试
指标发布方Claude Sonnet 5.5 (max)Qwen3.8 Max (max)
编程
Arena WebDevArena (LMArena)1772†1676
LiveBench 2.0 CodingLiveBench77.2%60.9%
LiveBench 1.0 CodingLiveBench91.4%72.9%
LiveCodeBenchVals AI–87.8%
IOIVals AI83.1%68.9%
SWE-bench (Vals)Vals AI–85.6%
Code MigrationVals AI69.8%24.0%
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%0.0%
SWE-bench MultimodalVals AI58.3%42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI92.4%64.7%
SWE Atlas v1.1Scale AI SEAL68.3%†64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL74.2%†81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL67.8%†58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL62.9%†52.9%
SWE-Bench Pro V2Scale AI SEAL95.8%†–
SWE-Bench Pro V2 HARDScale AI SEAL70.6%†–
MirrorCodeEpoch AI Benchmarking Hub97.8%52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†1679.1†
FrontierSWEEpoch AI Benchmarking Hub61.9%17.8%†
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise75.9%†71.3%
GameBench 2 OverallDuelLab GameBench 260.4†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 291.4†69.6†
Design Arena WebsiteDesign Arena1309†1269
FrontierCode 1.1 (AA)Artificial Analysis45.8%43.2%
FrontierCode 2.0 (AA)Artificial Analysis41.7%23.4%
智能体与工具
Terminal-BenchTerminal-Bench63.9%27.0%
APEX-AgentsMercor75.5%63.3%
Arena AgentArena (LMArena)160.1
LiveBench Long AgenticLiveBench63.4%26.6%
LiveBench BrowserLiveBench89.3%49.4%
LiveBench Agentic CodingLiveBench56.3%64.7%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†67.4%
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%58.3%
GDPval-AA v2.1Artificial Analysis18381674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis57.5%45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI59.6%28.6%
Finance Agent v2Vals AI58.1%50.6%
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%10.4%
Legal Research BenchVals AI48.1%47.6%
SkillsBenchVals AI–42.0%
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%32.1%
Terminal-Bench 4.0 (Vals)Vals AI64.1%34.3%
Terminal-Bench ScienceVals AI47.1%12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)19.54.5
Vending-Bench 2Andon Labs11165.3†–
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%56.2%
GDP.pdf (AA)Artificial Analysis25.8%22.8%
Harvey LAB-AA v1.1Harvey2.8%–
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis18161604
GDPxGDPx by SemiAnalysis8.2%3.5%
Design Arena AgenticDesign Arena1293†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%11.9%
MKA (AA)Artificial Analysis52.0%37.4%
FACTS SearchGoogle86.8%†85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%†
ProofBenchVals AI100.0%58.0%
LiveBench MathematicsLiveBench96.1%91.3%
Arena MathsArena (LMArena)1486†1505
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%47.3%†
LiveBench 2.0 Data AnalysisLiveBench59.5%78.4%
LiveBench ResearchLiveBench88.0%72.8%
LiveBench 1.0 Data AnalysisLiveBench59.5%78.4%
AA-Omniscience v1.1Artificial Analysis30.510.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI–83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%60.1%
Excel Modeling Benchmark v1.1Vals AI75.9%66.0%
MedCodeVals AI52.9%40.7%
MedScribeVals AI91.1%85.0%
Public Benefits Bench v1.1Vals AI67.2%67.1%
Access to Justice BenchmarkVals AI74.9%76.4%
Financial Coaching BenchVals AI74.9%75.6%
Immigration BenchVals AI69.0%70.1%
GDP.pdfEpoch AI Benchmarking Hub31.4%23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%72.9%
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†30.8%
指令遵循
LiveBench LanguageLiveBench78.0%79.7%
LiveBench Instruction FollowingLiveBench56.8%74.1%
Arena Instruction FollowingArena (LMArena)1482†1478
人类偏好
Arena TextArena (LMArena)1473†1484
Arena Creative WritingArena (LMArena)1464†1472
Arena Multi-turnArena (LMArena)1469†1495
Arena Longer QueriesArena (LMArena)1491†1496
多模态
Arena VisionArena (LMArena)1284†1312
LiveBench DesignLiveBench81.3%76.6%
MMMU-ProArtificial Analysis–82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI88.0%81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†–
Furniture AssemblyEpoch AI Benchmarking Hub75.0%20.0%†
VIALS-AAHandshake AI59.6%31.7%
Code2Video-AAArtificial Analysis14431021
AA-3DArtificial Analysis1204954
FACTS MultimodalGoogle50.4%†51.5%
长上下文
AA-LCR v1.1Artificial Analysis82.7%80.3%
MLCRArtificial Analysis41.7%26.1%
FACTS GroundingGoogle62.5%†73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†157.6
LiveBench 2.0LiveBench77.0%60.9%
LiveBench 1.0LiveBench75.7%78.5%
AA Intelligence Index v5.0.1Artificial Analysis54.533.6
AA Intelligence Index v4.3.2Artificial Analysis5645.4
AA Progress Index v1Artificial Analysis350.5323.7
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals RSI IndexVals AI–21.8%
Vals Science IndexVals AI59.1%–
Vals Multimodal IndexVals AI–65.4%
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
安全与诚实
DistressBenchScale AI SEAL74.6%†77.6%

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…)。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):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。
  • Qwen3.8 Max (max):6 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Claude Sonnet 5.5 (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项新结果(FACTS Search);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 Qwen3.8 Max:常见问题

Claude Sonnet 5.5 比 Qwen3.8 Max 更好吗?
质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 58.7。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 Qwen3.8 Max 哪个更便宜?价格会变吗?
目前 Qwen3.8 Max 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 Qwen3.8 Max 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Claude Sonnet 5.5 为 41.7%,Qwen3.8 Max 为 23.4%。
Claude Sonnet 5.5 和 Qwen3.8 Max 哪个更快?
Claude Sonnet 5.5 输出更快(约 2 倍;输出 152 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5.5 还是 Qwen3.8 Max 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Claude Sonnet 5.5 为 63.9%,Qwen3.8 Max 为 27.0%。
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 65)。两者都支持 1,000,000 token 的上下文。
哪个延迟更低?
Qwen3.8 Max 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 119.6 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 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 69 项基准测试中,Claude Sonnet 5.5 领先 58 项,Qwen3.8 Max 领先 11 项。第三方来源看法不一:Claude Sonnet 5.5 在 BenchLeader Index和AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 在 Arena Text 上领先。
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。