BenchLeader

Claude Sonnet 5 vs GPT-5.5

完整资料:Claude Sonnet 5(Anthropic)和 GPT-5.5(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 GPT-5.5 领先 Claude Sonnet 5(BenchLeader Index 64.1 比 59.0)。不过,Claude Sonnet 5 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $4.00 比 $11.25)。在两者都有成绩的所有类别中,GPT-5.5 均领先。Claude Sonnet 5 输出更快。

要点(截至 2026年11月16日)

  • Claude Sonnet 5 的 BenchLeader Index 为 59.0,GPT-5.5 为 64.1(BenchLeader,2026年11月16日)。
  • Claude Sonnet 5 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • Claude Sonnet 5 比 GPT-5.5 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 17 项基准测试中,GPT-5.5 领先 15 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Sonnet 5 的评分为 1539,GPT-5.5 为 1512(LMArena,截至 2026年11月16日 的公布数据)。

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
编程均可类别得分 60 比 61;Arena WebDev 1539 比 1512均可
智能体与工具调用GPT-5.5类别得分 62 比 53;GDPval-AA v2.1 1357 比 1262高
数学GPT-5.5类别得分 69 比 65中
推理GPT-5.5类别得分 68 比 65;Humanity's Last Exam (AA) 45.8% 比 35.7%中
长文档GPT-5.5类别得分 67 比 63;AA-LCR v1.1 84.3% 比 76.7%中
图像及其他媒体GPT-5.5类别得分 62 比 61中
对话质量(人类偏好)–只有 Claude Sonnet 5 有 Arena 评分(类别得分 65)无法比较
成本最低Claude Sonnet 5每百万 token 混合价格 $4.00 比 $11.25;智能体编程会话 $0.160 比 $0.420–
首次回答最快Claude Sonnet 5首个回答 token 15.8 秒(Claude Sonnet 5 (high))比 38.3 秒(GPT-5.5 (xhigh))–
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 GPT-5.5 (xhigh) 领先:64.1 比 59.0。
  • GPT-5.5 (xhigh) 在智能体与工具、编程、长上下文、数学、多模态、推理方面更强。
  • Claude Sonnet 5 (high) 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $4.00 比 $11.25)。

概览

规格Claude Sonnet 5GPT-5.5
提供商AnthropicOpenAI
发布日期2026年6月30日2026年4月23日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Sonnet 5 (high)GPT-5.5 (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 / $0.200$5.00 / $30.00 / $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 (high)GPT-5.5 (xhigh)领先者
推理65.468.1GPT-5.5
编程59.960.7持平
智能体与工具52.961.8GPT-5.5
数学65.369.3GPT-5.5
知识–63.6无法比较
指令遵循–74.0无法比较
人类偏好64.6–无法比较
多模态60.962.3GPT-5.5
长上下文62.966.9GPT-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长上下文多模态Claude Sonnet 5, 推理: 65.4Claude Sonnet 5, 编程: 59.9Claude Sonnet 5, 智能体与工具: 52.9Claude Sonnet 5, 数学: 65.3Claude Sonnet 5, 长上下文: 62.9Claude Sonnet 5, 多模态: 60.9GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3

未绘制(测得的模型少于两个):知识, 指令遵循, 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 17 项基准测试中,Claude Sonnet 5 领先 2 项,GPT-5.5 领先 15 项。所有同时评测两者的综合评分都认为 GPT-5.5 更强。

综合 IndexClaude Sonnet 5 (high)GPT-5.5 (xhigh)领先者
BenchLeader Index59.064.1GPT-5.5
Arena Text14611481†GPT-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 (high)GPT-5.5 (xhigh)
每百万 token 混合价格$4.00$11.25
每百万 token 输入 / 输出$2.00 / $10.00$5.00 / $30.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0038$0.011
每项任务价格:总结一份 30 页的报告$0.030$0.078
每项任务价格:代码编辑$0.027$0.075
每项任务价格:智能体编程会话$0.160$0.420
每项任务价格:结构化信息提取$0.0060$0.016
智能体编程会话(输入大多命中缓存)$0.079$0.217
输出速度99 tok/s81 tok/s
首次回答时间15.8 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)40.7 秒104.3 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 (high) 得分 59.0,首个回答 token 需 16 秒;Claude Sonnet 5 (max) 为 56.1(158 秒),Claude Sonnet 5 (xhigh) 为 55.4(32 秒)。GPT-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(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 148 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 (high)GPT-5.5 (xhigh)
BenchLeader IndexBenchLeader59.064.1
智能体与工具得分BenchLeader52.961.8
编程得分BenchLeader59.960.7
人类偏好得分BenchLeader64.6–
长上下文得分BenchLeader62.966.9
数学得分BenchLeader65.369.3
多模态得分BenchLeader60.962.3
推理得分BenchLeader65.468.1
指令遵循得分BenchLeader–74.0
知识得分BenchLeader–63.6
混合价格(美元/百万 token)BenchLeader$4.00$11.25
输出速度BenchLeader99 tok/s81 tok/s
首次回答时间BenchLeader15.8 秒38.3 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub80.3%†90.7%†
SimpleBenchSimpleBench60.6%†69.0%†
Arena Hard PromptsArena (LMArena)14901499†
LiveBench 1.0 ReasoningLiveBench88.7%†89.7%
GPQA Diamond (AA)Artificial Analysis91.1%†93.5%
Humanity's Last Exam (AA)Artificial Analysis35.7%45.8%
GPQA Diamond (Vals)Vals AI88.9%†93.2%
Kagi LLM BenchmarkKagi LLM Benchmark–88.8%†
ARC-AGI-1ARC Prize–95.0%
ARC-AGI-2ARC Prize–85.0%
ARC-AGI-3ARC Prize–0.4%†
CritPtArtificial Analysis15.1%27.1%
Arena ExpertArena (LMArena)15091510†
Chess PuzzlesEpoch AI Benchmarking Hub45.0%†63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub16.0%†56.0%
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub50.0%54.3%
DTBenchEpoch AI Benchmarking Hub84.5%96.0%
ForecastBenchForecastBench63.1%†64.2%†
BTF-3Epoch AI Benchmarking Hub14.2%†14.3%†
编程
SciCodeSciCode54.3%55.8%
WeirdMLWeirdML68.8%84.9%
FrontierCodeCognition42.7%†43.0%†
GSO-BenchGSO-Bench37.3%†40.2%
Arena CodingArena (LMArena)15201510†
显示全部 148 项基准测试
指标发布方Claude Sonnet 5 (high)GPT-5.5 (xhigh)
编程
Arena WebDevArena (LMArena)15391512
LiveBench 1.0 CodingLiveBench80.7%†82.2%
LiveCodeBenchVals AI82.4%†85.3%
IOIVals AI45.0%†–
SWE-bench (Vals)Vals AI79.6%†82.6%
Code MigrationVals AI44.4%†45.2%
ProgramBenchVals AI0.0%†0.5%
Vibe Code Bench 1-100Vals AI13.8%†–
Vibe Code Bench v1.1Vals AI81.3%†69.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL–42.6%
SWE-Bench Pro V2Scale AI SEAL93.2%†–
SWE-Bench Pro V2 HARDScale AI SEAL88.2%†–
MirrorCodeEpoch AI Benchmarking Hub63.3%†23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub60.0%†88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub48.2%67.0%
CursorBenchCursor30.8%–
ALE-BenchEpoch AI Benchmarking Hub1463.11943.0
Terminal-Bench 4.0 (AA)Artificial Analysis5.0%14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis80.5%†84.3%
Startrise FrontendStartrise66.6%†–
GameBench 2 OverallDuelLab GameBench 246.6†49.2†
GameBench 2 by reasoning settingDuelLab GameBench 254.4†59.9
Design Arena WebsiteDesign Arena1268†1248†
FrontierCode 2.0 (AA)Artificial Analysis17.8%†–
智能体与工具
Terminal-BenchTerminal-Bench12.1%†84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor54.5%†55.1%†
Arena AgentArena (LMArena)2–
LiveBench Agentic CodingLiveBench59.4%†54.0%
Terminal-Bench HardArtificial Analysis–60.6%
τ²-Bench Telecom (AA)Artificial Analysis–93.9%
Terminal-Bench 2.1 (Vals)Vals AI74.5%†57.3%†
MCP AtlasScale AI SEAL–75.3%
HiL-BenchScale AI SEAL–39.7%†
τ³-bench Bankingτ²-bench–44.6%
GDPval-AA v2.1Artificial Analysis12621357
τ³-Banking (AA)Artificial Analysis37.3%†39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis46.3%†50.0%
APEX-Agents (AA)Artificial Analysis–37.7%
CyberBenchVals AI61.9%†–
Finance Agent v2Vals AI53.9%†51.8%
Harvey's Legal Agent Benchmark v1Vals AI5.0%†3.8%
Legal Research BenchVals AI41.8%†40.4%
SkillsBenchVals AI46.5%†62.2%
SREBenchVals AI0.4%†3.8%
Tax Agent BenchVals AI29.4%†21.8%
Terminal-Bench 2.0 (Vals)Vals AI–73.2%†
Terminal-Bench 4.0 (Vals)Vals AI10.6%†–
Terminal-Bench ScienceVals AI5.7%†–
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)1191†1226†
Arena Agent Task CompletionArena (LMArena)-0.6–
DeepResearch BenchDeepResearch Bench–54.0%†
PostTrainBenchEpoch AI Benchmarking Hub–23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
GBAEvalEpoch AI Benchmarking Hub65.3%†53.2%†
Vending-Bench 2Andon Labs6377.7†7523.8†
AutomationBenchArtificial Analysis32.1%47.3%
GDP.pdf (AA)Artificial Analysis9.4%21.2%
EnterpriseOps-GymArtificial Analysis44.7%†46.6%
AA-Briefcase v1.1Artificial Analysis11771135
Design Arena AgenticDesign Arena1222†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub65.6%†85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%†72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†84.4%†
ProofBenchVals AI77.0%†50.0%
LiveBench MathematicsLiveBench92.9%†95.9%
AIME 2026MathArena–100.0%
HMMT February 2026MathArena–98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena–80.2%
Arena MathsArena (LMArena)14721500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.7%†63.0%
LiveBench 1.0 Data AnalysisLiveBench71.7%†81.6%
MMLU-ProVals AI87.5%†88.1%
LegalBenchVals AI83.9%†86.5%
CorpFinVals AI67.0%†68.4%
TaxEvalVals AI75.6%†75.0%
CaseLaw v2Vals AI–66.2%
Excel Modeling BenchmarkVals AI66.3%†64.5%
MedCodeVals AI47.5%†49.1%
MedScribeVals AI76.0%†86.9%
Public Benefits Bench v1.1Vals AI66.0%†60.9%
DrugDiscoveryBenchScale AI SEAL50.0%†51.6%
EBR-benchEpoch AI Benchmarking Hub–34.3%
GDP.pdfEpoch AI Benchmarking Hub–26.0%
FACTS ParametricGoogle20.5%†–
指令遵循
LiveBench LanguageLiveBench75.0%†87.4%
LiveBench Instruction FollowingLiveBench63.9%†70.7%
IFBenchArtificial Analysis–75.8%
Arena Instruction FollowingArena (LMArena)14671475†
人类偏好
Arena TextArena (LMArena)14611476†
EQ-Bench 4EQ-Bench1221†1295†
EQ-Bench Creative Writing v3EQ-Bench1798†1845†
Arena Creative WritingArena (LMArena)14341448†
Arena Multi-turnArena (LMArena)14731484†
Arena Longer QueriesArena (LMArena)14811486†
多模态
Arena VisionArena (LMArena)12721296†
MMMU-ProArtificial Analysis77.3%†79.9%
MMMU-Pro (Vals)Vals AI83.0%†88.3%
MortgageTaxVals AI70.0%†68.8%
Humanity's Sixth SenseScale AI SEAL24.8%†–
GeoBenchGeoBench74.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub24.9%†36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis76.7%84.3%
Arena DocumentArena (LMArena)14691479†
MLCRArtificial Analysis4.4%28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.9†160.1†
LiveBench 1.0LiveBench76.0%†80.2%
AA Intelligence Index v4.3.2Artificial Analysis31.738.4
AA Progress Index v1Artificial Analysis296.8320
Vals RSI IndexVals AI–16.5%
Vals Multimodal IndexVals AI68.8%†68.1%
安全与诚实
FORTRESSScale AI SEAL–16.3%
DistressBenchScale AI SEAL68.0%†–

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 (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • Claude Sonnet 5 (high):BenchLeader Index 59.5 → 59.0。
  • GPT-5.5 (xhigh):1 项分数修订。
  • Claude Sonnet 5 (high):1 项新结果(GeoBench)。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • Claude Sonnet 5 (high):1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • Claude Sonnet 5 (high):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Sonnet 5 vs GPT-5.5:常见问题

GPT-5.5 比 Claude Sonnet 5 更好吗?
质量上 GPT-5.5 (xhigh) 领先:64.1 比 59.0。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.5 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
Claude Sonnet 5 和 GPT-5.5 哪个更便宜?价格会变吗?
目前 Claude Sonnet 5 更便宜:每百万 token $4.00 比 $11.25(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 还是 GPT-5.5 更好?
两者在编程方面持平(类别得分 60 比 61)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Sonnet 5 为 1539,GPT-5.5 为 1512。
Claude Sonnet 5 和 GPT-5.5 哪个更快?
Claude Sonnet 5 输出更快(输出 99 比 81 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5 还是 GPT-5.5 更好?
GPT-5.5 在智能体任务方面得分更高(类别得分 62 比 53,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 63)。两者都约为 1.1M token(Claude Sonnet 5 为 1,000,000,GPT-5.5 为 1,050,000)。
哪个延迟更低?
Claude Sonnet 5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.8 秒比 38.3 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 和 GPT-5.5 的看法一致吗?
在两者都有结果的 17 项基准测试中,Claude Sonnet 5 领先 2 项,GPT-5.5 领先 15 项。所有同时评测两者的综合评分都认为 GPT-5.5 更强。
Claude Sonnet 5 是什么时候发布的?
Claude Sonnet 5 于 2026年6月30日 发布。