BenchLeader

GLM 5.3 vs GPT-5.3-Codex

完整资料:GLM 5.3(Zhipu AI)和 GPT-5.3-Codex(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,GLM 5.3 与 GPT-5.3-Codex 的质量不相上下(BenchLeader Index 58.8 比 62.9,在 ±7.6 的误差范围内)。GLM 5.3 更便宜,对方的价格是它的 2.2 倍(每百万 token 混合价格 $2.15 比 $4.81)。在两者都有成绩的所有类别中,GPT-5.3-Codex 均领先。

要点(截至 2026年11月16日)

  • GLM 5.3 的 BenchLeader Index 为 58.8,GPT-5.3-Codex 为 62.9(BenchLeader,2026年11月16日)。
  • GLM 5.3 每百万 token 混合价格为 $2.15(标价,2026年11月16日)。
  • GPT-5.3-Codex 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • 在两者都有结果的 11 项基准测试中,GLM 5.3 领先 7 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GPT-5.3-Codex类别得分 61 比 60;LiveCodeBench 87.3% 比 80.5%中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 58;AA-Briefcase v1.1 868 比 1501高
长文档GPT-5.3-Codex类别得分 66 比 65;AA-LCR v1.1 83.3% 比 79.7%中
对话质量(人类偏好)–只有 GLM 5.3 有 Arena 评分(类别得分 67)无法比较
成本最低GLM 5.3每百万 token 混合价格 $2.15 比 $4.81;智能体编程会话 $0.102 比 $0.161–
首次回答最快GPT-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))比 57.6 秒(GLM 5.3 (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

  • GLM 5.3 (max) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(58.8 比 62.9,在 ±7.6 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程、长上下文方面更强。
  • GLM 5.3 (max) 更便宜,对方的价格是它的 2.2 倍(每百万 token 混合价格 $2.15 比 $4.81)。

概览

规格GLM 5.3GPT-5.3-Codex
提供商Zhipu AIOpenAI
发布日期2026年8月18日2026年2月5日
上下文窗口(token)1,000,000400,000
对比时的配置GLM 5.3 (max)GPT-5.3-Codex (xhigh)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.40 / $4.40 / $0.260$1.75 / $14.00 / $0.175

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GLM 5.3 (max)GPT-5.3-Codex (xhigh)领先者
推理54.7–无法比较
编程59.761.0GPT-5.3-Codex
智能体与工具57.680.1GPT-5.3-Codex
数学60.0–无法比较
知识53.5–无法比较
指令遵循–73.6无法比较
人类偏好67.2–无法比较
多模态–60.8无法比较
长上下文64.566.4GPT-5.3-Codex

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编程智能体与工具长上下文GLM 5.3, 编程: 59.7GLM 5.3, 智能体与工具: 57.6GLM 5.3, 长上下文: 64.5GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4

未绘制(测得的模型少于两个):推理, 数学, 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 11 项基准测试中,GLM 5.3 领先 7 项,GPT-5.3-Codex 领先 4 项。

综合 IndexGLM 5.3 (max)GPT-5.3-Codex (xhigh)领先者
BenchLeader Index58.862.9不相上下

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GLM 5.3 (max)GPT-5.3-Codex (xhigh)
每百万 token 混合价格$2.15$4.81
每百万 token 输入 / 输出$1.40 / $4.40$1.75 / $14.00
每百万 token 缓存输入$0.260$0.175
每项任务价格:聊天回复$0.0019$0.0049
每项任务价格:总结一份 30 页的报告$0.019$0.029
每项任务价格:代码编辑$0.015$0.032
每项任务价格:智能体编程会话$0.102$0.161
每项任务价格:结构化信息提取$0.0037$0.0063
智能体编程会话(输入大多命中缓存)$0.050$0.090
每项基准测试任务成本(AA Index)$5.01–
每项任务输出 token(AA Index)119k–
其中推理部分85k–
每项任务耗时(AA Index)23 min–
输出速度88 tok/s94 tok/s
首次回答时间57.6 秒38.2 秒
完整回答耗时(最近一次测量 2026年11月13日)144.1 秒97.1 秒

每个模型都按其排名最高的推理强度设置进行对比。GLM 5.3 (max) 得分 58.8,首个回答 token 需 58 秒;GLM 5.3 (low) 为 47.3(7 秒)。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 147 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GLM 5.3 (max)GPT-5.3-Codex (xhigh)
BenchLeader IndexBenchLeader58.862.9
智能体与工具得分BenchLeader57.680.1
编程得分BenchLeader59.761.0
人类偏好得分BenchLeader67.2–
知识得分BenchLeader53.5–
长上下文得分BenchLeader64.566.4
数学得分BenchLeader60.0–
推理得分BenchLeader54.7–
指令遵循得分BenchLeader–73.6
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$2.15$4.81
输出速度BenchLeader88 tok/s94 tok/s
首次回答时间BenchLeader57.6 秒38.2 秒
上下文窗口BenchLeader1,000,000 token400,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.9%–
SimpleBenchSimpleBench66.2%†–
Arena Hard PromptsArena (LMArena)1507–
LiveBench 1.0 ReasoningLiveBench85.8%†–
GPQA Diamond (AA)Artificial Analysis91.7%91.5%
Humanity's Last Exam (AA)Artificial Analysis42.3%42.5%
HLE-Diamond (AA)Artificial Analysis17.9%–
GPQA Diamond (Vals)Vals AI88.1%–
CritPtArtificial Analysis19.1%16.9%
CritPt v2 hard subset (AA)Artificial Analysis33.5%–
MysteryMechanismVals AI23.0%–
HLE-Diamond (Scale)Scale AI SEAL16.4%†–
Arena ExpertArena (LMArena)1522–
Chess PuzzlesEpoch AI Benchmarking Hub37.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub33.0%–
LMCAEpoch AI Benchmarking Hub55.5%†–
DTBenchEpoch AI Benchmarking Hub87.7%†–
BTF-3Epoch AI Benchmarking Hub14.9%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–74.8%†
SciCodeSciCode59.0%–
WeirdMLWeirdML75.4%77.9%
FrontierCodeCognition40.1%–
Arena CodingArena (LMArena)1522–
Arena WebDevArena (LMArena)16231406†
LiveBench 1.0 CodingLiveBench79.0%†–
显示全部 147 项基准测试
指标发布方GLM 5.3 (max)GPT-5.3-Codex (xhigh)
编程
LiveCodeBenchVals AI80.5%87.3%
IOIVals AI68.4%53.8%
SWE-bench (Vals)Vals AI95.4%78.0%
Code MigrationVals AI44.2%–
Code Migration v1.1Vals AI55.1%–
ProgramBenchVals AI1.5%–
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI78.1%61.8%
Vibe Code Bench 1-100 v1.1Vals AI29.8%–
SWE Atlas v1.1Scale AI SEAL58.1%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†–
SWE Atlas v1.1: Test WritingScale AI SEAL55.6%†–
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†–
SWE-Bench Pro V2Scale AI SEAL95.6%–
SWE-Bench Pro V2 HARDScale AI SEAL84.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub69.0%–
CursorBenchCursor42.6%–
ALE-BenchEpoch AI Benchmarking Hub1317.4†1655.2
FrontierSWEEpoch AI Benchmarking Hub30.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis41.9%–
Terminal-Bench 2.1 (AA)Artificial Analysis83.9%–
Startrise FrontendStartrise73.2%†–
GameBench 2 OverallDuelLab GameBench 264.6†–
GameBench 2 by reasoning settingDuelLab GameBench 272.3–
Design Arena WebsiteDesign Arena1279†1155†
FrontierCode 1.1 (AA)Artificial Analysis40.1%–
FrontierCode 2.0 (AA)Artificial Analysis21.6%–
智能体与工具
Terminal-BenchTerminal-Bench41.2%78.4%†
APEX-AgentsMercor56.6%†–
Arena AgentArena (LMArena)1–
LiveBench Agentic CodingLiveBench60.9%†–
Terminal-Bench HardArtificial Analysis–53.0%
τ²-Bench Telecom (AA)Artificial Analysis–86.0%
Terminal-Bench 2.1 (Vals)Vals AI71.5%–
MCP AtlasScale AI SEAL84.2%†–
HiL-BenchScale AI SEAL58.3%†4.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis57.5%–
GDPval-AA v2.1Artificial Analysis1655–
τ³-Banking (AA)Artificial Analysis50.3%–
ITBench SRE (AA)Artificial Analysis46.1%–
Analyst Agent (AA)Artificial Analysis38.8%–
CyberBenchVals AI72.1%–
Finance Agent v2Vals AI55.8%–
Finance Agent v2.1Vals AI65.0%–
Harvey's Legal Agent Benchmark v1.1Vals AI14.6%–
Harvey's Legal Agent Benchmark v1Vals AI8.3%–
Legal Research BenchVals AI49.0%–
SkillsBenchVals AI47.5%–
SREBenchVals AI9.2%–
Tax Agent BenchVals AI43.3%–
Terminal-Bench 2.0 (Vals)Vals AI–64.0%†
Terminal-Bench 4.0 (Vals)Vals AI38.9%–
Terminal-Bench ScienceVals AI5.7%–
Arena Agent Task CompletionArena (LMArena)3.1–
PostTrainBenchEpoch AI Benchmarking Hub34.5%–
METR Time HorizonsMETR–74.5%†
Vending-Bench 2Andon Labs8163.6†5940.1†
AutomationBenchArtificial Analysis62.2%–
GDP.pdf (AA)Artificial Analysis11.2%–
Harvey LAB-AA v1.1Harvey0.3%–
EnterpriseOps-GymArtificial Analysis36.4%–
AA-Briefcase v1.1Artificial Analysis1501868
GDPxGDPx by SemiAnalysis2.7%–
Design Arena AgenticDesign Arena1239†1018†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis9.5%–
CWE-Bench (AA)Artificial Analysis55.8%–
DeepSec-Bench (AA)Artificial Analysis24.3%–
CyberGym end-to-end (AA)Artificial Analysis29.0%–
FACTS SearchGoogle87.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub68.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%–
OTIS Mock AIMEEpoch AI Benchmarking Hub91.1%–
ProofBenchVals AI49.0%–
LiveBench MathematicsLiveBench87.9%†–
Arena MathsArena (LMArena)1501–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub41.0%–
LiveBench 1.0 Data AnalysisLiveBench70.2%†–
AA-Omniscience v1.1Artificial Analysis6.0–
MMLU-ProVals AI86.8%–
LegalBenchVals AI84.8%–
TaxEvalVals AI72.4%–
Excel Modeling BenchmarkVals AI56.3%–
Excel Modeling Benchmark v1.1Vals AI69.1%–
MedCodeVals AI42.9%–
MedScribeVals AI88.8%–
Public Benefits Bench v1.1Vals AI68.5%–
Access to Justice BenchmarkVals AI73.7%–
Financial Coaching BenchVals AI74.1%–
Immigration BenchVals AI66.7%–
AA-Omniscience v1.1: accuracyArtificial Analysis32.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis61.1%–
HealthBench Professional (AA)OpenAI52.8%–
FACTS ParametricGoogle40.3%†–
指令遵循
LiveBench LanguageLiveBench79.9%†–
LiveBench Instruction FollowingLiveBench69.3%†–
IFBenchArtificial Analysis–75.4%
Arena Instruction FollowingArena (LMArena)1481–
人类偏好
Arena TextArena (LMArena)1482–
EQ-Bench Creative Writing v3EQ-Bench2076†–
Arena Creative WritingArena (LMArena)1456–
Arena Multi-turnArena (LMArena)1482–
Arena Longer QueriesArena (LMArena)1488–
多模态
MMMU-ProArtificial Analysis–78.5%
Code2Video-AAArtificial Analysis1034–
AA-3DArtificial Analysis794–
长上下文
AA-LCR v1.1Artificial Analysis79.7%83.3%
MLCRArtificial Analysis17.2%–
FACTS GroundingGoogle55.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.1†–
LiveBench 1.0LiveBench76.1%†–
AA Intelligence Index v5.0.1Artificial Analysis31.6–
AA Intelligence Index v4.3.2Artificial Analysis44.832.5
AA Progress Index v1Artificial Analysis322.7301.3
Vals IndexVals AI59.9–
Vals Finance IndexVals AI61.4%–
Vals RSI IndexVals AI22.9%–
Vals Router IndexVals AI59.7%†–
Vals Legal IndexVals AI74.6%–
AA Cyber IndexArtificial Analysis36.4–
安全与诚实
FORTRESSScale AI SEAL28.2%–
DistressBenchScale AI SEAL72.5%†–
元数据
AA Openness IndexArtificial Analysis33.3–

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

  • GLM 5.3 (max):1 项新结果(PostTrainBench)。
  • GLM 5.3 (max):4 项分数修订。
  • GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
  • GLM 5.3 (max):价格 $0.26/M → $0.30/M。
  • GLM 5.3 (max):价格 $0.30/M → $0.26/M。
  • GLM 5.3 (max):价格 $0.26/M → $0.30/M。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GLM 5.3 (max):BenchLeader Index 61.3 → 58.9。
  • GLM 5.3 (max):5 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);3 项分数修订;价格 $2.01/M → $5.01/M;价格 $0.30/M → $0.26/M。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。

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

GLM 5.3 vs GPT-5.3-Codex:常见问题

GLM 5.3 比 GPT-5.3-Codex 更好吗?
GLM 5.3 (max) 与 GPT-5.3-Codex (xhigh) 的质量不相上下(58.8 比 62.9,在 ±7.6 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
GLM 5.3 和 GPT-5.3-Codex 哪个更便宜?价格会变吗?
目前 GLM 5.3 更便宜:每百万 token $2.15 比 $4.81(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 GLM 5.3 还是 GPT-5.3-Codex 更好?
GPT-5.3-Codex 在编程方面得分更高(类别得分 61 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GLM 5.3 为 80.5%,GPT-5.3-Codex 为 87.3%。
GLM 5.3 和 GPT-5.3-Codex 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 88 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.3 还是 GPT-5.3-Codex 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 58,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.3-Codex 在长上下文基准测试上得分更高(66 比 65)。GLM 5.3 支持更长的上下文:1,000,000 token,GPT-5.3-Codex 为 400,000 token。
哪个延迟更低?
GPT-5.3-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.2 秒比 57.6 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 GLM 5.3 和 GPT-5.3-Codex 的看法一致吗?
在两者都有结果的 11 项基准测试中,GLM 5.3 领先 7 项,GPT-5.3-Codex 领先 4 项。
GLM 5.3 是什么时候发布的?
GLM 5.3 于 2026年8月18日 发布。