BenchLeader

GLM 5.3 vs GPT-5.4

完整资料:GLM 5.3(Zhipu AI)和 GPT-5.4(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,质量上 GPT-5.4 领先 GLM 5.3(BenchLeader Index 63.1 比 58.8)。不过,GLM 5.3 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $2.15 比 $5.63)。在两者都有成绩的所有类别中,GPT-5.4 均领先。

要点(截至 2026年11月16日)

  • GLM 5.3 的 BenchLeader Index 为 58.8,GPT-5.4 为 63.1(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-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • 在两者都有结果的 34 项基准测试中,GPT-5.4 领先 19 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-5.4类别得分 65 比 60;LiveCodeBench 84.1% 比 80.5%中
智能体与工具调用GPT-5.4类别得分 63 比 58;τ³-Banking (AA) 39.6% 比 50.3%中
数学GPT-5.4类别得分 65 比 60;FrontierMath Tiers 1–3 78.6% 比 68.8%中
推理GPT-5.4类别得分 66 比 55;GPQA Diamond 93.3% 比 90.9%高
知识GPT-5.4类别得分 59 比 54;SimpleQA Verified 45.1% 比 41.0%中
长文档GPT-5.4类别得分 66 比 65;AA-LCR v1.1 82.0% 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 $5.63;智能体编程会话 $0.102 比 $0.210–
首次回答最快GLM 5.3首个回答 token 57.6 秒(GLM 5.3 (max))比 144.9 秒(GPT-5.4 (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-5.4 (xhigh) 领先:63.1 比 58.8。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、知识、长上下文、数学、推理方面更强。
  • GLM 5.3 (max) 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $2.15 比 $5.63)。

概览

规格GLM 5.3GPT-5.4
提供商Zhipu AIOpenAI
发布日期2026年8月18日2026年3月5日
上下文窗口(token)1,000,0001,050,000
对比时的配置GLM 5.3 (max)GPT-5.4 (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$2.50 / $15.00 / $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GLM 5.3 (max)GPT-5.4 (xhigh)领先者
推理54.765.7GPT-5.4
编程59.764.7GPT-5.4
智能体与工具57.663.0GPT-5.4
数学60.064.8GPT-5.4
知识53.558.6GPT-5.4
指令遵循–72.4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64.565.7GPT-5.4

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GLM 5.3, 推理: 54.7GLM 5.3, 编程: 59.7GLM 5.3, 智能体与工具: 57.6GLM 5.3, 数学: 60.0GLM 5.3, 知识: 53.5GLM 5.3, 长上下文: 64.5GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7

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 34 项基准测试中,GLM 5.3 领先 15 项,GPT-5.4 领先 19 项。第三方来源看法不一:GLM 5.3 在 Arena Text 上领先;GPT-5.4 在 BenchLeader Index 上领先。

综合 IndexGLM 5.3 (max)GPT-5.4 (xhigh)领先者
BenchLeader Index58.863.1GPT-5.4
Arena Text14821475†GLM 5.3

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-5.4 (xhigh)
每百万 token 混合价格$2.15$5.63
每百万 token 输入 / 输出$1.40 / $4.40$2.50 / $15.00
每百万 token 缓存输入$0.260$0.250
每项任务价格:聊天回复$0.0019$0.0055
每项任务价格:总结一份 30 页的报告$0.019$0.039
每项任务价格:代码编辑$0.015$0.037
每项任务价格:智能体编程会话$0.102$0.210
每项任务价格:结构化信息提取$0.0037$0.0080
智能体编程会话(输入大多命中缓存)$0.050$0.109
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/s73 tok/s
首次回答时间57.6 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)144.1 秒193.1 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-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 192 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-5.4 (xhigh)
BenchLeader IndexBenchLeader58.863.1
智能体与工具得分BenchLeader57.663.0
编程得分BenchLeader59.764.7
人类偏好得分BenchLeader67.2–
知识得分BenchLeader53.558.6
长上下文得分BenchLeader64.565.7
数学得分BenchLeader60.064.8
推理得分BenchLeader54.765.7
指令遵循得分BenchLeader–72.4
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$2.15$5.63
输出速度BenchLeader88 tok/s73 tok/s
首次回答时间BenchLeader57.6 秒144.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.9%93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
SimpleBenchSimpleBench66.2%†–
Arena Hard PromptsArena (LMArena)15071487†
LiveBench 1.0 ReasoningLiveBench85.8%†88.1%
GPQA Diamond (AA)Artificial Analysis91.7%92.0%
Humanity's Last Exam (AA)Artificial Analysis42.3%43.7%
HLE-Diamond (AA)Artificial Analysis17.9%–
GPQA Diamond (Vals)Vals AI88.1%91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize–93.7%
ARC-AGI-2ARC Prize–74.0%
ARC-AGI-3ARC Prize–0.2%†
CritPtArtificial Analysis19.1%23.4%
CritPt v2 hard subset (AA)Artificial Analysis33.5%–
MysteryMechanismVals AI23.0%–
HLE-Diamond (Scale)Scale AI SEAL16.4%†–
Arena ExpertArena (LMArena)15221491†
Chess PuzzlesEpoch AI Benchmarking Hub37.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub33.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub55.5%†52.0%
DTBenchEpoch AI Benchmarking Hub87.7%†94.4%
ForecastBenchForecastBench–63.0%†
显示全部 192 项基准测试
指标发布方GLM 5.3 (max)GPT-5.4 (xhigh)
推理
BTF-3Epoch AI Benchmarking Hub14.9%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
SciCodeSciCode59.0%56.6%
WeirdMLWeirdML75.4%77.7%
FrontierCodeCognition40.1%–
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)15221511†
Arena WebDevArena (LMArena)16231400†
LiveBench 1.0 CodingLiveBench79.0%†77.5%
SciCode (AA)Artificial Analysis59.0%–
LiveCodeBenchVals AI80.5%84.1%
IOIVals AI68.4%–
SWE-bench (Vals)Vals AI95.4%78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI44.2%35.0%
Code Migration v1.1Vals AI55.1%–
ProgramBenchVals AI1.5%0.0%
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI78.1%67.4%
Vibe Code Bench 1-100 v1.1Vals AI29.8%–
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
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%–
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub69.0%51.8%
CursorBenchCursor42.6%–
ALE-BenchEpoch AI Benchmarking Hub1317.4†1607†
AlgoTuneAlgoTune–1.9†
FrontierSWEEpoch AI Benchmarking Hub30.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis41.9%–
Terminal-Bench 2.1 (AA)Artificial Analysis83.9%78.3%
Startrise FrontendStartrise73.2%†–
GameBench 2 OverallDuelLab GameBench 264.6†53.4†
GameBench 2 by reasoning settingDuelLab GameBench 272.362.1
Design Arena WebsiteDesign Arena1279†1190†
FrontierCode 1.1 (AA)Artificial Analysis40.1%–
FrontierCode 2.0 (AA)Artificial Analysis21.6%–
智能体与工具
Terminal-BenchTerminal-Bench41.2%81.8%†
APEX-AgentsMercor56.6%†52.4%†
Arena AgentArena (LMArena)1–
LiveBench Agentic CodingLiveBench60.9%†53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
Terminal-Bench 2.1 (Vals)Vals AI71.5%–
MCP AtlasScale AI SEAL84.2%†70.6%
HiL-BenchScale AI SEAL58.3%†9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1, normalised scoreArtificial Analysis57.5%–
GDPval-AA v2.1Artificial Analysis16551256
τ³-Banking (AA)Artificial Analysis50.3%39.6%
ITBench SRE (AA)Artificial Analysis46.1%–
Analyst Agent (AA)Artificial Analysis38.8%–
APEX-Agents (AA)Artificial Analysis–33.3%
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%0.0%
Legal Research BenchVals AI49.0%–
SkillsBenchVals AI47.5%51.7%
SREBenchVals AI9.2%–
Tax Agent BenchVals AI43.3%–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI38.9%–
Terminal-Bench ScienceVals AI5.7%–
Arena SearchArena (LMArena)–1196†
Arena Agent Task CompletionArena (LMArena)3.1–
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub34.5%17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs8163.6†6144.2†
AutomationBenchArtificial Analysis62.2%–
GDP.pdf (AA)Artificial Analysis11.2%–
Harvey LAB-AA v1.1Harvey0.3%–
EnterpriseOps-GymArtificial Analysis36.4%–
AA-Briefcase v1.1Artificial Analysis1501–
GDPxGDPx by SemiAnalysis2.7%–
Design Arena AgenticDesign Arena1239†1042†
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%–
DeepSearchQAGoogle–63.7%†
FACTS SearchGoogle87.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub68.8%78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.1%95.3%
ProofBenchVals AI49.0%56.0%
LiveBench MathematicsLiveBench87.9%†94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
Arena MathsArena (LMArena)15011459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub41.0%45.1%
LiveBench 1.0 Data AnalysisLiveBench70.2%†79.3%
AA-Omniscience v1.1Artificial Analysis6.0–
MMLU-ProVals AI86.8%87.5%
LegalBenchVals AI84.8%86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI72.4%74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL–44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
Excel Modeling BenchmarkVals AI56.3%–
Excel Modeling Benchmark v1.1Vals AI69.1%–
MedCodeVals AI42.9%41.3%
MedScribeVals AI88.8%77.5%
Public Benefits Bench v1.1Vals AI68.5%–
Access to Justice BenchmarkVals AI73.7%–
Financial Coaching BenchVals AI74.1%–
Immigration BenchVals AI66.7%–
EBR-benchEpoch AI Benchmarking Hub–25.4%
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%†82.6%
LiveBench Instruction FollowingLiveBench69.3%†70.2%
IFBenchArtificial Analysis–74.0%
Arena Instruction FollowingArena (LMArena)14811460†
人类偏好
Arena TextArena (LMArena)14821465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench2076†1841†
Arena Creative WritingArena (LMArena)14561433†
Arena Multi-turnArena (LMArena)14821480†
Arena Longer QueriesArena (LMArena)14881477†
多模态
Arena VisionArena (LMArena)–1292†
MMMU-ProArtificial Analysis–78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–37.5%
Code2Video-AAArtificial Analysis1034–
AA-3DArtificial Analysis794–
长上下文
AA-LCR v1.1Artificial Analysis79.7%82.0%
Arena DocumentArena (LMArena)–1471†
MLCRArtificial Analysis17.2%–
FACTS GroundingGoogle55.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.1†157.8†
LiveBench 1.0LiveBench76.1%†78.0%
AA Intelligence Index v5.0.1Artificial Analysis31.6–
AA Intelligence Index v4.3.2Artificial Analysis44.839.0
AA Progress Index v1Artificial Analysis322.7311.6
Vals IndexVals AI59.9–
Vals Finance IndexVals AI61.4%–
Vals RSI IndexVals AI22.9%15.5%
Vals Router IndexVals AI59.7%†–
Vals Legal IndexVals AI74.6%–
AA Cyber IndexArtificial Analysis36.4–
安全与诚实
FORTRESSScale AI SEAL28.2%–
MASKScale AI SEAL–89.7%†
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

  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GLM 5.3 (max):1 项新结果(PostTrainBench)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GLM 5.3 (max):4 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
  • GPT-5.4 (xhigh):1 项分数修订。
  • 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。

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-5.4:常见问题

GPT-5.4 比 GLM 5.3 更好吗?
质量上 GPT-5.4 (xhigh) 领先:63.1 比 58.8。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-5.4 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
GLM 5.3 和 GPT-5.4 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 $5.63(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-5.4 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 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-5.4 为 84.1%。
GLM 5.3 和 GPT-5.4 哪个更快?
GLM 5.3 输出更快(输出 88 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.3 还是 GPT-5.4 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 58,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GLM 5.3 为 50.3%,GPT-5.4 为 39.6%。
更多问题(4)
处理长文档哪个更好?
GPT-5.4 在长上下文基准测试上得分更高(66 比 65)。两者都约为 1.1M token(GLM 5.3 为 1,000,000,GPT-5.4 为 1,050,000)。
哪个延迟更低?
GLM 5.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 57.6 秒比 144.9 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-5.4 的看法一致吗?
在两者都有结果的 34 项基准测试中,GLM 5.3 领先 15 项,GPT-5.4 领先 19 项。第三方来源看法不一:GLM 5.3 在 Arena Text 上领先;GPT-5.4 在 BenchLeader Index 上领先。
GLM 5.3 是什么时候发布的?
GLM 5.3 于 2026年8月18日 发布。