BenchLeader

GLM 5.3 vs Grok 4.7

完整资料:GLM 5.3(Zhipu AI)和 Grok 4.7(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,GLM 5.3 与 Grok 4.7 的质量不相上下(BenchLeader Index 58.8 比 57.4,在 ±4.0 的误差范围内)。GLM 5.3 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。看重人类偏好(67 比 63)、数学(60 比 56)和长上下文(65 比 63)选 GLM 5.3;看重知识(60 比 54)和编程(61 比 60)选 Grok 4.7。

要点(截至 2026年11月16日)

  • GLM 5.3 的 BenchLeader Index 为 58.8,Grok 4.7 为 57.4(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)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 83 项基准测试中,Grok 4.7 领先 44 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GLM 5.3 的评分为 1623,Grok 4.7 为 1641(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Grok 4.7类别得分 61 比 60;Arena WebDev 1641 比 1623中
智能体与工具调用均可类别得分 58 比 57;Terminal-Bench 41.2% 比 38.8%均可
数学GLM 5.3类别得分 60 比 56;FrontierMath Tiers 1–3 68.8% 比 53.0%中
推理均可类别得分 55 比 56;GPQA Diamond 90.9% 比 92.7%均可
知识Grok 4.7类别得分 60 比 54;SimpleQA Verified 56.0% 比 41.0%中
长文档GLM 5.3类别得分 65 比 63;AA-LCR v1.1 79.7% 比 76.7%中
对话质量(人类偏好)GLM 5.3Arena 投票 67 比 63中
成本最低GLM 5.3每百万 token 混合价格 $2.15 比 $3.00;智能体编程会话 $0.102 比 $0.144–
首次回答最快均可首个回答 token 57.6 秒(GLM 5.3 (max))比 55.9 秒(Grok 4.7 (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

  • GLM 5.3 (max) 与 Grok 4.7 (xhigh) 的质量不相上下(58.8 比 57.4,在 ±4.0 的误差范围内)。
  • GLM 5.3 (max) 在智能体与工具、人类偏好、长上下文、数学方面更强。
  • Grok 4.7 (xhigh) 在编程、知识、推理方面更强。
  • GLM 5.3 (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.15 比 $3.00)。

概览

规格GLM 5.3Grok 4.7
提供商Zhipu AISpaceXAI
发布日期2026年8月18日2026年9月21日
上下文窗口(token)1,000,000500,000
对比时的配置GLM 5.3 (max)Grok 4.7 (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$2.00 / $6.00 / $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GLM 5.3 (max)Grok 4.7 (xhigh)领先者
推理54.755.6持平
编程59.760.9Grok 4.7
智能体与工具57.656.9持平
数学60.055.8GLM 5.3
知识53.559.9Grok 4.7
人类偏好67.262.5GLM 5.3
多模态–55.5无法比较
长上下文64.562.9GLM 5.3
综合–52.8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人类偏好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: 64.5GLM 5.3, 人类偏好: 67.2Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 人类偏好: 62.5

未绘制(测得的模型少于两个):指令遵循, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 83 项基准测试中,GLM 5.3 领先 37 项,Grok 4.7 领先 44 项,2 项持平。第三方来源看法不一:GLM 5.3 在 Vals Index和Arena Text 上领先;Grok 4.7 在 AA Intelligence Index v5.0.1 上领先。

综合 IndexGLM 5.3 (max)Grok 4.7 (xhigh)领先者
BenchLeader Index58.857.4不相上下
AA Intelligence Index v5.0.131.635.5Grok 4.7
Vals Index59.958.6GLM 5.3
Arena Text14821443GLM 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)Grok 4.7 (xhigh)
每百万 token 混合价格$2.15$3.00
每百万 token 输入 / 输出$1.40 / $4.40$2.00 / $6.00
每百万 token 缓存输入$0.260$0.500
每项任务价格:聊天回复$0.0019$0.0026
每项任务价格:总结一份 30 页的报告$0.019$0.028
每项任务价格:代码编辑$0.015$0.021
每项任务价格:智能体编程会话$0.102$0.144
每项任务价格:结构化信息提取$0.0037$0.0052
智能体编程会话(输入大多命中缓存)$0.050$0.076
每项基准测试任务成本(AA Index)$5.01$7.77
每项任务输出 token(AA Index)119k105k
其中推理部分85k69k
每项任务耗时(AA Index)23 min26 min
输出速度88 tok/s68 tok/s
首次回答时间57.6 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)144.1 秒145.5 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 GLM 5.3 (max) 上花费 $5.01,在 Grok 4.7 (xhigh) 上花费 $7.77;完成同样的工作,GLM 5.3 (max) 输出的 token 是对方的 1.1 倍。

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)。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 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 169 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)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader58.857.4
智能体与工具得分BenchLeader57.656.9
编程得分BenchLeader59.760.9
人类偏好得分BenchLeader67.262.5
知识得分BenchLeader53.559.9
长上下文得分BenchLeader64.562.9
数学得分BenchLeader60.055.8
推理得分BenchLeader54.755.6
综合得分BenchLeader–52.8
多模态得分BenchLeader–55.5
混合价格(美元/百万 token)BenchLeader$2.15$3.00
输出速度BenchLeader88 tok/s68 tok/s
首次回答时间BenchLeader57.6 秒55.9 秒
上下文窗口BenchLeader1,000,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.9%92.7%
SimpleBenchSimpleBench66.2%†–
Arena Hard PromptsArena (LMArena)15071466
LiveBench 2.0 ReasoningLiveBench–82.7%
LiveBench 1.0 ReasoningLiveBench85.8%†82.7%
GPQA Diamond (AA)Artificial Analysis91.7%–
Humanity's Last Exam (AA)Artificial Analysis42.3%43.1%
HLE-Diamond (AA)Artificial Analysis17.9%23.2%
GPQA Diamond (Vals)Vals AI88.1%–
ARC-AGI-1ARC Prize–89.5%
ARC-AGI-2ARC Prize–61.4%
ARC-AGI-3ARC Prize–7.0%
CritPtArtificial Analysis19.1%17.7%
CritPt v2 hard subset (AA)Artificial Analysis33.5%33.5%
MysteryMechanismVals AI23.0%25.2%
HLE-Diamond (Scale)Scale AI SEAL16.4%†23.4%†
Arena ExpertArena (LMArena)15221478
Chess PuzzlesEpoch AI Benchmarking Hub37.0%41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub33.0%29.0%
LMCAEpoch AI Benchmarking Hub55.5%†49.4%
DTBenchEpoch AI Benchmarking Hub87.7%†96.0%
BTF-3Epoch AI Benchmarking Hub14.9%†–
编程
SciCodeSciCode59.0%57.4%
WeirdMLWeirdML75.4%–
FrontierCodeCognition40.1%47.6%†
显示全部 169 项基准测试
指标发布方GLM 5.3 (max)Grok 4.7 (xhigh)
编程
Arena CodingArena (LMArena)15221493
Arena WebDevArena (LMArena)16231641
LiveBench 2.0 CodingLiveBench–73.1%
LiveBench 1.0 CodingLiveBench79.0%†77.2%
LiveCodeBenchVals AI80.5%–
IOIVals AI68.4%57.7%
SWE-bench (Vals)Vals AI95.4%–
Code MigrationVals AI44.2%44.8%
Code Migration v1.1Vals AI55.1%53.2%
ProgramBenchVals AI1.5%0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI78.1%86.2%
Vibe Code Bench 1-100 v1.1Vals AI29.8%26.4%
SWE Atlas v1.1Scale AI SEAL58.1%†62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL55.6%†64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†48.6%†
SWE-Bench Pro V2Scale AI SEAL95.6%–
SWE-Bench Pro V2 HARDScale AI SEAL84.3%–
MirrorCodeEpoch AI Benchmarking Hub–54.4%
DeepSWE v1.1Epoch AI Benchmarking Hub69.0%–
CursorBenchCursor42.6%46.3%
ALE-BenchEpoch AI Benchmarking Hub1317.4†1545.8
FrontierSWEEpoch AI Benchmarking Hub30.2%29.5%
WeirdML v3WeirdML–8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis41.9%25.8%
Terminal-Bench 2.1 (AA)Artificial Analysis83.9%–
Startrise FrontendStartrise73.2%†75.9%†
GameBench 2 OverallDuelLab GameBench 264.6†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 272.371.2
Design Arena WebsiteDesign Arena1279†1244†
FrontierCode 1.1 (AA)Artificial Analysis40.1%33.8%
FrontierCode 2.0 (AA)Artificial Analysis21.6%28.7%
智能体与工具
Terminal-BenchTerminal-Bench41.2%38.8%
APEX-AgentsMercor56.6%†54.6%†
Arena AgentArena (LMArena)12.6
LiveBench Long AgenticLiveBench–45.3%
LiveBench BrowserLiveBench–49.3%
LiveBench Agentic CodingLiveBench60.9%†54.0%
Terminal-Bench 2.1 (Vals)Vals AI71.5%73.4%
MCP AtlasScale AI SEAL84.2%†–
HiL-BenchScale AI SEAL58.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis57.5%60.7%
GDPval-AA v2.1Artificial Analysis16551717
τ³-Banking (AA)Artificial Analysis50.3%–
ITBench SRE (AA)Artificial Analysis46.1%42.1%
Analyst Agent (AA)Artificial Analysis38.8%52.5%
CyberBenchVals AI72.1%69.5%
Finance Agent v2Vals AI55.8%52.3%
Finance Agent v2.1Vals AI65.0%60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI14.6%18.3%
Harvey's Legal Agent Benchmark v1Vals AI8.3%12.5%
Legal Research BenchVals AI49.0%47.1%
Robo-benchVals AI–0.2%
SkillsBenchVals AI47.5%–
SREBenchVals AI9.2%3.8%
Tax Agent BenchVals AI43.3%35.8%
Terminal-Bench 4.0 (Vals)Vals AI38.9%28.8%
Terminal-Bench ScienceVals AI5.7%10.0%
Arena Agent Task CompletionArena (LMArena)3.15.1
PostTrainBenchEpoch AI Benchmarking Hub34.5%–
Vending-Bench 2Andon Labs8163.6†10536.8†
AutomationBenchArtificial Analysis62.2%65.6%
GDP.pdf (AA)Artificial Analysis11.2%20.0%
Harvey LAB-AA v1.1Harvey0.3%9.4%
EnterpriseOps-GymArtificial Analysis36.4%–
AA-Briefcase v1.1Artificial Analysis15011636
GDPxGDPx by SemiAnalysis2.7%3.9%
Design Arena AgenticDesign Arena1239†1277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis9.5%11.4%
CWE-Bench (AA)Artificial Analysis55.8%68.3%
DeepSec-Bench (AA)Artificial Analysis24.3%26.9%
CyberGym end-to-end (AA)Artificial Analysis29.0%74.0%
MKA (AA)Artificial Analysis–40.1%
FACTS SearchGoogle87.7%†85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub68.8%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.1%98.1%
ProofBenchVals AI49.0%26.0%†
LiveBench MathematicsLiveBench87.9%†95.7%
Arena MathsArena (LMArena)15011447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub41.0%56.0%
LiveBench 2.0 Data AnalysisLiveBench–76.9%
LiveBench ResearchLiveBench–89.5%
LiveBench 1.0 Data AnalysisLiveBench70.2%†76.9%
AA-Omniscience v1.1Artificial Analysis6.031.2
MMLU-ProVals AI86.8%–
LegalBenchVals AI84.8%84.4%
TaxEvalVals AI72.4%–
PRBench LegalScale AI SEAL–47.6%
BioMysteryBenchVals AI–69.3%
Excel Modeling BenchmarkVals AI56.3%67.0%
Excel Modeling Benchmark v1.1Vals AI69.1%71.5%
MedCodeVals AI42.9%49.5%
MedScribeVals AI88.8%89.4%
Public Benefits Bench v1.1Vals AI68.5%65.6%
Access to Justice BenchmarkVals AI73.7%73.7%
Financial Coaching BenchVals AI74.1%74.1%
Immigration BenchVals AI66.7%68.0%
GDP.pdfEpoch AI Benchmarking Hub–22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis32.3%42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis61.1%80.0%
HealthBench Professional (AA)OpenAI52.8%55.8%
FACTS ParametricGoogle40.3%†54.3%†
指令遵循
LiveBench LanguageLiveBench79.9%†80.1%
LiveBench Instruction FollowingLiveBench69.3%†75.3%
Arena Instruction FollowingArena (LMArena)14811435
人类偏好
Arena TextArena (LMArena)14821443
EQ-Bench Creative Writing v3EQ-Bench2076†2012†
Arena Creative WritingArena (LMArena)14561421
Arena Multi-turnArena (LMArena)14821435
Arena Longer QueriesArena (LMArena)14881454
多模态
Arena VisionArena (LMArena)–1230
LiveBench DesignLiveBench–75.0%
MMMU-ProArtificial Analysis–78.2%†
SAGEVals AI–88.7%
GeoBenchGeoBench–61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub–20.8%
VIALS-AAHandshake AI–37.9%
Code2Video-AAArtificial Analysis10341127
AA-3DArtificial Analysis794992
FACTS MultimodalGoogle–40.9%†
长上下文
AA-LCR v1.1Artificial Analysis79.7%76.7%
MLCRArtificial Analysis17.2%20.0%
FACTS GroundingGoogle55.2%†68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.1†156.2†
LiveBench 2.0LiveBench–67.9%
LiveBench 1.0LiveBench76.1%†77.4%
AA Intelligence Index v5.0.1Artificial Analysis31.635.5
AA Intelligence Index v4.3.2Artificial Analysis44.846.5
AA Progress Index v1Artificial Analysis322.7322.7
Vals IndexVals AI59.958.6
Vals Finance IndexVals AI61.4%58.8%
Vals RSI IndexVals AI22.9%20.2%
Vals Science IndexVals AI–34.8%
Vals Router IndexVals AI59.7%†58.6%†
Vals Legal IndexVals AI74.6%72.7%
AA Cyber IndexArtificial Analysis36.456.4
安全与诚实
FORTRESSScale AI SEAL28.2%–
DistressBenchScale AI SEAL72.5%†52.4%†
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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GLM 5.3 (max):1 项新结果(PostTrainBench)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • GLM 5.3 (max):4 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • GLM 5.3 (max):1 项分数修订;价格 $0.30/M → $0.26/M。
  • Grok 4.7 (xhigh):2 项分数修订。
  • 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 Grok 4.7:常见问题

GLM 5.3 比 Grok 4.7 更好吗?
GLM 5.3 (max) 与 Grok 4.7 (xhigh) 的质量不相上下(58.8 比 57.4,在 ±4.0 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 Grok 4.7 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 $3.00(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 GLM 5.3 还是 Grok 4.7 更好?
Grok 4.7 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 Arena WebDev 上,GLM 5.3 为 1623,Grok 4.7 为 1641。
GLM 5.3 和 Grok 4.7 哪个更快?
GLM 5.3 输出更快(输出 88 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.3 还是 Grok 4.7 更好?
两者在智能体任务方面持平(类别得分 58 比 57)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,GLM 5.3 为 41.2%,Grok 4.7 为 38.8%。
更多问题(4)
处理长文档哪个更好?
GLM 5.3 在长上下文基准测试上得分更高(65 比 63)。GLM 5.3 支持更长的上下文:1,000,000 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Grok 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 55.9 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 Grok 4.7 的看法一致吗?
在两者都有结果的 83 项基准测试中,GLM 5.3 领先 37 项,Grok 4.7 领先 44 项,2 项持平。第三方来源看法不一:GLM 5.3 在 Vals Index和Arena Text 上领先;Grok 4.7 在 AA Intelligence Index v5.0.1 上领先。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。