BenchLeader

GPT-5.2 vs Step 5 Preview

完整资料:GPT-5.2(OpenAI)和 Step 5 Preview(StepFun),包括全部基准测试、价格和排名。

更新于 · 数据来自 9 个来源

截至 2026年11月16日,GPT-5.2 与 Step 5 Preview 的质量不相上下(BenchLeader Index 59.9 比 56.0,在 ±5.9 的误差范围内)。Step 5 Preview 更便宜,对方的价格是它的 3.4 倍(每百万 token 混合价格 $1.43 比 $4.81)。看重编程(63 比 50)、推理(60 比 52)和智能体与工具(54 比 49)选 GPT-5.2;看重数学(60 比 57)和长上下文(69 比 66)选 Step 5 Preview。Step 5 Preview 的首次回答更快(23.5 秒 比 112.5 秒)。Step 5 Preview 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.2 的 BenchLeader Index 为 59.9,Step 5 Preview 为 56.0(BenchLeader,2026年11月16日)。
  • GPT-5.2 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • Step 5 Preview 每百万 token 混合价格为 $1.43(标价,2026年11月16日)。
  • Step 5 Preview 比 GPT-5.2 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 6 项基准测试中,Step 5 Preview 领先 6 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-5.2类别得分 63 比 50;Vibe Code Bench v1.1 53.5% 比 70.4%高
智能体与工具调用GPT-5.2类别得分 54 比 49中
数学Step 5 Preview类别得分 60 比 57;ProofBench 42.0% 比 15.0%中
推理GPT-5.2类别得分 60 比 52;Humanity's Last Exam (AA) 37.7% 比 46.5%高
知识GPT-5.2类别得分 56 比 54中
长文档Step 5 Preview类别得分 69 比 66;AA-LCR v1.1 88.3% 比 82.7%中
对话质量(人类偏好)–只有 Step 5 Preview 有 Arena 评分(类别得分 63)无法比较
成本最低Step 5 Preview每百万 token 混合价格 $1.43 比 $4.81;智能体编程会话 $0.071 比 $0.161–
首次回答最快Step 5 Preview首个回答 token 23.5 秒(Step 5 Preview)比 112.5 秒(GPT-5.2 (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

  • GPT-5.2 (xhigh) 与 Step 5 Preview 的质量不相上下(59.9 比 56.0,在 ±5.9 的误差范围内)。
  • GPT-5.2 (xhigh) 在智能体与工具、编程、知识、推理方面更强。
  • Step 5 Preview 在长上下文、数学方面更强。
  • Step 5 Preview 更便宜,对方的价格是它的 3.4 倍(每百万 token 混合价格 $1.43 比 $4.81)。
  • Step 5 Preview 的输出速度是对方的 1.6 倍(124 比 76 token/秒)。

概览

规格GPT-5.2Step 5 Preview
提供商OpenAIStepFun
发布日期2025年12月11日2026年9月18日
上下文窗口(token)400,0001,000,000
对比时的配置GPT-5.2 (xhigh)Step 5 Preview
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.75 / $14.00 / $0.175$1.00 / $2.70 / $0.105

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GPT-5.2 (xhigh)Step 5 Preview领先者
推理60.451.7GPT-5.2
编程63.049.9GPT-5.2
智能体与工具53.849.1GPT-5.2
数学56.560.1Step 5 Preview
知识56.153.7GPT-5.2
指令遵循73.7–无法比较
人类偏好–63.1无法比较
多模态–59.3无法比较
长上下文66.069.0Step 5 Preview

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GPT-5.2, 推理: 60.4GPT-5.2, 编程: 63.0GPT-5.2, 智能体与工具: 53.8GPT-5.2, 数学: 56.5GPT-5.2, 知识: 56.1GPT-5.2, 长上下文: 66.0Step 5 Preview, 推理: 51.7Step 5 Preview, 编程: 49.9Step 5 Preview, 智能体与工具: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知识: 53.7Step 5 Preview, 长上下文: 69.0

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 6 项基准测试中,GPT-5.2 领先 0 项,Step 5 Preview 领先 6 项。所有同时评测两者的综合评分都认为 Step 5 Preview 更强。

综合 IndexGPT-5.2 (xhigh)Step 5 Preview领先者
BenchLeader Index59.956.0不相上下
Arena Text1437†1449Step 5 Preview

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GPT-5.2 (xhigh)Step 5 Preview
每百万 token 混合价格$4.81$1.43
每百万 token 输入 / 输出$1.75 / $14.00$1.00 / $2.70
每百万 token 缓存输入$0.175$0.105
每项任务价格:聊天回复$0.0049$0.0012
每项任务价格:总结一份 30 页的报告$0.029$0.014
每项任务价格:代码编辑$0.032$0.010
每项任务价格:智能体编程会话$0.161$0.071
每项任务价格:结构化信息提取$0.0063$0.0025
智能体编程会话(输入大多命中缓存)$0.090$0.030
每项基准测试任务成本(AA Index)–$2.35
每项任务输出 token(AA Index)–113k
其中推理部分–80k
每项任务耗时(AA Index)–15 min
输出速度76 tok/s124 tok/s
首次回答时间112.5 秒23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)154.4 秒54.4 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.2 (xhigh) 得分 59.9,首个回答 token 需 112 秒;GPT-5.2 为 56.7(2 秒),GPT-5.2 (medium) 为 56.2(7 秒)。Step 5 Preview 得分 56.0,首个回答 token 需 24 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 172 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GPT-5.2 (xhigh)Step 5 Preview
BenchLeader IndexBenchLeader59.956.0
智能体与工具得分BenchLeader53.849.1
编程得分BenchLeader63.049.9
指令遵循得分BenchLeader73.7–
知识得分BenchLeader56.153.7
长上下文得分BenchLeader66.069.0
数学得分BenchLeader56.560.1
推理得分BenchLeader60.451.7
人类偏好得分BenchLeader–63.1
多模态得分BenchLeader–59.3
混合价格(美元/百万 token)BenchLeader$4.81$1.43
输出速度BenchLeader76 tok/s124 tok/s
首次回答时间BenchLeader112.5 秒23.5 秒
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.4%–
Humanity's Last ExamScale AI / CAIS27.8%†–
SimpleBenchSimpleBench45.8%†–
Arena Hard PromptsArena (LMArena)1497†1477
LiveBench 2.0 ReasoningLiveBench–83.8%†
LiveBench 1.0 ReasoningLiveBench83.2%†–
GPQA Diamond (AA)Artificial Analysis90.3%–
Humanity's Last Exam (AA)Artificial Analysis37.7%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark73.3%†–
ARC-AGI-1ARC Prize86.2%–
ARC-AGI-2ARC Prize52.9%–
CritPtArtificial Analysis11.6%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
SciPredictScale AI SEAL20.6%†–
Arena ExpertArena (LMArena)1491†1489
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub22.0%†–
CL-benchEpoch AI Benchmarking Hub18.2%†–
LMCAEpoch AI Benchmarking Hub43.9%–
DTBenchEpoch AI Benchmarking Hub90.9%–
ForecastBenchForecastBench63.8%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub73.8%†–
显示全部 172 项基准测试
指标发布方GPT-5.2 (xhigh)Step 5 Preview
编程
SciCodeSciCode–58.9%
WeirdMLWeirdML72.2%–
GSO-BenchGSO-Bench27.4%†–
Arena CodingArena (LMArena)1515†1505
Arena WebDevArena (LMArena)1421†1573†
LiveBench 2.0 CodingLiveBench–67.6%†
LiveBench 1.0 CodingLiveBench76.1%†–
LiveCodeBenchVals AI85.4%–
IOIVals AI–38.1%
SWE-bench (Vals)Vals AI75.8%–
SWE-Bench ProScale AI SEAL29.9%†–
SWE-bench Verified (bash only)SWE-bench69.0%†–
SWE-bench Multilingual (bash only)SWE-bench66.7%†–
SWE-bench Verified (any scaffold)SWE-bench72.8%†–
Code MigrationVals AI–39.0%
Code Migration v1.1Vals AI–47.0%
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI53.5%70.4%
SWE-Bench Pro (private)Scale AI SEAL23.8%†–
MirrorCodeEpoch AI Benchmarking Hub32.2%–
ALE-BenchEpoch AI Benchmarking Hub1249.8†–
AlgoTuneAlgoTune2.0†–
WeirdML v3WeirdML5.0%–
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%
Design Arena WebsiteDesign Arena1186–
FrontierCode 1.1 (AA)Artificial Analysis–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
LiveCodeBench (AA)Artificial Analysis88.9%–
智能体与工具
Terminal-BenchTerminal-Bench64.9%†–
GDPvalOpenAI49.7%†–
Remote Labor IndexScale AI / CAIS2.1%†–
Arena AgentArena (LMArena)–-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
LiveBench Agentic CodingLiveBench50.3%†–
Terminal-Bench HardArtificial Analysis47.0%–
τ²-Bench Telecom (AA)Artificial Analysis84.8%–
MCP AtlasScale AI SEAL67.6%–
BFCL OverallBerkeley Function Calling Leaderboard55.9%†–
τ²-benchτ²-bench84.8%†–
τ³-bench Bankingτ²-bench32.2%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis–1591
τ³-Banking (AA)Artificial Analysis11.1%†–
ITBench SRE (AA)Artificial Analysis–55.6%
Analyst Agent (AA)Artificial Analysis–35.0%
APEX-Agents (AA)Artificial Analysis–38.0%
Finance Agent v2Vals AI–50.7%
Finance Agent v2.1Vals AI–58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%
Harvey's Legal Agent Benchmark v1Vals AI–9.2%
Legal Research BenchVals AI–40.4%
Poker AgentVals AI1131.8%†–
SREBenchVals AI–0.4%
Tax Agent BenchVals AI–27.3%
Terminal-Bench 2.0 (Vals)Vals AI51.7%†–
Terminal-Bench 4.0 (Vals)Vals AI–31.8%
Terminal-Bench ScienceVals AI–2.9%
Arena SearchArena (LMArena)1161†–
Arena Agent Task CompletionArena (LMArena)–-1.5
DeepResearch BenchDeepResearch Bench41.1%†–
METR Time HorizonsMETR75.3%†–
Vending-Bench 2Andon Labs3591.3†–
AutomationBenchArtificial Analysis–51.0%
GDP.pdf (AA)Artificial Analysis–14.8%
EnterpriseOps-GymArtificial Analysis–47.2%
AA-Briefcase v1.1Artificial Analysis–1424
Design Arena AgenticDesign Arena1065†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–2.4%
CWE-Bench (AA)Artificial Analysis–52.5%
DeepSec-Bench (AA)Artificial Analysis–15.8%
CyberGym end-to-end (AA)Artificial Analysis–74.8%
MKA (AA)Artificial Analysis–27.6%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub67.4%–
FrontierMath Tier 4Epoch AI Benchmarking Hub31.7%–
OTIS Mock AIMEEpoch AI Benchmarking Hub96.1%–
ProofBenchVals AI15.0%42.0%
LiveBench MathematicsLiveBench93.2%†–
AIME (Vals)Vals AI96.9%–
MGSMVals AI94.0%–
AIME 2026MathArena98.3%†–
HMMT February 2026MathArena97.0%†–
MathArena ApexMathArena13.5%†–
Arena MathsArena (LMArena)1453†1470
AIME 2025 (AA)Artificial Analysis99.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub37.1%–
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
LiveBench 1.0 Data AnalysisLiveBench78.2%†–
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI86.2%–
LegalBenchVals AI82.8%–
CorpFinVals AI65.9%–
TaxEvalVals AI75.8%–
MedQAVals AI94.1%–
MultiNRCScale AI SEAL42.2%†–
BioMysteryBenchVals AI–67.4%
CaseLaw v2Vals AI66.0%–
Excel Modeling BenchmarkVals AI–57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI49.8%–
MedScribeVals AI84.4%–
Public Benefits Bench v1.1Vals AI–58.1%
DrugDiscoveryBenchScale AI SEAL29.3%–
EBR-benchEpoch AI Benchmarking Hub23.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
Global-MMLU-Lite (AA)Artificial Analysis89.8%†–
指令遵循
LiveBench LanguageLiveBench79.8%†–
LiveBench Instruction FollowingLiveBench61.8%†–
IFBenchArtificial Analysis75.4%–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)1457†1450
人类偏好
Arena TextArena (LMArena)1476†1449
EQ-Bench Creative Writing v3EQ-Bench1703†–
Arena Creative WritingArena (LMArena)1432†1413
Arena Multi-turnArena (LMArena)1495†1445
Arena Longer QueriesArena (LMArena)1472†1461
多模态
Arena VisionArena (LMArena)1268†1263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis74.6%†76.4%
VISTAScale AI SEAL46.6%†–
MMMU-Pro (Vals)Vals AI86.7%–
MortgageTaxVals AI67.1%–
VPCTEpoch AI Benchmarking Hub84.0%–
Furniture AssemblyEpoch AI Benchmarking Hub38.3%–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
长上下文
AA-LCR v1.1Artificial Analysis82.7%88.3%
Arena DocumentArena (LMArena)1425†–
MLCRArtificial Analysis–18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub154.5†–
LiveBench 2.0LiveBench–54.9%†
LiveBench 1.0LiveBench74.6%†–
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis30.443.7
AA Progress Index v1Artificial Analysis295.5318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals RSI IndexVals AI15.8%–
Vals Science IndexVals AI–29.6%
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
FORTRESSScale AI SEAL17.5%†–
MASKScale AI SEAL86.7%†–
PropensityBenchScale AI SEAL34.4%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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。

变化

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • GPT-5.2 (xhigh):1 项新结果(AIME 2025 (AA))。
  • Step 5 Preview:1 项分数修订。
  • GPT-5.2 (xhigh):1 项新结果(MirrorCode)。
  • Step 5 Preview:7 项分数修订。
  • Step 5 Preview:2 项新结果(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Step 5 Preview:1 项分数修订。
  • Step 5 Preview:BenchLeader Index 58.0 → 54.7。
  • GPT-5.2 (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

GPT-5.2 vs Step 5 Preview:常见问题

GPT-5.2 比 Step 5 Preview 更好吗?
GPT-5.2 (xhigh) 与 Step 5 Preview 的质量不相上下(59.9 比 56.0,在 ±5.9 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。
GPT-5.2 和 Step 5 Preview 哪个更便宜?价格会变吗?
目前 Step 5 Preview 更便宜:每百万 token $1.43 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 GPT-5.2 还是 Step 5 Preview 更好?
GPT-5.2 在编程方面得分更高(类别得分 63 比 50,50 为平均水平)。
GPT-5.2 和 Step 5 Preview 哪个更快?
Step 5 Preview 输出更快(约 2 倍;输出 124 比 76 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.2 还是 Step 5 Preview 更好?
GPT-5.2 在智能体任务方面得分更高(类别得分 54 比 49,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Step 5 Preview 在长上下文基准测试上得分更高(69 比 66)。Step 5 Preview 支持更长的上下文:1,000,000 token,GPT-5.2 为 400,000 token。
哪个延迟更低?
Step 5 Preview 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 23.5 秒比 112.5 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 GPT-5.2 和 Step 5 Preview 的看法一致吗?
在两者都有结果的 6 项基准测试中,GPT-5.2 领先 0 项,Step 5 Preview 领先 6 项。所有同时评测两者的综合评分都认为 Step 5 Preview 更强。
Step 5 Preview 是什么时候发布的?
Step 5 Preview 于 2026年9月18日 发布。