BenchLeader

GPT-5.3-Codex vs GPT-5.4

完整资料:GPT-5.3-Codex(OpenAI)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 11 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 GPT-5.4 的质量不相上下(BenchLeader Index 62.9 比 63.1,在 ±7.5 的误差范围内)。GPT-5.3-Codex 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.81 比 $5.63)。看重智能体与工具(80 比 63)和指令遵循(74 比 72)选 GPT-5.3-Codex;看重编程(65 比 61)选 GPT-5.4。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 144.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,GPT-5.4 为 63.1(BenchLeader,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)。
  • 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 13 项基准测试中,GPT-5.4 领先 8 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 61;LiveCodeBench 84.1% 比 87.3%中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 63;Terminal-Bench Hard 53.0% 比 57.6%高
长文档均可类别得分 66 比 66;AA-LCR v1.1 83.3% 比 82.0%均可
图像及其他媒体均可类别得分 61 比 61;MMMU-Pro 78.5% 比 78.4%均可
指令遵循GPT-5.3-Codex类别得分 74 比 72;IFBench 75.4% 比 74.0%中
成本最低GPT-5.3-Codex每百万 token 混合价格 $4.81 比 $5.63;智能体编程会话 $0.161 比 $0.210–
首次回答最快GPT-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))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

  • GPT-5.3-Codex (xhigh) 与 GPT-5.4 (xhigh) 的质量不相上下(62.9 比 63.1,在 ±7.5 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、指令遵循、长上下文方面更强。
  • GPT-5.4 (xhigh) 在编程方面更强。
  • GPT-5.3-Codex (xhigh) 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.81 比 $5.63)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 1.3 倍(94 比 73 token/秒)。

概览

规格GPT-5.3-CodexGPT-5.4
提供商OpenAIOpenAI
发布日期2026年2月5日2026年3月5日
上下文窗口(token)400,0001,050,000
对比时的配置GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.75 / $14.00 / $0.175$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GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)领先者
推理–65.7无法比较
编程61.064.7GPT-5.4
智能体与工具80.163.0GPT-5.3-Codex
数学–64.8无法比较
知识–58.6无法比较
指令遵循73.672.4GPT-5.3-Codex
多模态60.860.8持平
长上下文66.465.7持平

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编程智能体与工具指令遵循长上下文多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 指令遵循: 73.6GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 指令遵循: 72.4GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8

未绘制(测得的模型少于两个):推理, 数学, 知识, 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 13 项基准测试中,GPT-5.3-Codex 领先 5 项,GPT-5.4 领先 8 项。

综合 IndexGPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)领先者
BenchLeader Index62.963.1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GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
每百万 token 混合价格$4.81$5.63
每百万 token 输入 / 输出$1.75 / $14.00$2.50 / $15.00
每百万 token 缓存输入$0.175$0.250
每项任务价格:聊天回复$0.0049$0.0055
每项任务价格:总结一份 30 页的报告$0.029$0.039
每项任务价格:代码编辑$0.032$0.037
每项任务价格:智能体编程会话$0.161$0.210
每项任务价格:结构化信息提取$0.0063$0.0080
智能体编程会话(输入大多命中缓存)$0.090$0.109
输出速度94 tok/s73 tok/s
首次回答时间38.2 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 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。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 120 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-5.3-Codex (xhigh)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader62.963.1
智能体与工具得分BenchLeader80.163.0
编程得分BenchLeader61.064.7
指令遵循得分BenchLeader73.672.4
长上下文得分BenchLeader66.465.7
多模态得分BenchLeader60.860.8
知识得分BenchLeader–58.6
数学得分BenchLeader–64.8
推理得分BenchLeader–65.7
混合价格(美元/百万 token)BenchLeader$4.81$5.63
输出速度BenchLeader94 tok/s73 tok/s
首次回答时间BenchLeader38.2 秒144.9 秒
上下文窗口BenchLeader400,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
Arena Hard PromptsArena (LMArena)–1487†
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis91.5%92.0%
Humanity's Last Exam (AA)Artificial Analysis42.5%43.7%
GPQA Diamond (Vals)Vals AI–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 Analysis16.9%23.4%
Arena ExpertArena (LMArena)–1491†
Chess PuzzlesEpoch AI Benchmarking Hub–48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub–52.0%
DTBenchEpoch AI Benchmarking Hub–94.4%
ForecastBenchForecastBench–63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†76.9%†
SciCodeSciCode–56.6%
WeirdMLWeirdML77.9%77.7%
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)–1511†
显示全部 120 项基准测试
指标发布方GPT-5.3-Codex (xhigh)GPT-5.4 (xhigh)
编程
Arena WebDevArena (LMArena)1406†1400†
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI87.3%84.1%
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI61.8%67.4%
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%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
ALE-BenchEpoch AI Benchmarking Hub1655.21607†
AlgoTuneAlgoTune–1.9†
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1155†1190†
智能体与工具
Terminal-BenchTerminal-Bench78.4%†81.8%†
APEX-AgentsMercor–52.4%†
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis53.0%57.6%
τ²-Bench Telecom (AA)Artificial Analysis86.0%87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL4.3%†9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis–1256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
SkillsBenchVals AI–51.7%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†58.4%†
Arena SearchArena (LMArena)–1196†
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR74.5%†74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs5940.1†6144.2†
AA-Briefcase v1.1Artificial Analysis868–
Design Arena AgenticDesign Arena1018†1042†
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub–95.3%
ProofBenchVals AI–56.0%
LiveBench MathematicsLiveBench–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)–1459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–45.1%
LiveBench 1.0 Data AnalysisLiveBench–79.3%
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–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%
MedCodeVals AI–41.3%
MedScribeVals AI–77.5%
EBR-benchEpoch AI Benchmarking Hub–25.4%
指令遵循
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis75.4%74.0%
Arena Instruction FollowingArena (LMArena)–1460†
人类偏好
Arena TextArena (LMArena)–1465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)–1433†
Arena Multi-turnArena (LMArena)–1480†
Arena Longer QueriesArena (LMArena)–1477†
多模态
Arena VisionArena (LMArena)–1292†
MMMU-ProArtificial Analysis78.5%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%
长上下文
AA-LCR v1.1Artificial Analysis83.3%82.0%
Arena DocumentArena (LMArena)–1471†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–157.8†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis32.539.0
AA Progress Index v1Artificial Analysis301.3311.6
Vals RSI IndexVals AI–15.5%
安全与诚实
MASKScale AI SEAL–89.7%†

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)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.4 (xhigh):2 项新结果(USAMO 2026, τ³-bench Banking)。

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-5.3-Codex vs GPT-5.4:常见问题

GPT-5.3-Codex 比 GPT-5.4 更好吗?
GPT-5.3-Codex (xhigh) 与 GPT-5.4 (xhigh) 的质量不相上下(62.9 比 63.1,在 ±7.5 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-5.3-Codex 和 GPT-5.4 哪个更便宜?价格会变吗?
目前 GPT-5.3-Codex 更便宜:每百万 token $4.81 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 GPT-5.3-Codex 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 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.3-Codex 为 87.3%,GPT-5.4 为 84.1%。
GPT-5.3-Codex 和 GPT-5.4 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 GPT-5.4 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 63,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,GPT-5.3-Codex 为 53.0%,GPT-5.4 为 57.6%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。GPT-5.4 支持更长的上下文:1,050,000 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 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 GPT-5.3-Codex 和 GPT-5.4 的看法一致吗?
在两者都有结果的 13 项基准测试中,GPT-5.3-Codex 领先 5 项,GPT-5.4 领先 8 项。
GPT-5.4 是什么时候发布的?
GPT-5.4 于 2026年3月5日 发布。