BenchLeader

GPT-5.3-Codex vs GPT-5.5

完整资料:GPT-5.3-Codex(OpenAI)和 GPT-5.5(OpenAI),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,GPT-5.3-Codex 与 GPT-5.5 的质量不相上下(BenchLeader Index 62.9 比 64.1,在 ±8.0 的误差范围内)。GPT-5.3-Codex 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $4.81 比 $11.25)。看重智能体与工具(80 比 62)选 GPT-5.3-Codex;看重多模态(62 比 61)选 GPT-5.5。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,GPT-5.5 为 64.1(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-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • 在两者都有结果的 15 项基准测试中,GPT-5.5 领先 14 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
编程均可类别得分 61 比 61;LiveCodeBench 87.3% 比 85.3%均可
智能体与工具调用GPT-5.3-Codex类别得分 80 比 62;Terminal-Bench Hard 53.0% 比 60.6%高
长文档均可类别得分 66 比 67;AA-LCR v1.1 83.3% 比 84.3%均可
图像及其他媒体GPT-5.5类别得分 62 比 61;MMMU-Pro 79.9% 比 78.5%中
指令遵循均可类别得分 74 比 74;IFBench 75.4% 比 75.8%均可
成本最低GPT-5.3-Codex每百万 token 混合价格 $4.81 比 $11.25;智能体编程会话 $0.161 比 $0.420–
首次回答最快均可首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))比 38.3 秒(GPT-5.5 (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-5.5 (xhigh) 的质量不相上下(62.9 比 64.1,在 ±8.0 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程方面更强。
  • GPT-5.5 (xhigh) 在指令遵循、长上下文、多模态方面更强。
  • GPT-5.3-Codex (xhigh) 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $4.81 比 $11.25)。

概览

规格GPT-5.3-CodexGPT-5.5
提供商OpenAIOpenAI
发布日期2026年2月5日2026年4月23日
上下文窗口(token)400,0001,050,000
对比时的配置GPT-5.3-Codex (xhigh)GPT-5.5 (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$5.00 / $30.00 / $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GPT-5.3-Codex (xhigh)GPT-5.5 (xhigh)领先者
推理–68.1无法比较
编程61.060.7持平
智能体与工具80.161.8GPT-5.3-Codex
数学–69.3无法比较
知识–63.6无法比较
指令遵循73.674.0持平
多模态60.862.3GPT-5.5
长上下文66.466.9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-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 指令遵循: 74.0GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3

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 15 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-5.5 领先 14 项。

综合 IndexGPT-5.3-Codex (xhigh)GPT-5.5 (xhigh)领先者
BenchLeader Index62.964.1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-5.5 (xhigh)
每百万 token 混合价格$4.81$11.25
每百万 token 输入 / 输出$1.75 / $14.00$5.00 / $30.00
每百万 token 缓存输入$0.175$0.500
每项任务价格:聊天回复$0.0049$0.011
每项任务价格:总结一份 30 页的报告$0.029$0.078
每项任务价格:代码编辑$0.032$0.075
每项任务价格:智能体编程会话$0.161$0.420
每项任务价格:结构化信息提取$0.0063$0.016
智能体编程会话(输入大多命中缓存)$0.090$0.217
输出速度94 tok/s81 tok/s
首次回答时间38.2 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒104.3 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-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 135 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-5.5 (xhigh)
BenchLeader IndexBenchLeader62.964.1
智能体与工具得分BenchLeader80.161.8
编程得分BenchLeader61.060.7
指令遵循得分BenchLeader73.674.0
长上下文得分BenchLeader66.466.9
多模态得分BenchLeader60.862.3
知识得分BenchLeader–63.6
数学得分BenchLeader–69.3
推理得分BenchLeader–68.1
混合价格(美元/百万 token)BenchLeader$4.81$11.25
输出速度BenchLeader94 tok/s81 tok/s
首次回答时间BenchLeader38.2 秒38.3 秒
上下文窗口BenchLeader400,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–90.7%†
SimpleBenchSimpleBench–69.0%†
Arena Hard PromptsArena (LMArena)–1499†
LiveBench 1.0 ReasoningLiveBench–89.7%
GPQA Diamond (AA)Artificial Analysis91.5%93.5%
Humanity's Last Exam (AA)Artificial Analysis42.5%45.8%
GPQA Diamond (Vals)Vals AI–93.2%
Kagi LLM BenchmarkKagi LLM Benchmark–88.8%†
ARC-AGI-1ARC Prize–95.0%
ARC-AGI-2ARC Prize–85.0%
ARC-AGI-3ARC Prize–0.4%†
CritPtArtificial Analysis16.9%27.1%
Arena ExpertArena (LMArena)–1510†
Chess PuzzlesEpoch AI Benchmarking Hub–63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–56.0%
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub–54.3%
DTBenchEpoch AI Benchmarking Hub–96.0%
ForecastBenchForecastBench–64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–55.8%
WeirdMLWeirdML77.9%84.9%
FrontierCodeCognition–43.0%†
GSO-BenchGSO-Bench–40.2%
显示全部 135 项基准测试
指标发布方GPT-5.3-Codex (xhigh)GPT-5.5 (xhigh)
编程
Arena CodingArena (LMArena)–1510†
Arena WebDevArena (LMArena)1406†1512
LiveBench 1.0 CodingLiveBench–82.2%
LiveCodeBenchVals AI87.3%85.3%
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%82.6%
Code MigrationVals AI–45.2%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI61.8%69.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL–42.6%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–67.0%
ALE-BenchEpoch AI Benchmarking Hub1655.21943.0
Terminal-Bench 4.0 (AA)Artificial Analysis–14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis–84.3%
GameBench 2 OverallDuelLab GameBench 2–49.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–59.9
Design Arena WebsiteDesign Arena1155†1248†
智能体与工具
Terminal-BenchTerminal-Bench78.4%†84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor–55.1%†
LiveBench Agentic CodingLiveBench–54.0%
Terminal-Bench HardArtificial Analysis53.0%60.6%
τ²-Bench Telecom (AA)Artificial Analysis86.0%93.9%
Terminal-Bench 2.1 (Vals)Vals AI–57.3%†
MCP AtlasScale AI SEAL–75.3%
HiL-BenchScale AI SEAL4.3%†39.7%†
τ³-bench Bankingτ²-bench–44.6%
GDPval-AA v2.1Artificial Analysis–1357
τ³-Banking (AA)Artificial Analysis–39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis–50.0%
APEX-Agents (AA)Artificial Analysis–37.7%
Finance Agent v2Vals AI–51.8%
Harvey's Legal Agent Benchmark v1Vals AI–3.8%
Legal Research BenchVals AI–40.4%
SkillsBenchVals AI–62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†73.2%†
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)–1226†
DeepResearch BenchDeepResearch Bench–54.0%†
PostTrainBenchEpoch AI Benchmarking Hub–23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
METR Time HorizonsMETR74.5%†–
GBAEvalEpoch AI Benchmarking Hub–53.2%†
Vending-Bench 2Andon Labs5940.1†7523.8†
AutomationBenchArtificial Analysis–47.3%
GDP.pdf (AA)Artificial Analysis–21.2%
EnterpriseOps-GymArtificial Analysis–46.6%
AA-Briefcase v1.1Artificial Analysis8681135
Design Arena AgenticDesign Arena1018†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub–72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub–84.4%†
ProofBenchVals AI–50.0%
LiveBench MathematicsLiveBench–95.9%
AIME 2026MathArena–100.0%
HMMT February 2026MathArena–98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena–80.2%
Arena MathsArena (LMArena)–1500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–63.0%
LiveBench 1.0 Data AnalysisLiveBench–81.6%
MMLU-ProVals AI–88.1%
LegalBenchVals AI–86.5%
CorpFinVals AI–68.4%
TaxEvalVals AI–75.0%
CaseLaw v2Vals AI–66.2%
Excel Modeling BenchmarkVals AI–64.5%
MedCodeVals AI–49.1%
MedScribeVals AI–86.9%
Public Benefits Bench v1.1Vals AI–60.9%
DrugDiscoveryBenchScale AI SEAL–51.6%
EBR-benchEpoch AI Benchmarking Hub–34.3%
GDP.pdfEpoch AI Benchmarking Hub–26.0%
指令遵循
LiveBench LanguageLiveBench–87.4%
LiveBench Instruction FollowingLiveBench–70.7%
IFBenchArtificial Analysis75.4%75.8%
Arena Instruction FollowingArena (LMArena)–1475†
人类偏好
Arena TextArena (LMArena)–1476†
EQ-Bench 4EQ-Bench–1295†
EQ-Bench Creative Writing v3EQ-Bench–1845†
Arena Creative WritingArena (LMArena)–1448†
Arena Multi-turnArena (LMArena)–1484†
Arena Longer QueriesArena (LMArena)–1486†
多模态
Arena VisionArena (LMArena)–1296†
MMMU-ProArtificial Analysis78.5%79.9%
MMMU-Pro (Vals)Vals AI–88.3%
MortgageTaxVals AI–68.8%
Blueprint-Bench 2Epoch AI Benchmarking Hub–36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis83.3%84.3%
Arena DocumentArena (LMArena)–1479†
MLCRArtificial Analysis–28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–160.1†
LiveBench 1.0LiveBench–80.2%
AA Intelligence Index v4.3.2Artificial Analysis32.538.4
AA Progress Index v1Artificial Analysis301.3320
Vals RSI IndexVals AI–16.5%
Vals Multimodal IndexVals AI–68.1%
安全与诚实
FORTRESSScale AI SEAL–16.3%

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-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.5 (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-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.5 (xhigh):价格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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-5.5:常见问题

GPT-5.3-Codex 比 GPT-5.5 更好吗?
GPT-5.3-Codex (xhigh) 与 GPT-5.5 (xhigh) 的质量不相上下(62.9 比 64.1,在 ±8.0 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。
GPT-5.3-Codex 和 GPT-5.5 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 $11.25(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-5.5 更好?
两者在编程方面持平(类别得分 61 比 61)。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-5.5 为 85.3%。
GPT-5.3-Codex 和 GPT-5.5 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 81 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-5.5 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 62,50 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-5.5 为 60.6%。
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 67)。GPT-5.5 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 38.3 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-5.5 的看法一致吗?
在两者都有结果的 15 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-5.5 领先 14 项。
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。