BenchLeader

GPT-5.3-Codex vs GPT-6 Astra

完整资料:GPT-5.3-Codex(OpenAI)和 GPT-6 Astra(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 GPT-6 Astra 的质量不相上下(BenchLeader Index 62.9 比 67.3,在 ±7.6 的误差范围内)。GPT-5.3-Codex 更便宜,对方的价格是它的 4.2 倍(每百万 token 混合价格 $4.81 比 $20.00)。看重智能体与工具(80 比 64)和长上下文(66 比 65)选 GPT-5.3-Codex;看重编程(73 比 61)和多模态(66 比 61)选 GPT-6 Astra。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 198.4 秒)。GPT-5.3-Codex 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,GPT-6 Astra 为 67.3(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-6 Astra 每百万 token 混合价格为 $20.00(标价,2026年11月16日)。
  • GPT-5.3-Codex 比 GPT-6 Astra 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 11 项基准测试中,GPT-6 Astra 领先 10 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-6 Astra类别得分 73 比 61;WeirdML 93.3% 比 77.9%高
智能体与工具调用GPT-5.3-Codex类别得分 80 比 64;AA-Briefcase v1.1 868 比 1569高
长文档GPT-5.3-Codex类别得分 66 比 65;AA-LCR v1.1 83.3% 比 80.7%中
图像及其他媒体GPT-6 Astra类别得分 66 比 61;MMMU-Pro 86.9% 比 78.5%中
对话质量(人类偏好)–只有 GPT-6 Astra 有 Arena 评分(类别得分 66)无法比较
成本最低GPT-5.3-Codex每百万 token 混合价格 $4.81 比 $20.00;智能体编程会话 $0.161 比 $0.800–
首次回答最快GPT-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))比 198.4 秒(GPT-6 Astra (max))–
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-6 Astra (max) 的质量不相上下(62.9 比 67.3,在 ±7.6 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、长上下文方面更强。
  • GPT-6 Astra (max) 在编程、多模态方面更强。
  • GPT-5.3-Codex (xhigh) 更便宜,对方的价格是它的 4.2 倍(每百万 token 混合价格 $4.81 比 $20.00)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 2.3 倍(94 比 41 token/秒)。

概览

规格GPT-5.3-CodexGPT-6 Astra
提供商OpenAIOpenAI
发布日期2026年2月5日2026年9月2日
上下文窗口(token)400,0001,050,000
对比时的配置GPT-5.3-Codex (xhigh)GPT-6 Astra (max)
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$10.00 / $50.00 / $1.00

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-6 Astra (max)领先者
推理–72.4无法比较
编程61.073.2GPT-6 Astra
智能体与工具80.163.9GPT-5.3-Codex
数学–70.8无法比较
知识–72.3无法比较
指令遵循73.6–无法比较
人类偏好–66.2无法比较
多模态60.865.6GPT-6 Astra
长上下文66.465.0GPT-5.3-Codex
综合–71.3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编程智能体与工具长上下文多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8GPT-6 Astra, 编程: 73.2GPT-6 Astra, 智能体与工具: 63.9GPT-6 Astra, 长上下文: 65.0GPT-6 Astra, 多模态: 65.6

未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 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 11 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-6 Astra 领先 10 项。

综合 IndexGPT-5.3-Codex (xhigh)GPT-6 Astra (max)领先者
BenchLeader Index62.967.3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-6 Astra (max)
每百万 token 混合价格$4.81$20.00
每百万 token 输入 / 输出$1.75 / $14.00$10.00 / $50.00
每百万 token 缓存输入$0.175$1.00
每项任务价格:聊天回复$0.0049$0.019
每项任务价格:总结一份 30 页的报告$0.029$0.150
每项任务价格:代码编辑$0.032$0.135
每项任务价格:智能体编程会话$0.161$0.800
每项任务价格:结构化信息提取$0.0063$0.030
智能体编程会话(输入大多命中缓存)$0.090$0.395
每项基准测试任务成本(AA Index)–$6.24
每项任务输出 token(AA Index)–52k
其中推理部分–36k
每项任务耗时(AA Index)–21 min
输出速度94 tok/s41 tok/s
首次回答时间38.2 秒198.4 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒533.7 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-6 Astra (max) 得分 67.3,首个回答 token 需 198 秒;GPT-6 Astra 为 66.4(5 秒),GPT-6 Astra (high) 为 66.3(49 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 179 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-6 Astra (max)
BenchLeader IndexBenchLeader62.967.3
智能体与工具得分BenchLeader80.163.9
编程得分BenchLeader61.073.2
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.465.0
多模态得分BenchLeader60.865.6
综合得分BenchLeader–71.3
人类偏好得分BenchLeader–66.2
知识得分BenchLeader–72.3
数学得分BenchLeader–70.8
推理得分BenchLeader–72.4
混合价格(美元/百万 token)BenchLeader$4.81$20.00
输出速度BenchLeader94 tok/s41 tok/s
首次回答时间BenchLeader38.2 秒198.4 秒
上下文窗口BenchLeader400,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–95.8%
Humanity's Last ExamScale AI / CAIS–54.8%†
SimpleBenchSimpleBench–83.6%†
Arena Hard PromptsArena (LMArena)–1500
LiveBench 2.0 ReasoningLiveBench–92.7%
LiveBench 1.0 ReasoningLiveBench–92.7%
GPQA Diamond (AA)Artificial Analysis91.5%96.1%
Humanity's Last Exam (AA)Artificial Analysis42.5%54.7%
HLE-Diamond (AA)Artificial Analysis–63.8%
ARC-AGI-1ARC Prize–97.5%
ARC-AGI-2ARC Prize–95.0%
ARC-AGI-3ARC Prize–98.6%
CritPtArtificial Analysis16.9%31.7%
CritPt v2 hard subset (AA)Artificial Analysis–70.5%
MysteryMechanismVals AI–53.1%
HLE-Diamond (Scale)Scale AI SEAL–60.6%†
Arena ExpertArena (LMArena)–1517
Chess PuzzlesEpoch AI Benchmarking Hub–74.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–84.0%
LMCAEpoch AI Benchmarking Hub–64.1%†
DTBenchEpoch AI Benchmarking Hub–97.1%†
ForecastBenchForecastBench–66.6%†
BTF-3Epoch AI Benchmarking Hub–13.5%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–56.5%
显示全部 179 项基准测试
指标发布方GPT-5.3-Codex (xhigh)GPT-6 Astra (max)
编程
WeirdMLWeirdML77.9%93.3%
FrontierCodeCognition–53.3%
GSO-BenchGSO-Bench–79.4%†
Arena CodingArena (LMArena)–1548
Arena WebDevArena (LMArena)1406†1764
LiveBench 2.0 CodingLiveBench–87.5%
LiveBench 1.0 CodingLiveBench–80.4%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%100.0%
SWE-bench (Vals)Vals AI78.0%–
Code MigrationVals AI–67.7%
Code Migration v1.1Vals AI–80.6%
ProgramBenchVals AI–5.5%
SWE-bench MultimodalVals AI–43.3%
Vibe Code Bench 1-100Vals AI–27.6%
Vibe Code Bench v1.1Vals AI61.8%89.6%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–59.1%†
SWE Atlas v1.0: RefactoringScale AI SEAL–59.0%†
SWE Atlas v1.0: Test WritingScale AI SEAL–50.7%†
SWE Atlas v1.1Scale AI SEAL–69.4%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%†
SWE Atlas v1.1: Test WritingScale AI SEAL–66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–71.4%†
SWE-Bench Pro V2Scale AI SEAL–96.9%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub–60.0%
DeepSWE v1.1Epoch AI Benchmarking Hub–73.2%
ALE-BenchEpoch AI Benchmarking Hub1655.22951.3
FrontierSWEEpoch AI Benchmarking Hub–65.5%
WeirdML v3WeirdML–42.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–59.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.4%
Startrise FrontendStartrise–79.9%†
GameBench 2 OverallDuelLab GameBench 2–88.8†
GameBench 2 by reasoning settingDuelLab GameBench 2–94.3†
Design Arena WebsiteDesign Arena1155†1338
FrontierCode 1.1 (AA)Artificial Analysis–47.0%
FrontierCode 2.0 (AA)Artificial Analysis–42.4%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†60.3%
Remote Labor IndexScale AI / CAIS–20.8%†
APEX-AgentsMercor–64.7%†
Arena AgentArena (LMArena)–14.5
LiveBench Long AgenticLiveBench–75.6%
LiveBench BrowserLiveBench–91.3%
LiveBench Agentic CodingLiveBench–57.3%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–87.3%
HiL-BenchScale AI SEAL4.3%†65.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–53.7%
GDPval-AA v2.1Artificial Analysis–1587
τ³-Banking (AA)Artificial Analysis–41.4%
ITBench SRE (AA)Artificial Analysis–48.6%
Analyst Agent (AA)Artificial Analysis–51.3%
CUA-benchVals AI–19.2%
CyberBenchVals AI–41.1%
Finance Agent v2Vals AI–53.5%
Finance Agent v2.1Vals AI–60.4%
Harvey's Legal Agent Benchmark v1.1Vals AI–7.1%
Harvey's Legal Agent Benchmark v1Vals AI–5.4%
Legal Research BenchVals AI–39.4%
Robo-benchVals AI–23.3%
SREBenchVals AI–56.9%
Tax Agent BenchVals AI–20.7%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–59.6%
Terminal-Bench ScienceVals AI–62.9%
Time Horizon Index: KSPVals AI–90.5%
Arena SearchArena (LMArena)–1245
Arena Agent Task CompletionArena (LMArena)–14
BALROGBALROG–68.3%
PostTrainBenchEpoch AI Benchmarking Hub–41.9%
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†15514.7†
SpireClimbEpoch AI Benchmarking Hub–34.0%
AutomationBenchArtificial Analysis–68.5%
GDP.pdf (AA)Artificial Analysis–31.0%
Harvey LAB-AA v1.1Harvey–8.6%
AA-Briefcase v1.1Artificial Analysis8681569
GDPxGDPx by SemiAnalysis–9.6%
Design Arena AgenticDesign Arena1018†1405
RoboDojo (LLM as robot policy)RoboDojo–29.0†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–63.3%
CWE-Bench (AA)Artificial Analysis–63.3%
DeepSec-Bench (AA)Artificial Analysis–36.9%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
MKA (AA)Artificial Analysis–50.2%
FACTS SearchGoogle–93.3%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub–97.6%
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%
ProofBenchVals AI–99.0%†
LiveBench MathematicsLiveBench–96.8%
Arena MathsArena (LMArena)–1481
FrontierMath ErdősEpoch AI Benchmarking Hub–2.9%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–75.6%
LiveBench 2.0 Data AnalysisLiveBench–83.0%
LiveBench ResearchLiveBench–90.6%
LiveBench 1.0 Data AnalysisLiveBench–83.0%
AA-Omniscience v1.1Artificial Analysis–42.4
PRBench FinanceScale AI SEAL–47.5%†
PRBench LegalScale AI SEAL–48.4%†
BioMysteryBenchVals AI–79.3%
Excel Modeling BenchmarkVals AI–71.7%
Excel Modeling Benchmark v1.1Vals AI–72.7%
MedCodeVals AI–48.5%
MedScribeVals AI–87.9%
Financial Coaching BenchVals AI–67.5%
Immigration BenchVals AI–67.7%
DrugDiscoveryBenchScale AI SEAL–68.7%
EBR-benchEpoch AI Benchmarking Hub–76.2%
GDP.pdfEpoch AI Benchmarking Hub–34.2%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–50.2%
HealthBench Professional (AA)OpenAI–66.0%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench–89.4%
LiveBench Instruction FollowingLiveBench–75.6%
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1474
人类偏好
Arena TextArena (LMArena)–1474
EQ-Bench Creative Writing v3EQ-Bench–2177†
Arena Creative WritingArena (LMArena)–1451
Arena Multi-turnArena (LMArena)–1483
Arena Longer QueriesArena (LMArena)–1485
多模态
Arena VisionArena (LMArena)–1279
LiveBench DesignLiveBench–80.0%
MMMU-ProArtificial Analysis78.5%86.9%
Humanity's Sixth SenseScale AI SEAL–53.6%
Blueprint-Bench 2Epoch AI Benchmarking Hub–49.7%†
Furniture AssemblyEpoch AI Benchmarking Hub–80.0%
VIALS-AAHandshake AI–62.7%
Code2Video-AAArtificial Analysis–1427
AA-3DArtificial Analysis–1168
FACTS MultimodalGoogle–55.2%†
长上下文
AA-LCR v1.1Artificial Analysis83.3%80.7%
Arena DocumentArena (LMArena)–1474
MLCRArtificial Analysis–41.7%
FACTS GroundingGoogle–80.1%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–169†
LiveBench 2.0LiveBench–84.5%
LiveBench 1.0LiveBench–82.2%
AA Intelligence Index v5.0.1Artificial Analysis–56.9
AA Intelligence Index v4.3.2Artificial Analysis32.552.7
AA Progress Index v1Artificial Analysis301.3349.6
Vals IndexVals AI–65.0
Vals Finance IndexVals AI–55.6%
Vals RSI IndexVals AI–27.1%
Vals Science IndexVals AI–65.1%
Vals Router IndexVals AI–65.0%†
Vals Legal IndexVals AI–68.4%
AA Cyber IndexArtificial Analysis–33.4
安全与诚实
FORTRESSScale AI SEAL–12.1%†
DistressBenchScale AI SEAL–74.3%†

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-6 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项新结果(PostTrainBench);2 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6 Astra (max):BenchLeader Index 68.1 → 67.4。
  • GPT-6 Astra (max):2 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode)。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

GPT-5.3-Codex vs GPT-6 Astra:常见问题

GPT-5.3-Codex 比 GPT-6 Astra 更好吗?
GPT-5.3-Codex (xhigh) 与 GPT-6 Astra (max) 的质量不相上下(62.9 比 67.3,在 ±7.6 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-6 Astra 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 $20.00(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 GPT-5.3-Codex 还是 GPT-6 Astra 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 73 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 WeirdML 上,GPT-5.3-Codex 为 77.9%,GPT-6 Astra 为 93.3%。
GPT-5.3-Codex 和 GPT-6 Astra 哪个更快?
GPT-5.3-Codex 输出更快(约 2 倍;输出 94 比 41 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-6 Astra 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 64,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.3-Codex 在长上下文基准测试上得分更高(66 比 65)。GPT-6 Astra 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 198.4 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-6 Astra 的看法一致吗?
在两者都有结果的 11 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-6 Astra 领先 10 项。
GPT-6 Astra 是什么时候发布的?
GPT-6 Astra 于 2026年9月2日 发布。