BenchLeader

GPT-5.3-Codex vs Grok 4.7

完整资料:GPT-5.3-Codex(OpenAI)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,GPT-5.3-Codex 与 Grok 4.7 的质量不相上下(BenchLeader Index 62.9 比 57.4,在 ±7.5 的误差范围内)。Grok 4.7 更便宜,对方的价格是它的 1.6 倍(每百万 token 混合价格 $3.00 比 $4.81)。在两者都有成绩的所有类别中,GPT-5.3-Codex 均领先。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Grok 4.7 为 57.4(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)。
  • 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 8 项基准测试中,Grok 4.7 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
编程均可类别得分 61 比 61;IOI 53.8% 比 57.7%均可
智能体与工具调用GPT-5.3-Codex类别得分 80 比 57;AA-Briefcase v1.1 868 比 1636高
长文档GPT-5.3-Codex类别得分 66 比 63;AA-LCR v1.1 83.3% 比 76.7%中
图像及其他媒体GPT-5.3-Codex类别得分 61 比 56中
对话质量(人类偏好)–只有 Grok 4.7 有 Arena 评分(类别得分 63)无法比较
成本最低Grok 4.7每百万 token 混合价格 $3.00 比 $4.81;智能体编程会话 $0.144 比 $0.161–
首次回答最快GPT-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))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

  • GPT-5.3-Codex (xhigh) 与 Grok 4.7 (xhigh) 的质量不相上下(62.9 比 57.4,在 ±7.5 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程、长上下文、多模态方面更强。
  • Grok 4.7 (xhigh) 更便宜,对方的价格是它的 1.6 倍(每百万 token 混合价格 $3.00 比 $4.81)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 1.4 倍(94 比 68 token/秒)。

概览

规格GPT-5.3-CodexGrok 4.7
提供商OpenAISpaceXAI
发布日期2026年2月5日2026年9月21日
上下文窗口(token)400,000500,000
对比时的配置GPT-5.3-Codex (xhigh)Grok 4.7 (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$2.00 / $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GPT-5.3-Codex (xhigh)Grok 4.7 (xhigh)领先者
推理–55.6无法比较
编程61.060.9持平
智能体与工具80.156.9GPT-5.3-Codex
数学–55.8无法比较
知识–59.9无法比较
指令遵循73.6–无法比较
人类偏好–62.5无法比较
多模态60.855.5GPT-5.3-Codex
长上下文66.462.9GPT-5.3-Codex
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: 60.8Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5

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 8 项基准测试中,GPT-5.3-Codex 领先 2 项,Grok 4.7 领先 6 项。

综合 IndexGPT-5.3-Codex (xhigh)Grok 4.7 (xhigh)领先者
BenchLeader Index62.957.4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)Grok 4.7 (xhigh)
每百万 token 混合价格$4.81$3.00
每百万 token 输入 / 输出$1.75 / $14.00$2.00 / $6.00
每百万 token 缓存输入$0.175$0.500
每项任务价格:聊天回复$0.0049$0.0026
每项任务价格:总结一份 30 页的报告$0.029$0.028
每项任务价格:代码编辑$0.032$0.021
每项任务价格:智能体编程会话$0.161$0.144
每项任务价格:结构化信息提取$0.0063$0.0052
智能体编程会话(输入大多命中缓存)$0.090$0.076
每项基准测试任务成本(AA Index)–$7.77
每项任务输出 token(AA Index)–105k
其中推理部分–69k
每项任务耗时(AA Index)–26 min
输出速度94 tok/s68 tok/s
首次回答时间38.2 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒145.5 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。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 158 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)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader62.957.4
智能体与工具得分BenchLeader80.156.9
编程得分BenchLeader61.060.9
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.462.9
多模态得分BenchLeader60.855.5
综合得分BenchLeader–52.8
人类偏好得分BenchLeader–62.5
知识得分BenchLeader–59.9
数学得分BenchLeader–55.8
推理得分BenchLeader–55.6
混合价格(美元/百万 token)BenchLeader$4.81$3.00
输出速度BenchLeader94 tok/s68 tok/s
首次回答时间BenchLeader38.2 秒55.9 秒
上下文窗口BenchLeader400,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–92.7%
Arena Hard PromptsArena (LMArena)–1466
LiveBench 2.0 ReasoningLiveBench–82.7%
LiveBench 1.0 ReasoningLiveBench–82.7%
GPQA Diamond (AA)Artificial Analysis91.5%–
Humanity's Last Exam (AA)Artificial Analysis42.5%43.1%
HLE-Diamond (AA)Artificial Analysis–23.2%
ARC-AGI-1ARC Prize–89.5%
ARC-AGI-2ARC Prize–61.4%
ARC-AGI-3ARC Prize–7.0%
CritPtArtificial Analysis16.9%17.7%
CritPt v2 hard subset (AA)Artificial Analysis–33.5%
MysteryMechanismVals AI–25.2%
HLE-Diamond (Scale)Scale AI SEAL–23.4%†
Arena ExpertArena (LMArena)–1478
Chess PuzzlesEpoch AI Benchmarking Hub–41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%
LMCAEpoch AI Benchmarking Hub–49.4%
DTBenchEpoch AI Benchmarking Hub–96.0%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–57.4%
WeirdMLWeirdML77.9%–
FrontierCodeCognition–47.6%†
Arena CodingArena (LMArena)–1493
Arena WebDevArena (LMArena)1406†1641
显示全部 158 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Grok 4.7 (xhigh)
编程
LiveBench 2.0 CodingLiveBench–73.1%
LiveBench 1.0 CodingLiveBench–77.2%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%57.7%
SWE-bench (Vals)Vals AI78.0%–
Code MigrationVals AI–44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI–0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench v1.1Vals AI61.8%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE Atlas v1.1Scale AI SEAL–62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL–64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL–48.6%†
MirrorCodeEpoch AI Benchmarking Hub–54.4%
CursorBenchCursor–46.3%
ALE-BenchEpoch AI Benchmarking Hub1655.21545.8
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML–8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis–25.8%
Startrise FrontendStartrise–75.9%†
GameBench 2 OverallDuelLab GameBench 2–63.6†
GameBench 2 by reasoning settingDuelLab GameBench 2–71.2
Design Arena WebsiteDesign Arena1155†1244†
FrontierCode 1.1 (AA)Artificial Analysis–33.8%
FrontierCode 2.0 (AA)Artificial Analysis–28.7%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†38.8%
APEX-AgentsMercor–54.6%†
Arena AgentArena (LMArena)–2.6
LiveBench Long AgenticLiveBench–45.3%
LiveBench BrowserLiveBench–49.3%
LiveBench Agentic CodingLiveBench–54.0%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–73.4%
HiL-BenchScale AI SEAL4.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–60.7%
GDPval-AA v2.1Artificial Analysis–1717
ITBench SRE (AA)Artificial Analysis–42.1%
Analyst Agent (AA)Artificial Analysis–52.5%
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–52.3%
Finance Agent v2.1Vals AI–60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–18.3%
Harvey's Legal Agent Benchmark v1Vals AI–12.5%
Legal Research BenchVals AI–47.1%
Robo-benchVals AI–0.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–35.8%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–28.8%
Terminal-Bench ScienceVals AI–10.0%
Arena Agent Task CompletionArena (LMArena)–5.1
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†10536.8†
AutomationBenchArtificial Analysis–65.6%
GDP.pdf (AA)Artificial Analysis–20.0%
Harvey LAB-AA v1.1Harvey–9.4%
AA-Briefcase v1.1Artificial Analysis8681636
GDPxGDPx by SemiAnalysis–3.9%
Design Arena AgenticDesign Arena1018†1277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.4%
CWE-Bench (AA)Artificial Analysis–68.3%
DeepSec-Bench (AA)Artificial Analysis–26.9%
CyberGym end-to-end (AA)Artificial Analysis–74.0%
MKA (AA)Artificial Analysis–40.1%
FACTS SearchGoogle–85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub–17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub–98.1%
ProofBenchVals AI–26.0%†
LiveBench MathematicsLiveBench–95.7%
Arena MathsArena (LMArena)–1447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–56.0%
LiveBench 2.0 Data AnalysisLiveBench–76.9%
LiveBench ResearchLiveBench–89.5%
LiveBench 1.0 Data AnalysisLiveBench–76.9%
AA-Omniscience v1.1Artificial Analysis–31.2
LegalBenchVals AI–84.4%
PRBench LegalScale AI SEAL–47.6%
BioMysteryBenchVals AI–69.3%
Excel Modeling BenchmarkVals AI–67.0%
Excel Modeling Benchmark v1.1Vals AI–71.5%
MedCodeVals AI–49.5%
MedScribeVals AI–89.4%
Public Benefits Bench v1.1Vals AI–65.6%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI–74.1%
Immigration BenchVals AI–68.0%
GDP.pdfEpoch AI Benchmarking Hub–22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis–42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–80.0%
HealthBench Professional (AA)OpenAI–55.8%
FACTS ParametricGoogle–54.3%†
指令遵循
LiveBench LanguageLiveBench–80.1%
LiveBench Instruction FollowingLiveBench–75.3%
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1435
人类偏好
Arena TextArena (LMArena)–1443
EQ-Bench Creative Writing v3EQ-Bench–2012†
Arena Creative WritingArena (LMArena)–1421
Arena Multi-turnArena (LMArena)–1435
Arena Longer QueriesArena (LMArena)–1454
多模态
Arena VisionArena (LMArena)–1230
LiveBench DesignLiveBench–75.0%
MMMU-ProArtificial Analysis78.5%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 Analysis–1127
AA-3DArtificial Analysis–992
FACTS MultimodalGoogle–40.9%†
长上下文
AA-LCR v1.1Artificial Analysis83.3%76.7%
MLCRArtificial Analysis–20.0%
FACTS GroundingGoogle–68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–156.2†
LiveBench 2.0LiveBench–67.9%
LiveBench 1.0LiveBench–77.4%
AA Intelligence Index v5.0.1Artificial Analysis–35.5
AA Intelligence Index v4.3.2Artificial Analysis32.546.5
AA Progress Index v1Artificial Analysis301.3322.7
Vals IndexVals AI–58.6
Vals Finance IndexVals AI–58.8%
Vals RSI IndexVals AI–20.2%
Vals Science IndexVals AI–34.8%
Vals Router IndexVals AI–58.6%†
Vals Legal IndexVals AI–72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
DistressBenchScale AI SEAL–52.4%†

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…)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • Grok 4.7 (xhigh):1 项分数修订。
  • Grok 4.7 (xhigh):BenchLeader Index 59.5 → 58.0。

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 Grok 4.7:常见问题

GPT-5.3-Codex 比 Grok 4.7 更好吗?
GPT-5.3-Codex (xhigh) 与 Grok 4.7 (xhigh) 的质量不相上下(62.9 比 57.4,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 Grok 4.7 哪个更便宜?价格会变吗?
目前 Grok 4.7 更便宜:每百万 token $3.00 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-5.3-Codex 还是 Grok 4.7 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 IOI 上,GPT-5.3-Codex 为 53.8%,Grok 4.7 为 57.7%。
GPT-5.3-Codex 和 Grok 4.7 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 Grok 4.7 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 57,50 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 63)。Grok 4.7 支持更长的上下文:500,000 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 55.9 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 Grok 4.7 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5.3-Codex 领先 2 项,Grok 4.7 领先 6 项。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。