BenchLeader

GPT-5.3-Codex vs o3

完整资料:GPT-5.3-Codex(OpenAI)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 o3 的质量不相上下(BenchLeader Index 62.9 比 60.4,在 ±7.7 的误差范围内)。o3 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $3.50 比 $4.81)。在两者都有成绩的所有类别中,GPT-5.3-Codex 均领先。o3 输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,o3 为 60.4(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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • o3 比 GPT-5.3-Codex 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 9 项基准测试中,GPT-5.3-Codex 领先 9 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-5.3-Codex类别得分 61 比 60中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 70;Terminal-Bench Hard 53.0% 比 37.1%高
长文档GPT-5.3-Codex类别得分 66 比 62;AA-LCR v1.1 83.3% 比 74.7%中
图像及其他媒体GPT-5.3-Codex类别得分 61 比 53;MMMU-Pro 78.5% 比 70.1%高
指令遵循GPT-5.3-Codex类别得分 74 比 65;IFBench 75.4% 比 71.4%高
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低o3每百万 token 混合价格 $3.50 比 $4.81;智能体编程会话 $0.152 比 $0.161–
首次回答最快o3首个回答 token 5.2 秒(o3)比 38.2 秒(GPT-5.3-Codex (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 o3 的质量不相上下(62.9 比 60.4,在 ±7.7 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程、指令遵循、长上下文、多模态方面更强。
  • o3 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $3.50 比 $4.81)。
  • o3 的输出速度是对方的 1.4 倍(131 比 94 token/秒)。

概览

规格GPT-5.3-Codexo3
提供商OpenAIOpenAI
发布日期2026年2月5日2025年4月16日
上下文窗口(token)400,000200,000
对比时的配置GPT-5.3-Codex (xhigh)o3
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 / $8.00 / $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)o3领先者
推理–60.9无法比较
编程61.059.8GPT-5.3-Codex
智能体与工具80.170.3GPT-5.3-Codex
数学–70.6无法比较
知识–56.2无法比较
指令遵循73.665.2GPT-5.3-Codex
人类偏好–61.0无法比较
多模态60.852.8GPT-5.3-Codex
长上下文66.461.9GPT-5.3-Codex

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: 60.8o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 指令遵循: 65.2o3, 长上下文: 61.9o3, 多模态: 52.8

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 9 项基准测试中,GPT-5.3-Codex 领先 9 项,o3 领先 0 项。

综合 IndexGPT-5.3-Codex (xhigh)o3领先者
BenchLeader Index62.960.4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)o3
每百万 token 混合价格$4.81$3.50
每百万 token 输入 / 输出$1.75 / $14.00$2.00 / $8.00
每百万 token 缓存输入$0.175$0.500
每项任务价格:聊天回复$0.0049$0.0032
每项任务价格:总结一份 30 页的报告$0.029$0.029
每项任务价格:代码编辑$0.032$0.024
每项任务价格:智能体编程会话$0.161$0.152
每项任务价格:结构化信息提取$0.0063$0.0056
智能体编程会话(输入大多命中缓存)$0.090$0.085
输出速度94 tok/s131 tok/s
首次回答时间38.2 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒17.3 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。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 104 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)o3
BenchLeader IndexBenchLeader62.960.4
智能体与工具得分BenchLeader80.170.3
编程得分BenchLeader61.059.8
指令遵循得分BenchLeader73.665.2
长上下文得分BenchLeader66.461.9
多模态得分BenchLeader60.852.8
人类偏好得分BenchLeader–61.0
知识得分BenchLeader–56.2
数学得分BenchLeader–70.6
推理得分BenchLeader–60.9
混合价格(美元/百万 token)BenchLeader$4.81$3.50
输出速度BenchLeader94 tok/s131 tok/s
首次回答时间BenchLeader38.2 秒5.2 秒
上下文窗口BenchLeader400,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)–1441
GPQA Diamond (AA)Artificial Analysis91.5%82.7%
Humanity's Last Exam (AA)Artificial Analysis42.5%20.1%
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis16.9%1.1%
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)–1448
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub–39.7%†
DTBenchEpoch AI Benchmarking Hub–84.8%†
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†62.3%†
WeirdMLWeirdML77.9%52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)–1460
Arena WebDevArena (LMArena)1406†–
显示全部 104 项基准测试
指标发布方GPT-5.3-Codex (xhigh)o3
编程
LiveCodeBenchVals AI87.3%83.9%†
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Vibe Code Bench v1.1Vals AI61.8%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub1655.2933.5†
GameBench 2 OverallDuelLab GameBench 2–34.1
GameBench 2 by reasoning settingDuelLab GameBench 2–30.4†
Design Arena WebsiteDesign Arena1155†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†–
GDPvalOpenAI–30.8%†
Terminal-Bench HardArtificial Analysis53.0%37.1%
τ²-Bench Telecom (AA)Artificial Analysis86.0%80.7%
HiL-BenchScale AI SEAL4.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Arena SearchArena (LMArena)–1197
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR74.5%†63.6%
Vending-Bench 2Andon Labs5940.1†–
AA-Briefcase v1.1Artificial Analysis868–
Design Arena AgenticDesign Arena1018†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–33.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)–1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
指令遵循
IFBenchArtificial Analysis75.4%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)–1403
人类偏好
Arena TextArena (LMArena)–1432
EQ-Bench Creative Writing v3EQ-Bench–1675
Arena Creative WritingArena (LMArena)–1383
Arena Multi-turnArena (LMArena)–1420
Arena Longer QueriesArena (LMArena)–1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)–1214
MMMU-ProArtificial Analysis78.5%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis83.3%74.7%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–147.1
AA Intelligence Index v4.3.2Artificial Analysis32.520.2
AA Progress Index v1Artificial Analysis301.3258.3
HELM Capabilities meanHELM Capabilities–81.1%
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
元数据
AA Openness IndexArtificial Analysis–5.6

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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • o3:1 项新结果(Arena Search)。
  • o3:1 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)。
  • o3:1 项新结果(AA Progress Index v1)。
  • o3:1 项分数修订。

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 o3:常见问题

GPT-5.3-Codex 比 o3 更好吗?
GPT-5.3-Codex (xhigh) 与 o3 的质量不相上下(62.9 比 60.4,在 ±7.7 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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
GPT-5.3-Codex 在编程方面得分更高(类别得分 61 比 60,50 为平均水平)。
GPT-5.3-Codex 和 o3 哪个更快?
o3 输出更快(约 1.5 倍;输出 131 比 94 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 o3 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 70,50 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%,o3 为 37.1%。
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 62)。GPT-5.3-Codex 支持更长的上下文:400,000 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 秒比 38.2 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 o3 的看法一致吗?
在两者都有结果的 9 项基准测试中,GPT-5.3-Codex 领先 9 项,o3 领先 0 项。
GPT-5.3-Codex 是什么时候发布的?
GPT-5.3-Codex 于 2026年2月5日 发布。