BenchLeader

GPT-5.3-Codex vs Qwen3.8 Max

完整资料:GPT-5.3-Codex(OpenAI)和 Qwen3.8 Max(Alibaba),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 Qwen3.8 Max 的质量不相上下(BenchLeader Index 62.9 比 58.7,在 ±7.8 的误差范围内)。Qwen3.8 Max 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)。看重智能体与工具(80 比 59)和长上下文(66 比 65)选 GPT-5.3-Codex;看重多模态(66 比 61)选 Qwen3.8 Max。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 119.6 秒)。GPT-5.3-Codex 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-5.3-Codex 比 Qwen3.8 Max 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 11 项基准测试中,Qwen3.8 Max 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
编程均可类别得分 61 比 62;LiveCodeBench 87.3% 比 87.8%均可
智能体与工具调用GPT-5.3-Codex类别得分 80 比 59;AA-Briefcase v1.1 868 比 1604高
长文档GPT-5.3-Codex类别得分 66 比 65;AA-LCR v1.1 83.3% 比 80.3%中
图像及其他媒体Qwen3.8 Max类别得分 66 比 61;MMMU-Pro 82.8% 比 78.5%中
对话质量(人类偏好)–只有 Qwen3.8 Max 有 Arena 评分(类别得分 68)无法比较
成本最低Qwen3.8 Max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 119.6 秒(Qwen3.8 Max (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 Qwen3.8 Max (max) 的质量不相上下(62.9 比 58.7,在 ±7.8 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。
  • Qwen3.8 Max (max) 在编程、多模态方面更强。
  • Qwen3.8 Max (max) 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 1.6 倍(94 比 59 token/秒)。

概览

规格GPT-5.3-CodexQwen3.8 Max
提供商OpenAIAlibaba
发布日期2026年2月5日2026年8月3日
上下文窗口(token)400,0001,000,000
对比时的配置GPT-5.3-Codex (xhigh)Qwen3.8 Max (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$2.00 / $6.00 / $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)Qwen3.8 Max (max)领先者
推理–51.5无法比较
编程61.061.6持平
智能体与工具80.158.5GPT-5.3-Codex
数学–65.2无法比较
知识–58.0无法比较
指令遵循73.6–无法比较
人类偏好–67.5无法比较
多模态60.865.7Qwen3.8 Max
长上下文66.464.8GPT-5.3-Codex
综合–45.0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: 60.8Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 多模态: 65.7

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,Qwen3.8 Max 领先 10 项。

综合 IndexGPT-5.3-Codex (xhigh)Qwen3.8 Max (max)领先者
BenchLeader Index62.958.7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)Qwen3.8 Max (max)
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$0.250
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$0.065
每项基准测试任务成本(AA Index)–$10.02
每项任务输出 token(AA Index)–171k
其中推理部分–120k
每项任务耗时(AA Index)–48 min
输出速度94 tok/s59 tok/s
首次回答时间38.2 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒294.1 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。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(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 145 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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader62.958.7
智能体与工具得分BenchLeader80.158.5
编程得分BenchLeader61.061.6
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.464.8
多模态得分BenchLeader60.865.7
综合得分BenchLeader–45.0
人类偏好得分BenchLeader–67.5
知识得分BenchLeader–58.0
数学得分BenchLeader–65.2
推理得分BenchLeader–51.5
混合价格(美元/百万 token)BenchLeader$4.81$3.00
输出速度BenchLeader94 tok/s59 tok/s
首次回答时间BenchLeader38.2 秒119.6 秒
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–92.7%†
Arena Hard PromptsArena (LMArena)–1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis91.5%92.8%
Humanity's Last Exam (AA)Artificial Analysis42.5%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI–93.7%
CritPtArtificial Analysis16.9%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)–1514
Chess PuzzlesEpoch AI Benchmarking Hub–46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–38.0%†
LMCAEpoch AI Benchmarking Hub–46.2%†
DTBenchEpoch AI Benchmarking Hub–92.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–53.2%
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1523
Arena WebDevArena (LMArena)1406†1676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench–72.9%
LiveCodeBenchVals AI87.3%87.8%
IOIVals AI53.8%68.9%
显示全部 145 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Qwen3.8 Max (max)
编程
SWE-bench (Vals)Vals AI78.0%85.6%
Code MigrationVals AI–24.0%
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI61.8%64.7%
SWE Atlas v1.1Scale AI SEAL–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub–52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub1655.21679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 2–54.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–69.6†
Design Arena WebsiteDesign Arena1155†1269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†27.0%
APEX-AgentsMercor–63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
HiL-BenchScale AI SEAL4.3%†–
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis–1674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI–10.4%
Legal Research BenchVals AI–47.6%
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)–4.5
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis8681604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena1018†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%†
ProofBenchVals AI–58.0%
LiveBench MathematicsLiveBench–91.3%
Arena MathsArena (LMArena)–1505
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI–83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI–40.7%
MedScribeVals AI–85.0%
Public Benefits Bench v1.1Vals AI–67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1478
人类偏好
Arena TextArena (LMArena)–1484
Arena Creative WritingArena (LMArena)–1472
Arena Multi-turnArena (LMArena)–1495
Arena Longer QueriesArena (LMArena)–1496
多模态
Arena VisionArena (LMArena)–1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis78.5%82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
长上下文
AA-LCR v1.1Artificial Analysis83.3%80.3%
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis32.545.4
AA Progress Index v1Artificial Analysis301.3323.7
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI–65.4%
安全与诚实
DistressBenchScale AI SEAL–77.6%

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

  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):6 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项新结果(FACTS Search);1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。
  • Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。
  • GPT-5.3-Codex (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 Qwen3.8 Max:常见问题

GPT-5.3-Codex 比 Qwen3.8 Max 更好吗?
GPT-5.3-Codex (xhigh) 与 Qwen3.8 Max (max) 的质量不相上下(62.9 比 58.7,在 ±7.8 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 Qwen3.8 Max 哪个更便宜?价格会变吗?
目前 Qwen3.8 Max 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 Qwen3.8 Max 更好?
两者在编程方面持平(类别得分 61 比 62)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.3-Codex 为 87.3%,Qwen3.8 Max 为 87.8%。
GPT-5.3-Codex 和 Qwen3.8 Max 哪个更快?
GPT-5.3-Codex 输出更快(约 1.5 倍;输出 94 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 Qwen3.8 Max 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 59,50 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)。Qwen3.8 Max 支持更长的上下文:1,000,000 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 119.6 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 Qwen3.8 Max 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,Qwen3.8 Max 领先 10 项。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。