GPT-5.4 Pro vs GPT-5.5
完整资料:GPT-5.4 Pro(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-5.4 Pro 与 GPT-5.5 的质量不相上下(BenchLeader Index 63.1 比 64.1,在 ±5.2 的误差范围内)。GPT-5.5 更便宜,对方的价格是它的 6.0 倍(每百万 token 混合价格 $11.25 比 $67.50)。看重知识(74 比 64)、多模态(70 比 62)和推理(70 比 68)选 GPT-5.4 Pro;看重指令遵循(74 比 64)选 GPT-5.5。GPT-5.4 Pro 的首次回答更快(7.9 秒 比 38.3 秒)。GPT-5.5 的输出更快(3 倍以上)。
要点(截至 2026年11月16日)
- GPT-5.4 Pro 的 BenchLeader Index 为 63.1,GPT-5.5 为 64.1(BenchLeader,2026年11月16日)。
- GPT-5.4 Pro 每百万 token 混合价格为 $67.50(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)。
- GPT-5.5 比 GPT-5.4 Pro 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 1 项基准测试中,GPT-5.4 Pro 领先 1 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”。
主要差异
- GPT-5.4 Pro 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±5.2 的误差范围内)。
- GPT-5.4 Pro 在知识、多模态、推理方面更强。
- GPT-5.5 (xhigh) 在指令遵循方面更强。
- GPT-5.5 (xhigh) 更便宜,对方的价格是它的 6.0 倍(每百万 token 混合价格 $11.25 比 $67.50)。
- GPT-5.5 (xhigh) 的输出速度是对方的 12.5 倍(81 比 7 token/秒)。
概览
| 规格 | GPT-5.4 Pro | GPT-5.5 |
|---|---|---|
| 提供商 | OpenAI | OpenAI |
| 发布日期 | 2026年3月4日 | 2026年4月23日 |
| 上下文窗口(token) | 1,050,000 | 1,050,000 |
| 对比时的配置 | GPT-5.4 Pro | GPT-5.5 (xhigh) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $30.00 / $180.00 / – | $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-5.4 Pro | GPT-5.5 (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 70.1 | 68.1 | GPT-5.4 Pro |
| 编程 | – | 60.7 | 无法比较 |
| 智能体与工具 | – | 61.8 | 无法比较 |
| 数学 | – | 69.3 | 无法比较 |
| 知识 | 74.0 | 63.6 | GPT-5.4 Pro |
| 指令遵循 | 64.4 | 74.0 | GPT-5.5 |
| 多模态 | 69.8 | 62.3 | GPT-5.4 Pro |
| 长上下文 | – | 66.9 | 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。
未绘制(测得的模型少于两个):编程, 智能体与工具, 数学, 长上下文, 人类偏好。
各来源的分歧
在两者都有结果的 1 项基准测试中,GPT-5.4 Pro 领先 1 项,GPT-5.5 领先 0 项。
| 综合 Index | GPT-5.4 Pro | GPT-5.5 (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 63.1 | 64.1 | 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-5.4 Pro | GPT-5.5 (xhigh) |
|---|---|---|
| 每百万 token 混合价格 | $67.50 | $11.25 |
| 每百万 token 输入 / 输出 | $30.00 / $180.00 | $5.00 / $30.00 |
| 每百万 token 缓存输入 | – | $0.500 |
| 每项任务价格:聊天回复 | $0.066 | $0.011 |
| 每项任务价格:总结一份 30 页的报告 | $0.468 | $0.078 |
| 每项任务价格:代码编辑 | $0.450 | $0.075 |
| 每项任务价格:智能体编程会话 | $2.52 | $0.420 |
| 每项任务价格:结构化信息提取 | $0.096 | $0.016 |
| 智能体编程会话(输入大多命中缓存) | – | $0.217 |
| 输出速度 | 7 tok/s | 81 tok/s |
| 首次回答时间 | 7.9 秒 | 38.3 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | – | 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-5.4 Pro 得分 63.1,首个回答 token 需 8 秒;GPT-5.4 Pro (xhigh) 为 59.5(8 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 138 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-5.4 Pro | GPT-5.5 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 63.1 | 64.1 |
| 指令遵循得分 | BenchLeader | 64.4 | 74.0 |
| 知识得分 | BenchLeader | 74.0 | 63.6 |
| 多模态得分 | BenchLeader | 69.8 | 62.3 |
| 推理得分 | BenchLeader | 70.1 | 68.1 |
| 智能体与工具得分 | BenchLeader | – | 61.8 |
| 编程得分 | BenchLeader | – | 60.7 |
| 长上下文得分 | BenchLeader | – | 66.9 |
| 数学得分 | BenchLeader | – | 69.3 |
| 混合价格(美元/百万 token) | BenchLeader | $67.50 | $11.25 |
| 输出速度 | BenchLeader | 7 tok/s | 81 tok/s |
| 首次回答时间 | BenchLeader | 7.9 秒 | 38.3 秒 |
| 上下文窗口 | BenchLeader | 1,050,000 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 94.6%† | 90.7%† |
| Humanity's Last Exam | Scale AI / CAIS | 44.3% | – |
| SimpleBench | SimpleBench | 74.1% | 69.0%† |
| Arena Hard Prompts | Arena (LMArena) | – | 1499† |
| LiveBench 1.0 Reasoning | LiveBench | – | 89.7% |
| GPQA Diamond (AA) | Artificial Analysis | – | 93.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | – | 45.8% |
| GPQA Diamond (Vals) | Vals AI | – | 93.2% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 88.8%† |
| ARC-AGI-1 | ARC Prize | 94.5%† | 95.0% |
| ARC-AGI-2 | ARC Prize | 83.3%† | 85.0% |
| ARC-AGI-3 | ARC Prize | – | 0.4%† |
| CritPt | Artificial Analysis | 30.0%† | 27.1% |
| Arena Expert | Arena (LMArena) | – | 1510† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 59.0%† | 63.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 56.0% |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 22.2%† |
| LMCA | Epoch AI Benchmarking Hub | – | 54.3% |
| DTBench | Epoch AI Benchmarking Hub | – | 96.0% |
| ForecastBench | ForecastBench | – | 64.2%† |
| BTF-3 | Epoch AI Benchmarking Hub | – | 14.3%† |
| 编程 | |||
| SciCode | SciCode | – | 55.8% |
| WeirdML | WeirdML | 57.4%† | 84.9% |
| FrontierCode | Cognition | – | 43.0%† |
| GSO-Bench | GSO-Bench | – | 40.2% |
显示全部 138 项基准测试
| 指标 | 发布方 | GPT-5.4 Pro | GPT-5.5 (xhigh) |
|---|---|---|---|
| 编程 | |||
| Arena Coding | Arena (LMArena) | – | 1510† |
| Arena WebDev | Arena (LMArena) | – | 1512 |
| LiveBench 1.0 Coding | LiveBench | – | 82.2% |
| LiveCodeBench | Vals AI | – | 85.3% |
| SWE-bench (Vals) | Vals AI | – | 82.6% |
| Code Migration | Vals AI | – | 45.2% |
| ProgramBench | Vals AI | – | 0.5% |
| Vibe Code Bench v1.1 | Vals AI | – | 69.8% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 45.4% |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | – | 44.8% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 42.6% |
| MirrorCode | Epoch AI Benchmarking Hub | – | 23.3% |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | – | 88.1%† |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 67.0% |
| ALE-Bench | Epoch AI Benchmarking Hub | – | 1943.0 |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 14.7% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 84.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 49.2† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 59.9 |
| Design Arena Website | Design Arena | – | 1248† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 84.7%† |
| OSWorld-Verified 2.0 | OSWorld | – | 13.0% |
| Remote Labor Index | Scale AI / CAIS | – | 6.3%† |
| APEX-Agents | Mercor | – | 55.1%† |
| LiveBench Agentic Coding | LiveBench | – | 54.0% |
| Terminal-Bench Hard | Artificial Analysis | – | 60.6% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 93.9% |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 57.3%† |
| MCP Atlas | Scale AI SEAL | – | 75.3% |
| HiL-Bench | Scale AI SEAL | – | 39.7%† |
| τ³-bench Banking | τ²-bench | – | 44.6% |
| GDPval-AA v2.1 | Artificial 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 v2 | Vals AI | – | 51.8% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 3.8% |
| Legal Research Bench | Vals AI | – | 40.4% |
| SkillsBench | Vals AI | – | 62.2% |
| SREBench | Vals AI | – | 3.8% |
| Tax Agent Bench | Vals AI | – | 21.8% |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 73.2%† |
| Time Horizon Index: KSP | Vals AI | – | 8.3% |
| Arena Search | Arena (LMArena) | – | 1226† |
| DeepResearch Bench | DeepResearch Bench | – | 54.0%† |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 23.9% |
| ExploitBench | Epoch AI Benchmarking Hub | – | 47.4%† |
| GBAEval | Epoch AI Benchmarking Hub | – | 53.2%† |
| Vending-Bench 2 | Andon Labs | – | 7523.8† |
| AutomationBench | Artificial Analysis | – | 47.3% |
| GDP.pdf (AA) | Artificial Analysis | – | 21.2% |
| EnterpriseOps-Gym | Artificial Analysis | – | 46.6% |
| AA-Briefcase v1.1 | Artificial Analysis | – | 1135 |
| Design Arena Agentic | Design Arena | – | 1113† |
| RoboDojo (LLM as robot policy) | RoboDojo | – | 1.1† |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 82.5%† | 85.3% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 58.5%† | 72.5% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 84.4%† |
| ProofBench | Vals AI | – | 50.0% |
| LiveBench Mathematics | LiveBench | – | 95.9% |
| AIME 2026 | MathArena | – | 100.0% |
| HMMT February 2026 | MathArena | – | 98.5% |
| USAMO 2026 | MathArena | – | 98.2% |
| MathArena Apex | MathArena | 69.8%† | 80.2% |
| Arena Maths | Arena (LMArena) | – | 1500† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | – | 0.0% |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 46.3%† | 63.0% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 81.6% |
| MMLU-Pro | Vals AI | – | 88.1% |
| LegalBench | Vals AI | – | 86.5% |
| CorpFin | Vals AI | – | 68.4% |
| TaxEval | Vals AI | – | 75.0% |
| MultiNRC | Scale AI SEAL | 62.3% | – |
| CaseLaw v2 | Vals AI | – | 66.2% |
| Excel Modeling Benchmark | Vals AI | – | 64.5% |
| MedCode | Vals AI | – | 49.1% |
| MedScribe | Vals AI | – | 86.9% |
| Public Benefits Bench v1.1 | Vals AI | – | 60.9% |
| DrugDiscoveryBench | Scale AI SEAL | – | 51.6% |
| EBR-bench | Epoch AI Benchmarking Hub | – | 34.3% |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 26.0% |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 87.4% |
| LiveBench Instruction Following | LiveBench | – | 70.7% |
| IFBench | Artificial Analysis | – | 75.8% |
| MultiChallenge | Scale AI SEAL | 69.2% | – |
| TutorBench | Scale AI SEAL | 56.6% | – |
| Arena Instruction Following | Arena (LMArena) | – | 1475† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1476† |
| EQ-Bench 4 | EQ-Bench | – | 1295† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1845† |
| Arena Creative Writing | Arena (LMArena) | – | 1448† |
| Arena Multi-turn | Arena (LMArena) | – | 1484† |
| Arena Longer Queries | Arena (LMArena) | – | 1486† |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1296† |
| MMMU-Pro | Artificial Analysis | – | 79.9% |
| VISTA | Scale AI SEAL | 53.9% | – |
| MMMU-Pro (Vals) | Vals AI | – | 88.3% |
| MortgageTax | Vals AI | – | 68.8% |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 36.2%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 44.2% |
| Code2Video-AA | Artificial Analysis | – | 1000 |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | – | 84.3% |
| Arena Document | Arena (LMArena) | – | 1479† |
| MLCR | Artificial Analysis | – | 28.9% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 160.2 | 160.1† |
| LiveBench 1.0 | LiveBench | – | 80.2% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | – | 38.4 |
| AA Progress Index v1 | Artificial Analysis | – | 320 |
| Vals RSI Index | Vals AI | – | 16.5% |
| Vals Multimodal Index | Vals AI | – | 68.1% |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 14.8% | 16.3% |
| MASK | Scale AI SEAL | 91.7% | – |
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-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
- GPT-5.4 Pro:BenchLeader Index 63.6 → 63.1。
- 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)。
- GPT-5.5 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
相关对比
- GPT-5.4 Pro vs Claude Fable 5.2
- GPT-5.4 Pro vs Gemini 4 Carbon
- GPT-5.4 Pro vs Claude Opus 5.5
- GPT-5.5 vs Claude Fable 5.2
- GPT-5.5 vs Gemini 4 Carbon
- GPT-5.5 vs Claude Opus 5.5
- GPT-5.5 vs GPT-6 Astra
- GPT-5.3-Codex vs GPT-5.5
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-5.4 Pro vs GPT-5.5:常见问题
- GPT-5.4 Pro 比 GPT-5.5 更好吗?
- GPT-5.4 Pro 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±5.2 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-5.4 Pro 和 GPT-5.5 哪个更便宜?价格会变吗?
- 目前 GPT-5.5 更便宜:每百万 token $11.25 比 $67.50(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。
- GPT-5.4 Pro 和 GPT-5.5 哪个更快?
- GPT-5.5 输出更快(3 倍以上;输出 81 比 7 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- 两者都支持 1,050,000 token 的上下文。
- 哪个延迟更低?
- GPT-5.4 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 7.9 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。
更多问题(2)
- 第三方基准测试对 GPT-5.4 Pro 和 GPT-5.5 的看法一致吗?
- 在两者都有结果的 1 项基准测试中,GPT-5.4 Pro 领先 1 项,GPT-5.5 领先 0 项。
- GPT-5.5 是什么时候发布的?
- GPT-5.5 于 2026年4月23日 发布。