BenchLeader

GPT-5.4 vs GPT-5.5

完整资料:GPT-5.4(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 与 GPT-5.5 的质量不相上下(BenchLeader Index 63.1 比 64.1,在 ±4.7 的误差范围内)。GPT-5.4 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $5.63 比 $11.25)。看重编程(65 比 61)和智能体与工具(63 比 62)选 GPT-5.4;看重知识(64 比 59)、数学(69 比 65)和推理(68 比 66)选 GPT-5.5。GPT-5.5 的首次回答更快(38.3 秒 比 144.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,GPT-5.5 为 64.1(BenchLeader,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(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)。
  • 在两者都有结果的 66 项基准测试中,GPT-5.5 领先 60 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-5.4类别得分 65 比 61;SciCode 56.6% 比 55.8%中
智能体与工具调用GPT-5.4类别得分 63 比 62;τ³-Banking (AA) 39.6% 比 39.0%中
数学GPT-5.5类别得分 69 比 65;FrontierMath Tiers 1–3 85.3% 比 78.6%中
推理GPT-5.5类别得分 68 比 66;ARC-AGI-2 85.0% 比 74.0%中
知识GPT-5.5类别得分 64 比 59;SimpleQA Verified 63.0% 比 45.1%中
长文档GPT-5.5类别得分 67 比 66;AA-LCR v1.1 84.3% 比 82.0%中
图像及其他媒体GPT-5.5类别得分 62 比 61;MMMU-Pro 79.9% 比 78.4%中
指令遵循GPT-5.5类别得分 74 比 72;IFBench 75.8% 比 74.0%中
成本最低GPT-5.4每百万 token 混合价格 $5.63 比 $11.25;智能体编程会话 $0.210 比 $0.420–
首次回答最快GPT-5.5首个回答 token 38.3 秒(GPT-5.5 (xhigh))比 144.9 秒(GPT-5.4 (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-5.4 (xhigh) 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±4.7 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、编程方面更强。
  • GPT-5.5 (xhigh) 在指令遵循、知识、长上下文、数学、多模态、推理方面更强。
  • GPT-5.4 (xhigh) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $5.63 比 $11.25)。

概览

规格GPT-5.4GPT-5.5
提供商OpenAIOpenAI
发布日期2026年3月5日2026年4月23日
上下文窗口(token)1,050,0001,050,000
对比时的配置GPT-5.4 (xhigh)GPT-5.5 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.50 / $15.00 / $0.250$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 (xhigh)GPT-5.5 (xhigh)领先者
推理65.768.1GPT-5.5
编程64.760.7GPT-5.4
智能体与工具63.061.8GPT-5.4
数学64.869.3GPT-5.5
知识58.663.6GPT-5.5
指令遵循72.474.0GPT-5.5
多模态60.862.3GPT-5.5
长上下文65.766.9GPT-5.5

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推理编程智能体与工具数学知识指令遵循长上下文多模态GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 指令遵循: 72.4GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6GPT-5.5, 指令遵循: 74.0GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3

未绘制(测得的模型少于两个):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 66 项基准测试中,GPT-5.4 领先 5 项,GPT-5.5 领先 60 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.5 更强。

综合 IndexGPT-5.4 (xhigh)GPT-5.5 (xhigh)领先者
BenchLeader Index63.164.1不相上下
Arena Text1475†1481GPT-5.5

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 (xhigh)GPT-5.5 (xhigh)
每百万 token 混合价格$5.63$11.25
每百万 token 输入 / 输出$2.50 / $15.00$5.00 / $30.00
每百万 token 缓存输入$0.250$0.500
每项任务价格:聊天回复$0.0055$0.011
每项任务价格:总结一份 30 页的报告$0.039$0.078
每项任务价格:代码编辑$0.037$0.075
每项任务价格:智能体编程会话$0.210$0.420
每项任务价格:结构化信息提取$0.0080$0.016
智能体编程会话(输入大多命中缓存)$0.109$0.217
输出速度73 tok/s81 tok/s
首次回答时间144.9 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒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 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 149 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 (xhigh)GPT-5.5 (xhigh)
BenchLeader IndexBenchLeader63.164.1
智能体与工具得分BenchLeader63.061.8
编程得分BenchLeader64.760.7
指令遵循得分BenchLeader72.474.0
知识得分BenchLeader58.663.6
长上下文得分BenchLeader65.766.9
数学得分BenchLeader64.869.3
多模态得分BenchLeader60.862.3
推理得分BenchLeader65.768.1
混合价格(美元/百万 token)BenchLeader$5.63$11.25
输出速度BenchLeader73 tok/s81 tok/s
首次回答时间BenchLeader144.9 秒38.3 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%90.7%†
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–69.0%†
Arena Hard PromptsArena (LMArena)1487†1499†
LiveBench 1.0 ReasoningLiveBench88.1%89.7%
GPQA Diamond (AA)Artificial Analysis92.0%93.5%
Humanity's Last Exam (AA)Artificial Analysis43.7%45.8%
GPQA Diamond (Vals)Vals AI91.7%93.2%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†88.8%†
ARC-AGI-1ARC Prize93.7%95.0%
ARC-AGI-2ARC Prize74.0%85.0%
ARC-AGI-3ARC Prize0.2%†0.4%†
CritPtArtificial Analysis23.4%27.1%
Arena ExpertArena (LMArena)1491†1510†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%56.0%
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%22.2%†
LMCAEpoch AI Benchmarking Hub52.0%54.3%
DTBenchEpoch AI Benchmarking Hub94.4%96.0%
ForecastBenchForecastBench63.0%†64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%55.8%
WeirdMLWeirdML77.7%84.9%
显示全部 149 项基准测试
指标发布方GPT-5.4 (xhigh)GPT-5.5 (xhigh)
编程
FrontierCodeCognition–43.0%†
GSO-BenchGSO-Bench31.4%40.2%
Arena CodingArena (LMArena)1511†1510†
Arena WebDevArena (LMArena)1400†1512
LiveBench 1.0 CodingLiveBench77.5%82.2%
SciCode (AA)Artificial Analysis–55.8%
LiveCodeBenchVals AI84.1%85.3%
SWE-bench (Vals)Vals AI78.2%82.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%45.2%
ProgramBenchVals AI0.0%0.5%
Vibe Code Bench v1.1Vals AI67.4%69.8%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%42.6%
MirrorCodeEpoch AI Benchmarking Hub23.3%23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%67.0%
ALE-BenchEpoch AI Benchmarking Hub1607†1943.0
AlgoTuneAlgoTune1.9†–
Terminal-Bench 4.0 (AA)Artificial Analysis–14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%84.3%
GameBench 2 OverallDuelLab GameBench 253.4†49.2†
GameBench 2 by reasoning settingDuelLab GameBench 262.159.9
Design Arena WebsiteDesign Arena1190†1248†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor52.4%†55.1%†
LiveBench Agentic CodingLiveBench53.8%54.0%
Terminal-Bench HardArtificial Analysis57.6%60.6%
τ²-Bench Telecom (AA)Artificial Analysis87.1%93.9%
Terminal-Bench 2.1 (Vals)Vals AI–57.3%†
MCP AtlasScale AI SEAL70.6%75.3%
HiL-BenchScale AI SEAL9.7%†39.7%†
τ³-bench Bankingτ²-bench39.4%44.6%
GDPval-AA v2.1Artificial Analysis12561357
τ³-Banking (AA)Artificial Analysis39.6%39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis–50.0%
APEX-Agents (AA)Artificial Analysis33.3%37.7%
Finance Agent v2Vals AI–51.8%
Harvey's Legal Agent Benchmark v1Vals AI0.0%3.8%
Legal Research BenchVals AI–40.4%
SkillsBenchVals AI51.7%62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†73.2%†
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)1196†1226†
DeepResearch BenchDeepResearch Bench35.1%†54.0%†
PostTrainBenchEpoch AI Benchmarking Hub17.8%†23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†53.2%†
Vending-Bench 2Andon Labs6144.2†7523.8†
AutomationBenchArtificial Analysis–47.3%
GDP.pdf (AA)Artificial Analysis–21.2%
EnterpriseOps-GymArtificial Analysis–46.6%
AA-Briefcase v1.1Artificial Analysis–1135
Design Arena AgenticDesign Arena1042†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%84.4%†
ProofBenchVals AI56.0%50.0%
LiveBench MathematicsLiveBench94.2%95.9%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%100.0%
HMMT February 2026MathArena97.7%98.5%
USAMO 2026MathArena95.2%98.2%
MathArena ApexMathArena54.2%80.2%
Arena MathsArena (LMArena)1459†1500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%63.0%
LiveBench 1.0 Data AnalysisLiveBench79.3%81.6%
MMLU-ProVals AI87.5%88.1%
LegalBenchVals AI86.0%86.5%
CorpFinVals AI65.3%68.4%
TaxEvalVals AI74.0%75.0%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%66.2%
Excel Modeling BenchmarkVals AI–64.5%
MedCodeVals AI41.3%49.1%
MedScribeVals AI77.5%86.9%
Public Benefits Bench v1.1Vals AI–60.9%
DrugDiscoveryBenchScale AI SEAL–51.6%
EBR-benchEpoch AI Benchmarking Hub25.4%34.3%
GDP.pdfEpoch AI Benchmarking Hub–26.0%
指令遵循
LiveBench LanguageLiveBench82.6%87.4%
LiveBench Instruction FollowingLiveBench70.2%70.7%
IFBenchArtificial Analysis74.0%75.8%
Arena Instruction FollowingArena (LMArena)1460†1475†
人类偏好
Arena TextArena (LMArena)1465†1476†
EQ-Bench 4EQ-Bench1258†1295†
EQ-Bench Creative Writing v3EQ-Bench1841†1845†
Arena Creative WritingArena (LMArena)1433†1448†
Arena Multi-turnArena (LMArena)1480†1484†
Arena Longer QueriesArena (LMArena)1477†1486†
多模态
Arena VisionArena (LMArena)1292†1296†
MMMU-ProArtificial Analysis78.4%79.9%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%88.3%
MortgageTaxVals AI68.3%68.8%
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub37.5%44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis82.0%84.3%
Arena DocumentArena (LMArena)1471†1479†
MLCRArtificial Analysis–28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†160.1†
LiveBench 1.0LiveBench78.0%80.2%
AA Intelligence Index v4.3.2Artificial Analysis39.038.4
AA Progress Index v1Artificial Analysis311.6320
Vals RSI IndexVals AI15.5%16.5%
Vals Multimodal IndexVals AI–68.1%
安全与诚实
FORTRESSScale AI SEAL–16.3%
MASKScale AI SEAL89.7%†–

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-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • 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-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。

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 vs GPT-5.5:常见问题

GPT-5.4 比 GPT-5.5 更好吗?
GPT-5.4 (xhigh) 与 GPT-5.5 (xhigh) 的质量不相上下(63.1 比 64.1,在 ±4.7 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-5.4 和 GPT-5.5 哪个更便宜?价格会变吗?
目前 GPT-5.4 更便宜:每百万 token $5.63 比 $11.25(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-5.4 还是 GPT-5.5 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.4 为 84.1%,GPT-5.5 为 85.3%。
GPT-5.4 和 GPT-5.5 哪个更快?
GPT-5.5 输出更快(输出 81 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 GPT-5.5 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 62,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,GPT-5.4 为 70.6%,GPT-5.5 为 75.3%。
更多问题(4)
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 66)。两者都支持 1,050,000 token 的上下文。
哪个延迟更低?
GPT-5.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.3 秒比 144.9 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-5.4 和 GPT-5.5 的看法一致吗?
在两者都有结果的 66 项基准测试中,GPT-5.4 领先 5 项,GPT-5.5 领先 60 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.5 更强。
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。