BenchLeader

GPT-5.4 vs Grok 4.7

完整资料:GPT-5.4(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 14 个来源

截至 2026年11月16日,质量上 GPT-5.4 领先 Grok 4.7(BenchLeader Index 63.1 比 57.4)。不过,Grok 4.7 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。看重推理(66 比 56)、数学(65 比 56)和智能体与工具(63 比 57)选 GPT-5.4;看重知识(60 比 59)选 Grok 4.7。Grok 4.7 的首次回答更快(55.9 秒 比 144.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Grok 4.7 为 57.4(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)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,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 57.4%中
智能体与工具调用GPT-5.4类别得分 63 比 57;LiveBench Agentic Coding 53.8% 比 54.0%中
数学GPT-5.4类别得分 65 比 56;FrontierMath Tiers 1–3 78.6% 比 53.0%高
推理GPT-5.4类别得分 66 比 56;GPQA Diamond 93.3% 比 92.7%高
知识Grok 4.7类别得分 60 比 59;SimpleQA Verified 56.0% 比 45.1%中
长文档GPT-5.4类别得分 66 比 63;AA-LCR v1.1 82.0% 比 76.7%中
图像及其他媒体GPT-5.4类别得分 61 比 56;Furniture Assembly 37.5% 比 20.8%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 $5.63;智能体编程会话 $0.144 比 $0.210–
首次回答最快Grok 4.7首个回答 token 55.9 秒(Grok 4.7 (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

  • 质量上 GPT-5.4 (xhigh) 领先:63.1 比 57.4。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、长上下文、数学、多模态、推理方面更强。
  • Grok 4.7 (xhigh) 在知识方面更强。
  • Grok 4.7 (xhigh) 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。

概览

规格GPT-5.4Grok 4.7
提供商OpenAISpaceXAI
发布日期2026年3月5日2026年9月21日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-5.4 (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)$2.50 / $15.00 / $0.250$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-5.4 (xhigh)Grok 4.7 (xhigh)领先者
推理65.755.6GPT-5.4
编程64.760.9GPT-5.4
智能体与工具63.056.9GPT-5.4
数学64.855.8GPT-5.4
知识58.659.9Grok 4.7
指令遵循72.4–无法比较
人类偏好–62.5无法比较
多模态60.855.5GPT-5.4
长上下文65.762.9GPT-5.4
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推理编程智能体与工具数学知识长上下文多模态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, 长上下文: 65.7GPT-5.4, 多模态: 60.8Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 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):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 36 项基准测试中,GPT-5.4 领先 18 项,Grok 4.7 领先 18 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。

综合 IndexGPT-5.4 (xhigh)Grok 4.7 (xhigh)领先者
BenchLeader Index63.157.4GPT-5.4
Arena Text1475†1443GPT-5.4

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)Grok 4.7 (xhigh)
每百万 token 混合价格$5.63$3.00
每百万 token 输入 / 输出$2.50 / $15.00$2.00 / $6.00
每百万 token 缓存输入$0.250$0.500
每项任务价格:聊天回复$0.0055$0.0026
每项任务价格:总结一份 30 页的报告$0.039$0.028
每项任务价格:代码编辑$0.037$0.021
每项任务价格:智能体编程会话$0.210$0.144
每项任务价格:结构化信息提取$0.0080$0.0052
智能体编程会话(输入大多命中缓存)$0.109$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73 tok/s68 tok/s
首次回答时间144.9 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 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-5.4 (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)。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 204 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)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader63.157.4
智能体与工具得分BenchLeader63.056.9
编程得分BenchLeader64.760.9
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.659.9
长上下文得分BenchLeader65.762.9
数学得分BenchLeader64.855.8
多模态得分BenchLeader60.855.5
推理得分BenchLeader65.755.6
综合得分BenchLeader–52.8
人类偏好得分BenchLeader–62.5
混合价格(美元/百万 token)BenchLeader$5.63$3.00
输出速度BenchLeader73 tok/s68 tok/s
首次回答时间BenchLeader144.9 秒55.9 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%92.7%
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1466
LiveBench 2.0 ReasoningLiveBench–82.7%
LiveBench 1.0 ReasoningLiveBench88.1%82.7%
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%43.1%
HLE-Diamond (AA)Artificial Analysis–23.2%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%89.5%
ARC-AGI-2ARC Prize74.0%61.4%
ARC-AGI-3ARC Prize0.2%†7.0%
CritPtArtificial Analysis23.4%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)1491†1478
Chess PuzzlesEpoch AI Benchmarking Hub48.0%41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%29.0%
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%49.4%
DTBenchEpoch AI Benchmarking Hub94.4%96.0%
ForecastBenchForecastBench63.0%†–
显示全部 204 项基准测试
指标发布方GPT-5.4 (xhigh)Grok 4.7 (xhigh)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%57.4%
WeirdMLWeirdML77.7%–
FrontierCodeCognition–47.6%†
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1493
Arena WebDevArena (LMArena)1400†1641
LiveBench 2.0 CodingLiveBench–73.1%
LiveBench 1.0 CodingLiveBench77.5%77.2%
SciCode (AA)Artificial Analysis–57.4%
LiveCodeBenchVals AI84.1%–
IOIVals AI–57.7%
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI0.0%0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench v1.1Vals AI67.4%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
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 Hub23.3%54.4%
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
CursorBenchCursor–46.3%
ALE-BenchEpoch AI Benchmarking Hub1607†1545.8
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML–8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis–25.8%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
Startrise FrontendStartrise–75.9%†
GameBench 2 OverallDuelLab GameBench 253.4†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 262.171.2
Design Arena WebsiteDesign Arena1190†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-Bench81.8%†38.8%
APEX-AgentsMercor52.4%†54.6%†
Arena AgentArena (LMArena)–2.6
LiveBench Long AgenticLiveBench–45.3%
LiveBench BrowserLiveBench–49.3%
LiveBench Agentic CodingLiveBench53.8%54.0%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–73.4%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–60.7%
GDPval-AA v2.1Artificial Analysis12561717
τ³-Banking (AA)Artificial Analysis39.6%–
ITBench SRE (AA)Artificial Analysis–42.1%
Analyst Agent (AA)Artificial Analysis–52.5%
APEX-Agents (AA)Artificial Analysis33.3%–
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 AI0.0%12.5%
Legal Research BenchVals AI–47.1%
Robo-benchVals AI–0.2%
SkillsBenchVals AI51.7%–
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–35.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–28.8%
Terminal-Bench ScienceVals AI–10.0%
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–5.1
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†10536.8†
AutomationBenchArtificial Analysis–65.6%
GDP.pdf (AA)Artificial Analysis–20.0%
Harvey LAB-AA v1.1Harvey–9.4%
AA-Briefcase v1.1Artificial Analysis–1636
GDPxGDPx by SemiAnalysis–3.9%
Design Arena AgenticDesign Arena1042†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%
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%98.1%
ProofBenchVals AI56.0%26.0%†
LiveBench MathematicsLiveBench94.2%95.7%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%56.0%
LiveBench 2.0 Data AnalysisLiveBench–76.9%
LiveBench ResearchLiveBench–89.5%
LiveBench 1.0 Data AnalysisLiveBench79.3%76.9%
AA-Omniscience v1.1Artificial Analysis–31.2
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%84.4%
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†47.6%
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–69.3%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–67.0%
Excel Modeling Benchmark v1.1Vals AI–71.5%
MedCodeVals AI41.3%49.5%
MedScribeVals AI77.5%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%
EBR-benchEpoch AI Benchmarking Hub25.4%–
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 LanguageLiveBench82.6%80.1%
LiveBench Instruction FollowingLiveBench70.2%75.3%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1435
人类偏好
Arena TextArena (LMArena)1465†1443
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†2012†
Arena Creative WritingArena (LMArena)1433†1421
Arena Multi-turnArena (LMArena)1480†1435
Arena Longer QueriesArena (LMArena)1477†1454
多模态
Arena VisionArena (LMArena)1292†1230
LiveBench DesignLiveBench–75.0%
MMMU-ProArtificial Analysis78.4%78.2%†
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
SAGEVals AI–88.7%
VTBScale AI SEAL29.2%†–
GeoBenchGeoBench–61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub37.5%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 Analysis82.0%76.7%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–20.0%
FACTS GroundingGoogle–68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†156.2†
LiveBench 2.0LiveBench–67.9%
LiveBench 1.0LiveBench78.0%77.4%
AA Intelligence Index v5.0.1Artificial Analysis–35.5
AA Intelligence Index v4.3.2Artificial Analysis39.046.5
AA Progress Index v1Artificial Analysis311.6322.7
Vals IndexVals AI–58.6
Vals Finance IndexVals AI–58.8%
Vals RSI IndexVals AI15.5%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
MASKScale AI SEAL89.7%†–
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…)。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • 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。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Grok 4.7 (xhigh):2 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-5.4 vs Grok 4.7:常见问题

GPT-5.4 比 Grok 4.7 更好吗?
质量上 GPT-5.4 (xhigh) 领先:63.1 比 57.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.4 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
GPT-5.4 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 $5.63(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 Grok 4.7 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 SciCode 上,GPT-5.4 为 56.6%,Grok 4.7 为 57.4%。
GPT-5.4 和 Grok 4.7 哪个更快?
GPT-5.4 输出更快(输出 73 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 Grok 4.7 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 57,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.4 在长上下文基准测试上得分更高(66 比 63)。GPT-5.4 支持更长的上下文:1,050,000 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Grok 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 55.9 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 Grok 4.7 的看法一致吗?
在两者都有结果的 36 项基准测试中,GPT-5.4 领先 18 项,Grok 4.7 领先 18 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。