BenchLeader

GPT-5.4 vs Qwen3.8 Max

完整资料:GPT-5.4(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 17 个来源

截至 2026年11月16日,质量上 GPT-5.4 领先 Qwen3.8 Max(BenchLeader Index 63.1 比 58.7)。不过,Qwen3.8 Max 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 52)、智能体与工具(63 比 59)和编程(65 比 62)选 GPT-5.4;看重多模态(66 比 61)选 Qwen3.8 Max。GPT-5.4 的输出更快。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-5.4 比 Qwen3.8 Max 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 37 项基准测试中,Qwen3.8 Max 领先 22 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 62;SciCode 56.6% 比 53.2%中
智能体与工具调用GPT-5.4类别得分 63 比 59;τ³-Banking (AA) 39.6% 比 51.3%中
数学均可类别得分 65 比 65;ProofBench 56.0% 比 58.0%均可
推理GPT-5.4类别得分 66 比 52;Humanity's Last Exam (AA) 43.7% 比 43.1%高
知识均可类别得分 59 比 58;MMLU-Pro 87.5% 比 88.6%均可
长文档均可类别得分 66 比 65;AA-LCR v1.1 82.0% 比 80.3%均可
图像及其他媒体Qwen3.8 Max类别得分 66 比 61;MMMU-Pro 82.8% 比 78.4%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 $5.63;智能体编程会话 $0.144 比 $0.210–
首次回答最快均可首个回答 token 144.9 秒(GPT-5.4 (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

  • 质量上 GPT-5.4 (xhigh) 领先:63.1 比 58.7。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、知识、长上下文、推理方面更强。
  • Qwen3.8 Max (max) 在数学、多模态方面更强。
  • Qwen3.8 Max (max) 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-5.4Qwen3.8 Max
提供商OpenAIAlibaba
发布日期2026年3月5日2026年8月3日
上下文窗口(token)1,050,0001,000,000
对比时的配置GPT-5.4 (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)$2.50 / $15.00 / $0.250$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-5.4 (xhigh)Qwen3.8 Max (max)领先者
推理65.751.5GPT-5.4
编程64.761.6GPT-5.4
智能体与工具63.058.5GPT-5.4
数学64.865.2持平
知识58.658.0持平
指令遵循72.4–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65.764.8持平
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: 60.8Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 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):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 37 项基准测试中,GPT-5.4 领先 14 项,Qwen3.8 Max 领先 22 项,1 项持平。第三方来源看法不一:GPT-5.4 在 BenchLeader Index 上领先;Qwen3.8 Max 在 Arena Text 上领先。

综合 IndexGPT-5.4 (xhigh)Qwen3.8 Max (max)领先者
BenchLeader Index63.158.7GPT-5.4
Arena Text1475†1484Qwen3.8 Max

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)Qwen3.8 Max (max)
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$0.250
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$0.065
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73 tok/s59 tok/s
首次回答时间144.9 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 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-5.4 (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)。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 184 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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader63.158.7
智能体与工具得分BenchLeader63.058.5
编程得分BenchLeader64.761.6
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.658.0
长上下文得分BenchLeader65.764.8
数学得分BenchLeader64.865.2
多模态得分BenchLeader60.865.7
推理得分BenchLeader65.751.5
综合得分BenchLeader–45.0
人类偏好得分BenchLeader–67.5
混合价格(美元/百万 token)BenchLeader$5.63$3.00
输出速度BenchLeader73 tok/s59 tok/s
首次回答时间BenchLeader144.9 秒119.6 秒
上下文窗口BenchLeader1,050,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%92.7%†
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench88.1%88.2%
GPQA Diamond (AA)Artificial Analysis92.0%92.8%
Humanity's Last Exam (AA)Artificial Analysis43.7%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI91.7%93.7%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)1491†1514
Chess PuzzlesEpoch AI Benchmarking Hub48.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%38.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%46.2%†
DTBenchEpoch AI Benchmarking Hub94.4%92.0%†
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
显示全部 184 项基准测试
指标发布方GPT-5.4 (xhigh)Qwen3.8 Max (max)
编程
SciCodeSciCode56.6%53.2%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1523
Arena WebDevArena (LMArena)1400†1676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench77.5%72.9%
SciCode (AA)Artificial Analysis–53.2%
LiveCodeBenchVals AI84.1%87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI78.2%85.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%24.0%
ProgramBenchVals AI0.0%0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI67.4%64.7%
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–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 Hub23.3%52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%57.5%†
ALE-BenchEpoch AI Benchmarking Hub1607†1679.1†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 253.4†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 262.169.6†
Design Arena WebsiteDesign Arena1190†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-Bench81.8%†27.0%
APEX-AgentsMercor52.4%†63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench53.8%64.7%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis12561674
τ³-Banking (AA)Artificial Analysis39.6%51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis33.3%42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI0.0%10.4%
Legal Research BenchVals AI–47.6%
SkillsBenchVals AI51.7%42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)1196†1227
Arena Agent Task CompletionArena (LMArena)–4.5
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–56.2%
GDP.pdf (AA)Artificial Analysis–22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis–1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena1042†1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%100.0%†
ProofBenchVals AI56.0%58.0%
LiveBench MathematicsLiveBench94.2%91.3%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1505
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench79.3%78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI87.5%88.6%
LegalBenchVals AI86.0%83.6%
CorpFinVals AI65.3%65.8%
TaxEvalVals AI74.0%75.5%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI41.3%40.7%
MedScribeVals AI77.5%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%
EBR-benchEpoch AI Benchmarking Hub25.4%–
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 LanguageLiveBench82.6%79.7%
LiveBench Instruction FollowingLiveBench70.2%74.1%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1478
人类偏好
Arena TextArena (LMArena)1465†1484
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1472
Arena Multi-turnArena (LMArena)1480†1495
Arena Longer QueriesArena (LMArena)1477†1496
多模态
Arena VisionArena (LMArena)1292†1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis78.4%82.8%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%88.0%
MortgageTaxVals AI68.3%64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%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 Analysis82.0%80.3%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench78.0%78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis39.045.4
AA Progress Index v1Artificial Analysis311.6323.7
Vals RSI IndexVals AI15.5%21.8%
Vals Multimodal IndexVals AI–65.4%
安全与诚实
MASKScale AI SEAL89.7%†–
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。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Qwen3.8 Max (max):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Qwen3.8 Max (max):6 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • 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。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。

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 Qwen3.8 Max:常见问题

GPT-5.4 比 Qwen3.8 Max 更好吗?
质量上 GPT-5.4 (xhigh) 领先:63.1 比 58.7。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 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 $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 Qwen3.8 Max 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 62,50 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%,Qwen3.8 Max 为 87.8%。
GPT-5.4 和 Qwen3.8 Max 哪个更快?
GPT-5.4 输出更快(输出 73 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 Qwen3.8 Max 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GPT-5.4 为 39.6%,Qwen3.8 Max 为 51.3%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 65)。两者都约为 1.1M token(GPT-5.4 为 1,050,000,Qwen3.8 Max 为 1,000,000)。
哪个延迟更低?
Qwen3.8 Max 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 119.6 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 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 37 项基准测试中,GPT-5.4 领先 14 项,Qwen3.8 Max 领先 22 项,1 项持平。第三方来源看法不一:GPT-5.4 在 BenchLeader Index 上领先;Qwen3.8 Max 在 Arena Text 上领先。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。