GPT-5 vs GPT-5.4
完整资料:GPT-5(OpenAI)和 GPT-5.4(OpenAI),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 GPT-5(BenchLeader Index 63.1 比 59.0)。不过,GPT-5 更便宜,对方的价格是它的 1.6 倍(每百万 token 混合价格 $3.44 比 $5.63)。看重长上下文(70 比 66)选 GPT-5;看重推理(66 比 48)、编程(65 比 57)和智能体与工具(63 比 58)选 GPT-5.4。GPT-5 的首次回答更快(22.9 秒 比 144.9 秒)。
要点(截至 2026年11月16日)
- GPT-5 的 BenchLeader Index 为 59.0,GPT-5.4 为 63.1(BenchLeader,2026年11月16日)。
- GPT-5 每百万 token 混合价格为 $3.44(标价,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)。
- 在两者都有结果的 17 项基准测试中,GPT-5.4 领先 17 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 57;GameBench 2 by reasoning setting 62.1 比 38.0 | 中 |
| 智能体与工具调用 | GPT-5.4 | 类别得分 63 比 58;Terminal-Bench Hard 57.6% 比 37.9% | 中 |
| 数学 | 均可 | 类别得分 65 比 65;OTIS Mock AIME 87.2% 比 95.3% | 均可 |
| 推理 | GPT-5.4 | 类别得分 66 比 48;GPQA Diamond 93.3% 比 85.3% | 高 |
| 长文档 | GPT-5 | 类别得分 70 比 66;AA-LCR v1.1 76.0% 比 82.0% | 中 |
| 图像及其他媒体 | GPT-5.4 | 类别得分 61 比 57;MMMU-Pro 78.4% 比 74.3% | 中 |
| 指令遵循 | GPT-5.4 | 类别得分 72 比 69;IFBench 74.0% 比 70.6% | 中 |
| 成本最低 | GPT-5 | 每百万 token 混合价格 $3.44 比 $5.63;智能体编程会话 $0.115 比 $0.210 | – |
| 首次回答最快 | GPT-5 | 首个回答 token 22.9 秒(GPT-5 (medium))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 59.0。
- GPT-5 (medium) 在长上下文、数学方面更强。
- GPT-5.4 (xhigh) 在智能体与工具、编程、指令遵循、多模态、推理方面更强。
- GPT-5 (medium) 更便宜,对方的价格是它的 1.6 倍(每百万 token 混合价格 $3.44 比 $5.63)。
概览
| 规格 | GPT-5 | GPT-5.4 |
|---|---|---|
| 提供商 | OpenAI | OpenAI |
| 发布日期 | 2025年8月7日 | 2026年3月5日 |
| 上下文窗口(token) | 400,000 | 1,050,000 |
| 对比时的配置 | GPT-5 (medium) | GPT-5.4 (xhigh) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $1.25 / $10.00 / $0.125 | $2.50 / $15.00 / $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 (medium) | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 47.9 | 65.7 | GPT-5.4 |
| 编程 | 57.4 | 64.7 | GPT-5.4 |
| 智能体与工具 | 58.1 | 63.0 | GPT-5.4 |
| 数学 | 65.4 | 64.8 | 持平 |
| 知识 | – | 58.6 | 无法比较 |
| 指令遵循 | 69.4 | 72.4 | GPT-5.4 |
| 多模态 | 56.6 | 60.8 | GPT-5.4 |
| 长上下文 | 70.4 | 65.7 | GPT-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。
未绘制(测得的模型少于两个):知识, 人类偏好。
各来源的分歧
在两者都有结果的 17 项基准测试中,GPT-5 领先 0 项,GPT-5.4 领先 17 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
| 综合 Index | GPT-5 (medium) | GPT-5.4 (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 59.0 | 63.1 | GPT-5.4 |
| Arena Text | 1435† | 1475 | GPT-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 (medium) | GPT-5.4 (xhigh) |
|---|---|---|
| 每百万 token 混合价格 | $3.44 | $5.63 |
| 每百万 token 输入 / 输出 | $1.25 / $10.00 | $2.50 / $15.00 |
| 每百万 token 缓存输入 | $0.125 | $0.250 |
| 每项任务价格:聊天回复 | $0.0035 | $0.0055 |
| 每项任务价格:总结一份 30 页的报告 | $0.021 | $0.039 |
| 每项任务价格:代码编辑 | $0.022 | $0.037 |
| 每项任务价格:智能体编程会话 | $0.115 | $0.210 |
| 每项任务价格:结构化信息提取 | $0.0045 | $0.0080 |
| 智能体编程会话(输入大多命中缓存) | $0.064 | $0.109 |
| 输出速度 | 82 tok/s | 73 tok/s |
| 首次回答时间 | 22.9 秒 | 144.9 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 66.2 秒 | 193.1 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 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 秒)。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)。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 150 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 (medium) | GPT-5.4 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 59.0 | 63.1 |
| 智能体与工具得分 | BenchLeader | 58.1 | 63.0 |
| 编程得分 | BenchLeader | 57.4 | 64.7 |
| 指令遵循得分 | BenchLeader | 69.4 | 72.4 |
| 长上下文得分 | BenchLeader | 70.4 | 65.7 |
| 数学得分 | BenchLeader | 65.4 | 64.8 |
| 多模态得分 | BenchLeader | 56.6 | 60.8 |
| 推理得分 | BenchLeader | 47.9 | 65.7 |
| 知识得分 | BenchLeader | – | 58.6 |
| 混合价格(美元/百万 token) | BenchLeader | $3.44 | $5.63 |
| 输出速度 | BenchLeader | 82 tok/s | 73 tok/s |
| 首次回答时间 | BenchLeader | 22.9 秒 | 144.9 秒 |
| 上下文窗口 | BenchLeader | 400,000 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 85.3% | 93.3% |
| Humanity's Last Exam | Scale AI / CAIS | 25.3%† | 36.2% |
| SimpleBench | SimpleBench | 56.7%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1449† | 1487† |
| LiveBench 1.0 Reasoning | LiveBench | – | 88.1% |
| GPQA Diamond (AA) | Artificial Analysis | 84.2% | 92.0% |
| Humanity's Last Exam (AA) | Artificial Analysis | 25.4% | 43.7% |
| GPQA Diamond (Vals) | Vals AI | 85.6%† | 91.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 72.7%† | 63.8%† |
| GPQA Diamond (HELM) | HELM Capabilities | 79.1%† | – |
| ARC-AGI-1 | ARC Prize | 56.2% | 93.7% |
| ARC-AGI-2 | ARC Prize | 7.5% | 74.0% |
| ARC-AGI-3 | ARC Prize | – | 0.2%† |
| CritPt | Artificial Analysis | 0.0% | 23.4% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 11.5%† | – |
| Arena Expert | Arena (LMArena) | 1445† | 1491† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 32.0% | 48.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 15.0% | 37.0% |
| CL-bench | Epoch AI Benchmarking Hub | – | 27.9% |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 21.7% |
| LMCA | Epoch AI Benchmarking Hub | 40.0%† | 52.0% |
| DTBench | Epoch AI Benchmarking Hub | 90.7%† | 94.4% |
| ForecastBench | ForecastBench | 65.0%† | 63.0%† |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 71.5% | 76.9%† |
| SciCode | SciCode | 42.9%† | 56.6% |
显示全部 150 项基准测试
| 指标 | 发布方 | GPT-5 (medium) | GPT-5.4 (xhigh) |
|---|---|---|---|
| 编程 | |||
| WeirdML | WeirdML | 39.8%† | 77.7% |
| GSO-Bench | GSO-Bench | 6.9%† | 31.4% |
| Arena Coding | Arena (LMArena) | 1462† | 1511† |
| Arena WebDev | Arena (LMArena) | 1417 | 1400† |
| LiveBench 1.0 Coding | LiveBench | – | 77.5% |
| LiveCodeBench | Vals AI | 85.9%† | 84.1% |
| SWE-bench (Vals) | Vals AI | 69.0%† | 78.2% |
| SWE-Bench Pro | Scale AI SEAL | 41.8%† | 59.1% |
| Aider Polyglot | Aider polyglot leaderboard | 86.7% | – |
| SWE-bench Verified (bash only) | SWE-bench | 65.0% | – |
| SWE-bench Verified (any scaffold) | SWE-bench | 74.4%† | – |
| Code Migration | Vals AI | – | 35.0% |
| ProgramBench | Vals AI | – | 0.0% |
| Vibe Code Bench v1.1 | Vals AI | 20.1%† | 67.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | 14.9%† | 43.4% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 40.8% |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | – | 44.3% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 44.4% |
| MirrorCode | Epoch AI Benchmarking Hub | 4.4%† | 23.3% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 51.8% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1162.5† | 1607† |
| AlgoTune | AlgoTune | 1.7† | 1.9† |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 35.2%† | 78.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 53.4† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 38.0 | 62.1 |
| Design Arena Website | Design Arena | 1174† | 1190† |
| LiveCodeBench (AA) | Artificial Analysis | 70.3% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 49.6% | 81.8%† |
| GDPval | OpenAI | 34.8% | – |
| Remote Labor Index | Scale AI / CAIS | 1.7%† | – |
| APEX-Agents | Mercor | – | 52.4%† |
| LiveBench Agentic Coding | LiveBench | – | 53.8% |
| Terminal-Bench Hard | Artificial Analysis | 37.9% | 57.6% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 86.5% | 87.1% |
| MCP Atlas | Scale AI SEAL | – | 70.6% |
| HiL-Bench | Scale AI SEAL | – | 9.7%† |
| τ³-bench Banking | τ²-bench | – | 39.4% |
| GDPval-AA v2.1 | Artificial Analysis | 925† | 1256 |
| τ³-Banking (AA) | Artificial Analysis | 22.1%† | 39.6% |
| APEX-Agents (AA) | Artificial Analysis | – | 33.3% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 0.0% |
| Poker Agent | Vals AI | 1103.2%† | – |
| SkillsBench | Vals AI | – | 51.7% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 37.1%† | 58.4%† |
| Arena Search | Arena (LMArena) | 1189† | 1196† |
| BALROG | BALROG | 32.8%† | – |
| DeepResearch Bench | DeepResearch Bench | 48.6% | 35.1%† |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 17.8%† |
| METR Time Horizons | METR | 69.6% | 74.3% |
| GBAEval | Epoch AI Benchmarking Hub | – | 45.1%† |
| Vending-Bench 2 | Andon Labs | – | 6144.2† |
| Design Arena Agentic | Design Arena | – | 1042† |
| BrowseComp-Plus | BrowseComp-Plus | 57.6%† | – |
| BrowseComp | OpenAI | 20.1%† | – |
| DeepSearchQA | 59.4%† | 63.7%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 55.4%† | 78.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 21.9%† | 49.0% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 87.2% | 95.3% |
| MATH Level 5 | Epoch AI Benchmarking Hub | 97.9% | – |
| ProofBench | Vals AI | 18.0%† | 56.0% |
| LiveBench Mathematics | LiveBench | – | 94.2% |
| AIME (Vals) | Vals AI | 93.4%† | 96.7% |
| MGSM | Vals AI | 92.8%† | – |
| AIME 2026 | MathArena | – | 99.2% |
| HMMT February 2026 | MathArena | – | 97.7% |
| USAMO 2026 | MathArena | – | 95.2% |
| IMO 2025 | MathArena | 38.1%† | – |
| MathArena Apex | MathArena | 1.0%† | 54.2% |
| Omni-MATH (HELM) | HELM Capabilities | 64.7%† | – |
| MATH 500 | Vals AI | 96.0%† | – |
| Arena Maths | Arena (LMArena) | 1411† | 1459† |
| AIME 2025 (AA) | Artificial Analysis | 91.7% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 50.1%† | 45.1% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 79.3% |
| MMLU-Pro | Vals AI | 86.5%† | 87.5% |
| LegalBench | Vals AI | 86.0%† | 86.0% |
| CorpFin | Vals AI | 61.1%† | 65.3% |
| TaxEval | Vals AI | 73.4%† | 74.0% |
| MedQA | Vals AI | 96.3%† | 96.1% |
| PRBench Finance | Scale AI SEAL | 51.3%† | 45.6%† |
| PRBench Legal | Scale AI SEAL | 49.0%† | 44.4%† |
| MultiNRC | Scale AI SEAL | 52.1%† | 58.3%† |
| MMLU-Pro (HELM) | HELM Capabilities | 86.3%† | – |
| CaseLaw v2 | Vals AI | 66.5%† | 63.8% |
| MedCode | Vals AI | 49.6%† | 41.3% |
| MedScribe | Vals AI | 83.7%† | 77.5% |
| EBR-bench | Epoch AI Benchmarking Hub | 12.7%† | 25.4% |
| Global-MMLU-Lite (AA) | Artificial Analysis | 90.4% | – |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 82.6% |
| LiveBench Instruction Following | LiveBench | – | 70.2% |
| IFBench | Artificial Analysis | 70.6% | 74.0% |
| MultiChallenge | Scale AI SEAL | 63.2%† | – |
| TutorBench | Scale AI SEAL | 55.3%† | – |
| IFEval (HELM) | HELM Capabilities | 87.5%† | – |
| WildBench (HELM) | HELM Capabilities | 85.7%† | – |
| Arena Instruction Following | Arena (LMArena) | 1415† | 1460† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1427† | 1465† |
| EQ-Bench 4 | EQ-Bench | – | 1258† |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1626† | 1841† |
| Arena Creative Writing | Arena (LMArena) | 1389† | 1433† |
| Arena Multi-turn | Arena (LMArena) | 1449† | 1480† |
| Arena Longer Queries | Arena (LMArena) | 1435† | 1477† |
| Lech Mazur Creative Writing | Lech Mazur | 86.0% | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1232† | 1292† |
| MMMU-Pro | Artificial Analysis | 74.3% | 78.4% |
| VISTA | Scale AI SEAL | 49.7%† | 50.9%† |
| MMMU-Pro (Vals) | Vals AI | 81.5%† | 87.5% |
| MortgageTax | Vals AI | 65.5%† | 68.3% |
| VTB | Scale AI SEAL | 17.0%† | 29.2%† |
| GeoBench | GeoBench | 81.0% | – |
| VPCT | Epoch AI Benchmarking Hub | 63.2% | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 27.1%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 37.5% |
| 长上下文 | |||
| Fiction.LiveBench 120k | Fiction.live | 96.9% | – |
| AA-LCR v1.1 | Artificial Analysis | 76.0% | 82.0% |
| Arena Document | Arena (LMArena) | – | 1471† |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 150† | 157.8† |
| LiveBench 1.0 | LiveBench | – | 78.0% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 22.9 | 39.0 |
| AA Progress Index v1 | Artificial Analysis | 264.4 | 311.6 |
| HELM Capabilities mean | HELM Capabilities | 80.7%† | – |
| Vals RSI Index | Vals AI | – | 15.5% |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 17.0%† | – |
| MASK | Scale AI SEAL | 79.3%† | 89.7%† |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 5.6 | – |
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
- GPT-5 (medium):BenchLeader Index 58.2 → 59.0。
- GPT-5 (medium):1 项新结果(Aider Polyglot)。
- GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
- GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
- GPT-5 (medium):1 项分数修订。
- GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
- GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
- GPT-5 (medium):1 项分数修订。
- GPT-5.4 (xhigh):1 项分数修订。
- GPT-5 (medium):1 项分数修订。
相关对比
- GPT-5 vs Claude Opus 5.5
- GPT-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- GPT-5.4 vs GPT-6 Astra
- GPT-5 vs Claude Opus 4.6
- GPT-5 vs Muse Spark 1.3
- GPT-5 vs Claude Opus 4.8
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 vs GPT-5.4:常见问题
- GPT-5.4 比 GPT-5 更好吗?
- 质量上 GPT-5.4 (xhigh) 领先:63.1 比 59.0。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 和 GPT-5.4 哪个更便宜?价格会变吗?
- 目前 GPT-5 更便宜:每百万 token $3.44 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 还是 GPT-5.4 更好?
- GPT-5.4 在编程方面得分更高(类别得分 65 比 57,50 为平均水平)。
- GPT-5 和 GPT-5.4 哪个更快?
- GPT-5 输出更快(输出 82 比 73 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 GPT-5 还是 GPT-5.4 更好?
- GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 58,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,GPT-5 为 37.9%,GPT-5.4 为 57.6%。
更多问题(4)
- 处理长文档哪个更好?
- GPT-5 在长上下文基准测试上得分更高(70 比 66)。GPT-5.4 支持更长的上下文:1,050,000 token,GPT-5 为 400,000 token。
- 哪个延迟更低?
- GPT-5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 22.9 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 和 GPT-5.4 的看法一致吗?
- 在两者都有结果的 17 项基准测试中,GPT-5 领先 0 项,GPT-5.4 领先 17 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
- GPT-5.4 是什么时候发布的?
- GPT-5.4 于 2026年3月5日 发布。