BenchLeader

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-5GPT-5.4
提供商OpenAIOpenAI
发布日期2025年8月7日2026年3月5日
上下文窗口(token)400,0001,050,000
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47.965.7GPT-5.4
编程57.464.7GPT-5.4
智能体与工具58.163.0GPT-5.4
数学65.464.8持平
知识–58.6无法比较
指令遵循69.472.4GPT-5.4
多模态56.660.8GPT-5.4
长上下文70.465.7GPT-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指令遵循长上下文多模态GPT-5, 推理: 47.9GPT-5, 编程: 57.4GPT-5, 智能体与工具: 58.1GPT-5, 数学: 65.4GPT-5, 指令遵循: 69.4GPT-5, 长上下文: 70.4GPT-5, 多模态: 56.6GPT-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, 指令遵循: 72.4GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8

未绘制(测得的模型少于两个):知识, 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 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 IndexGPT-5 (medium)GPT-5.4 (xhigh)领先者
BenchLeader Index59.063.1GPT-5.4
Arena Text1435†1475GPT-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/s73 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 IndexBenchLeader59.063.1
智能体与工具得分BenchLeader58.163.0
编程得分BenchLeader57.464.7
指令遵循得分BenchLeader69.472.4
长上下文得分BenchLeader70.465.7
数学得分BenchLeader65.464.8
多模态得分BenchLeader56.660.8
推理得分BenchLeader47.965.7
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BenchLeader82 tok/s73 tok/s
首次回答时间BenchLeader22.9 秒144.9 秒
上下文窗口BenchLeader400,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%93.3%
Humanity's Last ExamScale AI / CAIS25.3%†36.2%
SimpleBenchSimpleBench56.7%†–
Arena Hard PromptsArena (LMArena)1449†1487†
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis84.2%92.0%
Humanity's Last Exam (AA)Artificial Analysis25.4%43.7%
GPQA Diamond (Vals)Vals AI85.6%†91.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†63.8%†
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%93.7%
ARC-AGI-2ARC Prize7.5%74.0%
ARC-AGI-3ARC Prize–0.2%†
CritPtArtificial Analysis0.0%23.4%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†–
Arena ExpertArena (LMArena)1445†1491†
Chess PuzzlesEpoch AI Benchmarking Hub32.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub40.0%†52.0%
DTBenchEpoch AI Benchmarking Hub90.7%†94.4%
ForecastBenchForecastBench65.0%†63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%76.9%†
SciCodeSciCode42.9%†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
WeirdMLWeirdML39.8%†77.7%
GSO-BenchGSO-Bench6.9%†31.4%
Arena CodingArena (LMArena)1462†1511†
Arena WebDevArena (LMArena)14171400†
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI85.9%†84.1%
SWE-bench (Vals)Vals AI69.0%†78.2%
SWE-Bench ProScale AI SEAL41.8%†59.1%
Aider PolyglotAider polyglot leaderboard86.7%–
SWE-bench Verified (bash only)SWE-bench65.0%–
SWE-bench Verified (any scaffold)SWE-bench74.4%†–
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI20.1%†67.4%
SWE-Bench Pro (private)Scale AI SEAL14.9%†43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
MirrorCodeEpoch AI Benchmarking Hub4.4%†23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
ALE-BenchEpoch AI Benchmarking Hub1162.5†1607†
AlgoTuneAlgoTune1.7†1.9†
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 238.062.1
Design Arena WebsiteDesign Arena1174†1190†
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%81.8%†
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
APEX-AgentsMercor–52.4%†
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis37.9%57.6%
τ²-Bench Telecom (AA)Artificial Analysis86.5%87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL–9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis925†1256
τ³-Banking (AA)Artificial Analysis22.1%†39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
Poker AgentVals AI1103.2%†–
SkillsBenchVals AI–51.7%
Terminal-Bench 2.0 (Vals)Vals AI37.1%†58.4%†
Arena SearchArena (LMArena)1189†1196†
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR69.6%74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs–6144.2†
Design Arena AgenticDesign Arena–1042†
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%95.3%
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†56.0%
LiveBench MathematicsLiveBench–94.2%
AIME (Vals)Vals AI93.4%†96.7%
MGSMVals AI92.8%†–
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†54.2%
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1459†
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†45.1%
LiveBench 1.0 Data AnalysisLiveBench–79.3%
MMLU-ProVals AI86.5%†87.5%
LegalBenchVals AI86.0%†86.0%
CorpFinVals AI61.1%†65.3%
TaxEvalVals AI73.4%†74.0%
MedQAVals AI96.3%†96.1%
PRBench FinanceScale AI SEAL51.3%†45.6%†
PRBench LegalScale AI SEAL49.0%†44.4%†
MultiNRCScale AI SEAL52.1%†58.3%†
MMLU-Pro (HELM)HELM Capabilities86.3%†–
CaseLaw v2Vals AI66.5%†63.8%
MedCodeVals AI49.6%†41.3%
MedScribeVals AI83.7%†77.5%
EBR-benchEpoch AI Benchmarking Hub12.7%†25.4%
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
指令遵循
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis70.6%74.0%
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1460†
人类偏好
Arena TextArena (LMArena)1427†1465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench1626†1841†
Arena Creative WritingArena (LMArena)1389†1433†
Arena Multi-turnArena (LMArena)1449†1480†
Arena Longer QueriesArena (LMArena)1435†1477†
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1292†
MMMU-ProArtificial Analysis74.3%78.4%
VISTAScale AI SEAL49.7%†50.9%†
MMMU-Pro (Vals)Vals AI81.5%†87.5%
MortgageTaxVals AI65.5%†68.3%
VTBScale AI SEAL17.0%†29.2%†
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–37.5%
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%82.0%
Arena DocumentArena (LMArena)–1471†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†157.8†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis22.939.0
AA Progress Index v1Artificial Analysis264.4311.6
HELM Capabilities meanHELM Capabilities80.7%†–
Vals RSI IndexVals AI–15.5%
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†89.7%†
元数据
AA Openness IndexArtificial Analysis5.6–

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。

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。