BenchLeader

GPT-5 vs Grok 4.3

完整资料:GPT-5(OpenAI)和 Grok 4.3(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,GPT-5 与 Grok 4.3 的质量不相上下(BenchLeader Index 59.0 比 56.5,在 ±8.6 的误差范围内)。Grok 4.3 更便宜,对方的价格是它的 2.2 倍(每百万 token 混合价格 $1.56 比 $3.44)。看重数学(65 比 46)、智能体与工具(58 比 45)和长上下文(70 比 61)选 GPT-5;看重推理(63 比 48)、指令遵循(79 比 69)和多模态(60 比 57)选 Grok 4.3。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Grok 4.3 为 56.5(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)。
  • Grok 4.3 每百万 token 混合价格为 $1.56(标价,2026年11月16日)。
  • 在两者都有结果的 12 项基准测试中,Grok 4.3 领先 9 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
编程均可类别得分 57 比 58均可
智能体与工具调用GPT-5类别得分 58 比 45;Terminal-Bench Hard 37.9% 比 37.9%高
数学GPT-5类别得分 65 比 46;OTIS Mock AIME 87.2% 比 93.3%高
推理Grok 4.3类别得分 63 比 48;GPQA Diamond 88.8% 比 85.3%高
长文档GPT-5类别得分 70 比 61;AA-LCR v1.1 76.0% 比 73.0%高
图像及其他媒体Grok 4.3类别得分 60 比 57;MMMU-Pro 78.1% 比 74.3%中
指令遵循Grok 4.3类别得分 79 比 69;IFBench 81.3% 比 70.6%高
成本最低Grok 4.3每百万 token 混合价格 $1.56 比 $3.44;智能体编程会话 $0.085 比 $0.115–
首次回答最快均可首个回答 token 22.9 秒(GPT-5 (medium))比 17.7 秒(Grok 4.3 (high))–
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 (medium) 与 Grok 4.3 (high) 的质量不相上下(59.0 比 56.5,在 ±8.6 的误差范围内)。
  • GPT-5 (medium) 在智能体与工具、长上下文、数学方面更强。
  • Grok 4.3 (high) 在编程、指令遵循、多模态、推理方面更强。
  • Grok 4.3 (high) 更便宜,对方的价格是它的 2.2 倍(每百万 token 混合价格 $1.56 比 $3.44)。

概览

规格GPT-5Grok 4.3
提供商OpenAISpaceXAI
发布日期2025年8月7日2026年4月17日
上下文窗口(token)400,0001,000,000
对比时的配置GPT-5 (medium)Grok 4.3 (high)
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$1.25 / $2.50 / $0.200

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)Grok 4.3 (high)领先者
推理47.963.3Grok 4.3
编程57.457.8持平
智能体与工具58.144.8GPT-5
数学65.446.3GPT-5
知识–50.3无法比较
指令遵循69.478.8Grok 4.3
多模态56.660.4Grok 4.3
长上下文70.461.0GPT-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: 56.6Grok 4.3, 推理: 63.3Grok 4.3, 编程: 57.8Grok 4.3, 智能体与工具: 44.8Grok 4.3, 数学: 46.3Grok 4.3, 指令遵循: 78.8Grok 4.3, 长上下文: 61.0Grok 4.3, 多模态: 60.4

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 12 项基准测试中,GPT-5 领先 2 项,Grok 4.3 领先 9 项,1 项持平。所有同时评测两者的综合评分都认为 Grok 4.3 更强。

综合 IndexGPT-5 (medium)Grok 4.3 (high)领先者
BenchLeader Index59.056.5不相上下
Arena Text1435†1442Grok 4.3

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)Grok 4.3 (high)
每百万 token 混合价格$3.44$1.56
每百万 token 输入 / 输出$1.25 / $10.00$1.25 / $2.50
每百万 token 缓存输入$0.125$0.200
每项任务价格:聊天回复$0.0035$0.0013
每项任务价格:总结一份 30 页的报告$0.021$0.017
每项任务价格:代码编辑$0.022$0.011
每项任务价格:智能体编程会话$0.115$0.085
每项任务价格:结构化信息提取$0.0045$0.0030
智能体编程会话(输入大多命中缓存)$0.064$0.038
输出速度82 tok/s85 tok/s
首次回答时间22.9 秒17.7 秒
完整回答耗时(最近一次测量 2026年11月13日)66.2 秒46.5 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 (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)。Grok 4.3 (high) 得分 56.5,首个回答 token 需 18 秒;Grok 4.3 为 54.5(1 秒),Grok 4.3 (无推理) 为 46.3(1 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 147 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)Grok 4.3 (high)
BenchLeader IndexBenchLeader59.056.5
智能体与工具得分BenchLeader58.144.8
编程得分BenchLeader57.457.8
指令遵循得分BenchLeader69.478.8
长上下文得分BenchLeader70.461.0
数学得分BenchLeader65.446.3
多模态得分BenchLeader56.660.4
推理得分BenchLeader47.963.3
知识得分BenchLeader–50.3
混合价格(美元/百万 token)BenchLeader$3.44$1.56
输出速度BenchLeader82 tok/s85 tok/s
首次回答时间BenchLeader22.9 秒17.7 秒
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%88.8%
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†–
Arena Hard PromptsArena (LMArena)1449†1456†
LiveBench 1.0 ReasoningLiveBench–70.8%†
GPQA Diamond (AA)Artificial Analysis84.2%90.1%
Humanity's Last Exam (AA)Artificial Analysis25.4%37.2%
GPQA Diamond (Vals)Vals AI85.6%†91.4%†
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†–
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%–
ARC-AGI-2ARC Prize7.5%–
CritPtArtificial Analysis0.0%8.0%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†–
Arena ExpertArena (LMArena)1445†1454†
Chess PuzzlesEpoch AI Benchmarking Hub32.0%18.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%–
LMCAEpoch AI Benchmarking Hub40.0%†38.3%
DTBenchEpoch AI Benchmarking Hub90.7%†90.7%
ForecastBenchForecastBench65.0%†63.2%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
SciCodeSciCode42.9%†48.3%
WeirdMLWeirdML39.8%†49.9%†
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1487†
显示全部 147 项基准测试
指标发布方GPT-5 (medium)Grok 4.3 (high)
编程
Arena WebDevArena (LMArena)14171357†
LiveBench 1.0 CodingLiveBench–69.9%†
SciCode (AA)Artificial Analysis–48.3%
LiveCodeBenchVals AI85.9%†84.5%
SWE-bench (Vals)Vals AI69.0%†71.4%
SWE-Bench ProScale AI SEAL41.8%†–
Aider PolyglotAider polyglot leaderboard86.7%–
SWE-bench Verified (bash only)SWE-bench65.0%–
SWE-bench Verified (any scaffold)SWE-bench74.4%†–
Code MigrationVals AI–6.8%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI20.1%†19.4%
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†–
ALE-BenchEpoch AI Benchmarking Hub1162.5†944.2†
AlgoTuneAlgoTune1.7†–
Terminal-Bench 4.0 (AA)Artificial Analysis–0.0%
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†39.7%
GameBench 2 by reasoning settingDuelLab GameBench 238.0–
Design Arena WebsiteDesign Arena1174†1186†
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%–
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
LiveBench Agentic CodingLiveBench–18.5%†
Terminal-Bench HardArtificial Analysis37.9%37.9%
τ²-Bench Telecom (AA)Artificial Analysis86.5%97.7%
Terminal-Bench 2.1 (Vals)Vals AI–42.0%
GDPval-AA v2.1Artificial Analysis925†945
τ³-Banking (AA)Artificial Analysis22.1%†12.4%
ITBench SRE (AA)Artificial Analysis–32.7%
Analyst Agent (AA)Artificial Analysis–8.8%
APEX-Agents (AA)Artificial Analysis–17.0%
Finance Agent v2Vals AI–37.7%
Harvey's Legal Agent Benchmark v1Vals AI–0.4%
Legal Research BenchVals AI–15.4%
Poker AgentVals AI1103.2%†–
SkillsBenchVals AI–40.6%
Tax Agent BenchVals AI–6.2%
Terminal-Bench 2.0 (Vals)Vals AI37.1%†43.5%†
Arena SearchArena (LMArena)1189†1194†
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
Vending-Bench 2Andon Labs–35.3†
AutomationBenchArtificial Analysis–1.4%
GDP.pdf (AA)Artificial Analysis–5.8%
EnterpriseOps-GymArtificial Analysis–26.3%
AA-Briefcase v1.1Artificial Analysis–763
Design Arena AgenticDesign Arena–1042†
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†42.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†14.6%
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%93.3%
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†11.0%
LiveBench MathematicsLiveBench–84.3%†
AIME (Vals)Vals AI93.4%†–
MGSMVals AI92.8%†–
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†–
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1419†
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†33.2%
LiveBench 1.0 Data AnalysisLiveBench–55.8%†
MMLU-ProVals AI86.5%†85.8%
LegalBenchVals AI86.0%†84.5%†
CorpFinVals AI61.1%†68.5%†
TaxEvalVals AI73.4%†70.8%†
MedQAVals AI96.3%†–
PRBench FinanceScale AI SEAL51.3%†–
PRBench LegalScale AI SEAL49.0%†–
MultiNRCScale AI SEAL52.1%†–
MMLU-Pro (HELM)HELM Capabilities86.3%†–
CaseLaw v2Vals AI66.5%†79.3%†
Excel Modeling BenchmarkVals AI–18.4%
MedCodeVals AI49.6%†38.1%†
MedScribeVals AI83.7%†74.4%†
Public Benefits Bench v1.1Vals AI–51.7%
EBR-benchEpoch AI Benchmarking Hub12.7%†–
GDP.pdfEpoch AI Benchmarking Hub–8.0%
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
指令遵循
LiveBench LanguageLiveBench–73.6%†
LiveBench Instruction FollowingLiveBench–62.8%†
IFBenchArtificial Analysis70.6%81.3%
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1415†
人类偏好
Arena TextArena (LMArena)1427†1442†
EQ-Bench 4EQ-Bench–1065†
EQ-Bench Creative Writing v3EQ-Bench1626†–
Arena Creative WritingArena (LMArena)1389†1422†
Arena Multi-turnArena (LMArena)1449†1448†
Arena Longer QueriesArena (LMArena)1435†1443†
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1229†
MMMU-ProArtificial Analysis74.3%78.1%
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†83.1%†
MortgageTaxVals AI65.5%†48.3%†
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%56.0%†
VPCTEpoch AI Benchmarking Hub63.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–0.0%†
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%73.0%
MLCRArtificial Analysis–8.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†149.9†
LiveBench 1.0LiveBench–62.3%†
AA Intelligence Index v4.3.2Artificial Analysis22.924.9
AA Progress Index v1Artificial Analysis264.4271.2
HELM Capabilities meanHELM Capabilities80.7%†–
Vals Multimodal IndexVals AI–43.3%
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
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。
  • Grok 4.3 (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • Grok 4.3 (high):BenchLeader Index 57.7 → 56.6。
  • GPT-5 (medium):1 项新结果(AA Progress Index v1)。
  • Grok 4.3 (high):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 vs Grok 4.3:常见问题

GPT-5 比 Grok 4.3 更好吗?
GPT-5 (medium) 与 Grok 4.3 (high) 的质量不相上下(59.0 比 56.5,在 ±8.6 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 和 Grok 4.3 哪个更便宜?价格会变吗?
目前 Grok 4.3 更便宜:每百万 token $1.56 比 $3.44(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 Grok 4.3 更好?
两者在编程方面持平(类别得分 57 比 58)。
GPT-5 和 Grok 4.3 哪个更快?
Grok 4.3 输出更快(输出 85 比 82 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5 还是 Grok 4.3 更好?
GPT-5 在智能体任务方面得分更高(类别得分 58 比 45,50 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%,Grok 4.3 为 37.9%。
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 61)。Grok 4.3 支持更长的上下文:1,000,000 token,GPT-5 为 400,000 token。
哪个延迟更低?
Grok 4.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 17.7 秒比 22.9 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 Grok 4.3 的看法一致吗?
在两者都有结果的 12 项基准测试中,GPT-5 领先 2 项,Grok 4.3 领先 9 项,1 项持平。所有同时评测两者的综合评分都认为 Grok 4.3 更强。
Grok 4.3 是什么时候发布的?
Grok 4.3 于 2026年4月17日 发布。