BenchLeader

GPT-5 vs Qwen3.8 Max

完整资料:GPT-5(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,GPT-5 与 Qwen3.8 Max 的质量不相上下(BenchLeader Index 59.0 比 58.7,在 ±6.4 的误差范围内)。两者价格相近(每百万 token 混合价格 $3.44 比 $3.00)。看重长上下文(70 比 65)选 GPT-5;看重多模态(66 比 57)、编程(62 比 57)和推理(52 比 48)选 Qwen3.8 Max。GPT-5 的首次回答更快(22.9 秒 比 119.6 秒)。GPT-5 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-5 比 Qwen3.8 Max 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 8 项基准测试中,Qwen3.8 Max 领先 7 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5 的评分为 1417,Qwen3.8 Max 为 1676(LMArena,截至 2026年11月16日 的公布数据)。

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Qwen3.8 Max类别得分 62 比 57;Arena WebDev 1676 比 1417中
智能体与工具调用均可类别得分 58 比 59;Terminal-Bench 49.6% 比 27.0%均可
数学均可类别得分 65 比 65均可
推理Qwen3.8 Max类别得分 52 比 48;GPQA Diamond (AA) 92.8% 比 84.2%中
长文档GPT-5类别得分 70 比 65;AA-LCR v1.1 76.0% 比 80.3%中
图像及其他媒体Qwen3.8 Max类别得分 66 比 57;MMMU-Pro 82.8% 比 74.3%高
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
成本最低均可每百万 token 混合价格 $3.44 比 $3.00;智能体编程会话 $0.115 比 $0.144–
首次回答最快GPT-5首个回答 token 22.9 秒(GPT-5 (medium))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

  • GPT-5 (medium) 与 Qwen3.8 Max (max) 的质量不相上下(59.0 比 58.7,在 ±6.4 的误差范围内)。
  • GPT-5 (medium) 在长上下文、数学方面更强。
  • Qwen3.8 Max (max) 在智能体与工具、编程、多模态、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.00)。
  • GPT-5 (medium) 的输出速度是对方的 1.4 倍(82 比 59 token/秒)。

概览

规格GPT-5Qwen3.8 Max
提供商OpenAIAlibaba
发布日期2025年8月7日2026年8月3日
上下文窗口(token)400,0001,000,000
对比时的配置GPT-5 (medium)Qwen3.8 Max (max)
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$2.00 / $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 (medium)Qwen3.8 Max (max)领先者
推理47.951.5Qwen3.8 Max
编程57.461.6Qwen3.8 Max
智能体与工具58.158.5持平
数学65.465.2持平
知识–58.0无法比较
指令遵循69.4–无法比较
人类偏好–67.5无法比较
多模态56.665.7Qwen3.8 Max
长上下文70.464.8GPT-5
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, 长上下文: 70.4GPT-5, 多模态: 56.6Qwen3.8 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, 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):知识, 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 8 项基准测试中,GPT-5 领先 1 项,Qwen3.8 Max 领先 7 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。

综合 IndexGPT-5 (medium)Qwen3.8 Max (max)领先者
BenchLeader Index59.058.7不相上下
Arena Text1435†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 (medium)Qwen3.8 Max (max)
每百万 token 混合价格$3.44$3.00
每百万 token 输入 / 输出$1.25 / $10.00$2.00 / $6.00
每百万 token 缓存输入$0.125$0.250
每项任务价格:聊天回复$0.0035$0.0026
每项任务价格:总结一份 30 页的报告$0.021$0.028
每项任务价格:代码编辑$0.022$0.021
每项任务价格:智能体编程会话$0.115$0.144
每项任务价格:结构化信息提取$0.0045$0.0052
智能体编程会话(输入大多命中缓存)$0.064$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82 tok/s59 tok/s
首次回答时间22.9 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)66.2 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 (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)。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 198 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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader59.058.7
智能体与工具得分BenchLeader58.158.5
编程得分BenchLeader57.461.6
指令遵循得分BenchLeader69.4–
长上下文得分BenchLeader70.464.8
数学得分BenchLeader65.465.2
多模态得分BenchLeader56.665.7
推理得分BenchLeader47.951.5
综合得分BenchLeader–45.0
人类偏好得分BenchLeader–67.5
知识得分BenchLeader–58.0
混合价格(美元/百万 token)BenchLeader$3.44$3.00
输出速度BenchLeader82 tok/s59 tok/s
首次回答时间BenchLeader22.9 秒119.6 秒
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%92.7%†
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†–
Arena Hard PromptsArena (LMArena)1449†1507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench–88.2%
GPQA Diamond (AA)Artificial Analysis84.2%92.8%
Humanity's Last Exam (AA)Artificial Analysis25.4%43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI85.6%†93.7%
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%20.0%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)1445†1514
Chess PuzzlesEpoch AI Benchmarking Hub32.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%38.0%†
LMCAEpoch AI Benchmarking Hub40.0%†46.2%†
DTBenchEpoch AI Benchmarking Hub90.7%†92.0%†
ForecastBenchForecastBench65.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
SciCodeSciCode42.9%†53.2%
显示全部 198 项基准测试
指标发布方GPT-5 (medium)Qwen3.8 Max (max)
编程
WeirdMLWeirdML39.8%†–
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1523
Arena WebDevArena (LMArena)14171676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench–72.9%
SciCode (AA)Artificial Analysis–53.2%
LiveCodeBenchVals AI85.9%†87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI69.0%†85.6%
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–24.0%
ProgramBenchVals AI–0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI20.1%†64.7%
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
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 Hub4.4%†52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub1162.5†1679.1†
AlgoTuneAlgoTune1.7†–
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis–38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 2–54.2†
GameBench 2 by reasoning settingDuelLab GameBench 238.069.6†
Design Arena WebsiteDesign Arena1174†1269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%27.0%
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
APEX-AgentsMercor–63.3%
Arena AgentArena (LMArena)–0.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench–64.7%
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis86.5%–
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis925†1674
τ³-Banking (AA)Artificial Analysis22.1%†51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI–50.6%
Harvey's Legal Agent Benchmark v1Vals AI–10.4%
Legal Research BenchVals AI–47.6%
Poker AgentVals AI1103.2%†–
SkillsBenchVals AI–42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 2.0 (Vals)Vals AI37.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Arena SearchArena (LMArena)1189†1227
Arena Agent Task CompletionArena (LMArena)–4.5
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
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 Arena–1264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%100.0%†
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†58.0%
LiveBench MathematicsLiveBench–91.3%
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†1505
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench–78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI86.5%†88.6%
LegalBenchVals AI86.0%†83.6%
CorpFinVals AI61.1%†65.8%
TaxEvalVals AI73.4%†75.5%
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%†–
Excel Modeling BenchmarkVals AI–60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI49.6%†40.7%
MedScribeVals AI83.7%†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 Hub12.7%†–
GDP.pdfEpoch AI Benchmarking Hub–23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.1%
IFBenchArtificial Analysis70.6%–
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1478
人类偏好
Arena TextArena (LMArena)1427†1484
EQ-Bench Creative Writing v3EQ-Bench1626†–
Arena Creative WritingArena (LMArena)1389†1472
Arena Multi-turnArena (LMArena)1449†1495
Arena Longer QueriesArena (LMArena)1435†1496
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis74.3%82.8%
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†88.0%
MortgageTaxVals AI65.5%†64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%80.3%
MLCRArtificial Analysis–26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench–78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis22.945.4
AA Progress Index v1Artificial Analysis264.4323.7
HELM Capabilities meanHELM Capabilities80.7%†–
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI–65.4%
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
DistressBenchScale AI SEAL–77.6%
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)。
  • Qwen3.8 Max (max):1 项分数修订。
  • GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • Qwen3.8 Max (max):6 项分数修订。
  • 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 (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 Qwen3.8 Max:常见问题

GPT-5 比 Qwen3.8 Max 更好吗?
GPT-5 (medium) 与 Qwen3.8 Max (max) 的质量不相上下(59.0 比 58.7,在 ±6.4 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 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 $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 Qwen3.8 Max 更好?
Qwen3.8 Max 在编程方面得分更高(类别得分 62 比 57,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-5 为 1417,Qwen3.8 Max 为 1676。
GPT-5 和 Qwen3.8 Max 哪个更快?
GPT-5 输出更快(约 1.5 倍;输出 82 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5 还是 Qwen3.8 Max 更好?
两者在智能体任务方面持平(类别得分 58 比 59)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,GPT-5 为 49.6%,Qwen3.8 Max 为 27.0%。
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 65)。Qwen3.8 Max 支持更长的上下文:1,000,000 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 119.6 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 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5 领先 1 项,Qwen3.8 Max 领先 7 项。所有同时评测两者的综合评分都认为 Qwen3.8 Max 更强。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。