BenchLeader

Grok 4.3 vs o3

完整资料:Grok 4.3(SpaceXAI)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,Grok 4.3 与 o3 的质量不相上下(BenchLeader Index 56.5 比 60.4,在 ±7.4 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 $3.50)。看重指令遵循(79 比 65)、多模态(60 比 53)和推理(63 比 61)选 Grok 4.3;看重智能体与工具(70 比 45)、数学(71 比 46)和知识(56 比 50)选 o3。o3 的首次回答更快(5.2 秒 比 17.7 秒)。o3 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Grok 4.3 的 BenchLeader Index 为 56.5,o3 为 60.4(BenchLeader,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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • o3 比 Grok 4.3 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 9 项基准测试中,Grok 4.3 领先 8 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o3类别得分 60 比 58中
智能体与工具调用o3类别得分 70 比 45;Terminal-Bench Hard 37.1% 比 37.9%高
数学o3类别得分 71 比 46高
推理Grok 4.3类别得分 63 比 61;GPQA Diamond (AA) 90.1% 比 82.7%中
知识o3类别得分 56 比 50中
长文档均可类别得分 61 比 62;AA-LCR v1.1 73.0% 比 74.7%均可
图像及其他媒体Grok 4.3类别得分 60 比 53;MMMU-Pro 78.1% 比 70.1%高
指令遵循Grok 4.3类别得分 79 比 65;IFBench 81.3% 比 71.4%高
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低Grok 4.3每百万 token 混合价格 $1.56 比 $3.50;智能体编程会话 $0.085 比 $0.152–
首次回答最快o3首个回答 token 5.2 秒(o3)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

  • Grok 4.3 (high) 与 o3 的质量不相上下(56.5 比 60.4,在 ±7.4 的误差范围内)。
  • Grok 4.3 (high) 在指令遵循、多模态、推理方面更强。
  • o3 在智能体与工具、编程、知识、长上下文、数学方面更强。
  • 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 $3.50)。
  • o3 的输出速度是对方的 1.5 倍(131 比 85 token/秒)。

概览

规格Grok 4.3o3
提供商SpaceXAIOpenAI
发布日期2026年4月17日2025年4月16日
上下文窗口(token)1,000,000200,000
对比时的配置Grok 4.3 (high)o3
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $2.50 / $0.200$2.00 / $8.00 / $0.500

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Grok 4.3 (high)o3领先者
推理63.360.9Grok 4.3
编程57.859.8o3
智能体与工具44.870.3o3
数学46.370.6o3
知识50.356.2o3
指令遵循78.865.2Grok 4.3
人类偏好–61.0无法比较
多模态60.452.8Grok 4.3
长上下文61.061.9持平

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指令遵循长上下文多模态Grok 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, 知识: 50.3Grok 4.3, 指令遵循: 78.8Grok 4.3, 长上下文: 61.0Grok 4.3, 多模态: 60.4o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 指令遵循: 65.2o3, 长上下文: 61.9o3, 多模态: 52.8

未绘制(测得的模型少于两个):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 9 项基准测试中,Grok 4.3 领先 8 项,o3 领先 1 项。所有同时评测两者的综合评分都认为 Grok 4.3 更强。

综合 IndexGrok 4.3 (high)o3领先者
BenchLeader Index56.560.4不相上下
Arena Text1442†1432Grok 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Grok 4.3 (high)o3
每百万 token 混合价格$1.56$3.50
每百万 token 输入 / 输出$1.25 / $2.50$2.00 / $8.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0013$0.0032
每项任务价格:总结一份 30 页的报告$0.017$0.029
每项任务价格:代码编辑$0.011$0.024
每项任务价格:智能体编程会话$0.085$0.152
每项任务价格:结构化信息提取$0.0030$0.0056
智能体编程会话(输入大多命中缓存)$0.038$0.085
输出速度85 tok/s131 tok/s
首次回答时间17.7 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)46.5 秒17.3 秒

每个模型都按其排名最高的推理强度设置进行对比。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)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 138 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Grok 4.3 (high)o3
BenchLeader IndexBenchLeader56.560.4
智能体与工具得分BenchLeader44.870.3
编程得分BenchLeader57.859.8
指令遵循得分BenchLeader78.865.2
知识得分BenchLeader50.356.2
长上下文得分BenchLeader61.061.9
数学得分BenchLeader46.370.6
多模态得分BenchLeader60.452.8
推理得分BenchLeader63.360.9
人类偏好得分BenchLeader–61.0
混合价格(美元/百万 token)BenchLeader$1.56$3.50
输出速度BenchLeader85 tok/s131 tok/s
首次回答时间BenchLeader17.7 秒5.2 秒
上下文窗口BenchLeader1,000,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub88.8%81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1456†1441
LiveBench 1.0 ReasoningLiveBench70.8%†–
GPQA Diamond (AA)Artificial Analysis90.1%82.7%
Humanity's Last Exam (AA)Artificial Analysis37.2%20.1%
GPQA Diamond (Vals)Vals AI91.4%†84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis8.0%1.1%
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)1454†1448
Chess PuzzlesEpoch AI Benchmarking Hub18.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub38.3%39.7%†
DTBenchEpoch AI Benchmarking Hub90.7%84.8%†
ForecastBenchForecastBench63.2%†64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode48.3%–
WeirdMLWeirdML49.9%†52.4%†
GSO-BenchGSO-Bench–8.8%†
显示全部 138 项基准测试
指标发布方Grok 4.3 (high)o3
编程
Arena CodingArena (LMArena)1487†1460
Arena WebDevArena (LMArena)1357†–
LiveBench 1.0 CodingLiveBench69.9%†–
LiveCodeBenchVals AI84.5%83.9%†
SWE-bench (Vals)Vals AI71.4%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Code MigrationVals AI6.8%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI19.4%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
ALE-BenchEpoch AI Benchmarking Hub944.2†933.5†
Terminal-Bench 4.0 (AA)Artificial Analysis0.0%–
Terminal-Bench 2.1 (AA)Artificial Analysis39.7%–
GameBench 2 OverallDuelLab GameBench 2–34.1
GameBench 2 by reasoning settingDuelLab GameBench 2–30.4†
Design Arena WebsiteDesign Arena1186†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
GDPvalOpenAI–30.8%†
LiveBench Agentic CodingLiveBench18.5%†–
Terminal-Bench HardArtificial Analysis37.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis97.7%80.7%
Terminal-Bench 2.1 (Vals)Vals AI42.0%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1Artificial Analysis945–
τ³-Banking (AA)Artificial Analysis12.4%–
ITBench SRE (AA)Artificial Analysis32.7%–
Analyst Agent (AA)Artificial Analysis8.8%–
APEX-Agents (AA)Artificial Analysis17.0%–
Finance Agent v2Vals AI37.7%–
Harvey's Legal Agent Benchmark v1Vals AI0.4%–
Legal Research BenchVals AI15.4%–
SkillsBenchVals AI40.6%–
Tax Agent BenchVals AI6.2%–
Terminal-Bench 2.0 (Vals)Vals AI43.5%†–
Arena SearchArena (LMArena)1194†1197
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs35.3†–
AutomationBenchArtificial Analysis1.4%–
GDP.pdf (AA)Artificial Analysis5.8%–
EnterpriseOps-GymArtificial Analysis26.3%–
AA-Briefcase v1.1Artificial Analysis763–
Design Arena AgenticDesign Arena1042†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub42.8%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub14.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub93.3%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI11.0%–
LiveBench MathematicsLiveBench84.3%†–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)1419†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.2%49.4%†
LiveBench 1.0 Data AnalysisLiveBench55.8%†–
MMLU-ProVals AI85.8%85.6%†
LegalBenchVals AI84.5%†83.8%†
CorpFinVals AI68.5%†59.7%†
TaxEvalVals AI70.8%†74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
CaseLaw v2Vals AI79.3%†–
Excel Modeling BenchmarkVals AI18.4%–
MedCodeVals AI38.1%†47.3%†
MedScribeVals AI74.4%†76.7%†
Public Benefits Bench v1.1Vals AI51.7%–
GDP.pdfEpoch AI Benchmarking Hub8.0%–
指令遵循
LiveBench LanguageLiveBench73.6%†–
LiveBench Instruction FollowingLiveBench62.8%†–
IFBenchArtificial Analysis81.3%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)1415†1403
人类偏好
Arena TextArena (LMArena)1442†1432
EQ-Bench 4EQ-Bench1065†–
EQ-Bench Creative Writing v3EQ-Bench–1675
Arena Creative WritingArena (LMArena)1422†1383
Arena Multi-turnArena (LMArena)1448†1420
Arena Longer QueriesArena (LMArena)1443†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)1229†1214
MMMU-ProArtificial Analysis78.1%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI83.1%†80.4%†
MortgageTaxVals AI48.3%†65.7%†
VTBScale AI SEAL–13.7%
GeoBenchGeoBench56.0%†60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub0.0%†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis73.0%74.7%
MLCRArtificial Analysis8.3%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub149.9†147.1
LiveBench 1.0LiveBench62.3%†–
AA Intelligence Index v4.3.2Artificial Analysis24.920.2
AA Progress Index v1Artificial Analysis271.2258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals Multimodal IndexVals AI43.3%–
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
元数据
AA Openness IndexArtificial 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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • Grok 4.3 (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • o3:1 项新结果(Arena Search)。
  • o3:1 项分数修订。
  • Grok 4.3 (high):BenchLeader Index 57.7 → 56.6。
  • Grok 4.3 (high):1 项新结果(AA Progress Index v1)。
  • o3:1 项新结果(AA Progress Index v1)。
  • Grok 4.3 (high):1 项新结果(Harvey's Legal Agent Benchmark v1)。
  • Grok 4.3 (high):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

Grok 4.3 vs o3:常见问题

Grok 4.3 比 o3 更好吗?
Grok 4.3 (high) 与 o3 的质量不相上下(56.5 比 60.4,在 ±7.4 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。
Grok 4.3 和 o3 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 $3.50(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 Grok 4.3 还是 o3 更好?
o3 在编程方面得分更高(类别得分 60 比 58,50 为平均水平)。
Grok 4.3 和 o3 哪个更快?
o3 输出更快(约 1.5 倍;输出 131 比 85 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.3 还是 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 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,Grok 4.3 为 37.9%,o3 为 37.1%。
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(61 比 62)。Grok 4.3 支持更长的上下文:1,000,000 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 秒比 17.7 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 Grok 4.3 和 o3 的看法一致吗?
在两者都有结果的 9 项基准测试中,Grok 4.3 领先 8 项,o3 领先 1 项。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。