GPT-5
性价比更高: GLM 5.3 Flash $0.238/M 即可获得 Index 57.8,价格只有 14 分之一。
有 15 个更便宜的已排名模型得分更高:GPT-6.1 Terra (64.1, $2.00)、Gemini 4 Hydrogen (63.4, $3.00)、Gemini 3.5 Flash (62.5, $3.38),另有 12 个。
截至 2026年11月16日,GPT-5(OpenAI)在 BenchLeader Index 上得分 59.0(共 608 个已排名配置)。表现最好的是长上下文(70),最弱的是推理(48)。API 价格为输入每百万 token $1.25、输出每百万 token $10.00(按 3:1 混合为 $3.44),为 2026年11月16日的标价。输出速度约为 82 token/秒(Artificial Analysis)。发布于 2025年8月7日。
要点(截至 2026年11月16日)
- GPT-5 的 API 价格为输入每百万 token $1.25、输出每百万 token $10.00(按 3:1 混合为 $3.44)(标价,2026年11月16日)。
- GPT-5 的输出速度约为 82 token/秒(Artificial Analysis,2026年11月16日)。
- GPT-5 于 2025年8月7日发布(OpenAI)。
详细说明:GPT-5 是 OpenAI 的闭源推理模型,发布于 2025年8月7日。其最佳配置(推理强度 medium)在 BenchLeader Index 上得分 59.0 ±5.4,在 608 个配置中排第 113 名,处于上半区。关键在于这个“±”:另有 258 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,长上下文得分最高(70),推理最低(48)。按混合价格计,每百万 token $3.44,比大多数已排名模型贵。输出速度为 82 token/秒,首次回答需 22.9 秒,比大多数模型慢。它已在 6 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。
- 混合价格
- $3.44/M
- 输入 $1.25 · 输出 $10.00
- 来源:Artificial Analysis
- 输出速度
- 82 tok/s
- 由 Artificial Analysis 测量
- 首次回答
- 23 s
- 首 token 4.73 s
- 上下文
- 400k
- 来源:models.dev
- 完整回答
- 66 s
- 最近一次测量 2026年11月13日
- 单任务成本
- –
- 单任务 token 数
- –
- 发布日期
- 2025年8月7日
- 综合 Index59
- 推理48
- 编程57
- 智能体与工具58
- 数学65
- 指令遵循69
- 多模态57
- 长上下文70
嵌入这个排名
更多徽章样式[](https://www.benchleader.com/models/gpt-5)粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。
版本
OpenAI 以这个名称发布过 13 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。
| 模型 | 发布日期 | Index | 排名 |
|---|---|---|---|
| GPT-5.6 | 2026年7月9日 | – | – |
| GPT-5.5xhigh | 2026年4月23日 | 64.1 | #31 |
| GPT-5.4xhigh | 2026年3月5日 | 63.1 | #42 |
| GPT-5.2xhigh | 2025年12月11日 | 59.9 | #95 |
| GPT-5.1high | 2025年11月12日 | 57.5 | #151 |
| GPT-5medium本页 | 2025年8月7日 | 59.0 | #113 |
| GPT-4.1 | 2025年4月14日 | 48.7 | #377 |
| GPT-4.5 | 2025年2月27日 | 50.5 | #335 |
| GPT 4 0125 | 2024年1月25日 | – | – |
| GPT-4 1106 | 2023年11月6日 | – | – |
| GPT 4 0613 | 2023年6月13日 | 39.5 | #541 |
| GPT-4 | 2023年3月14日 | 42.3 | #496 |
| GPT-3.5 | – | – | – |
不同推理强度的配置
同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。
| 推理强度 | Index | 排名 | 速度 | 首次回答 | 聊天回复成本 | 类别 |
|---|---|---|---|---|---|---|
| minimal | 45.2 | #458 | 67 tok/s | 2.68 s | $0.0035 | 智能体与工具 50 · 指令遵循 48 · 数学 38 · 多模态 44 · 推理 38 |
| low | 53.5 | #258 | 77 tok/s | 7.70 s | $0.0035 | 智能体与工具 57 · 编程 70 · 指令遵循 66 · 数学 45 · 多模态 56 · 推理 36 |
| medium最佳 | 59.0 | #113 | 82 tok/s | 23 s | $0.0035 | 智能体与工具 58 · 编程 57 · 指令遵循 69 · 长上下文 70 · 数学 65 · 多模态 57 · 推理 48 |
| high | 58.2 | #134 | 89 tok/s | 49 s | $0.0035 | 智能体与工具 54 · 编程 60 · 人类偏好 62 · 指令遵循 72 · 知识 58 · 长上下文 64 · 数学 57 · 多模态 55 · 推理 49 |
| thinking | – | – | 71 tok/s | 4.73 s | $0.0035 | 指令遵循 59 |
| 未说明 | 56.6 | #174 | 71 tok/s | 4.73 s | $0.0035 | 智能体与工具 49 · 编程 49 · 人类偏好 60 · 指令遵循 57 · 知识 62 · 长上下文 57 · 数学 66 · 多模态 59 · 推理 59 |
Index 走势
2026年9月8日 至 2026年11月16日- medium
- high
- 默认
- low
Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。
基准测试结果
查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。
元数据
| 基准测试 | minimal | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| AA Openness Index不计入 Index | 5.6#307 | 5.6#307 | 5.6#307 | 5.6#307 | 11.1#292 | Artificial Analysis |
推理
编程
智能体与工具
| 基准测试 | minimal | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| Terminal-Bench | – | – | 49.6%#42 | – | 49.6%#41 | Terminal-Bench | |
| GDPval | – | – | 34.8%#6 | – | – | OpenAI | |
| Remote Labor Index推理强度未说明 | – | – | – | – | 1.7%#16 | Scale AI / CAIS | |
| Terminal-Bench Hard | 18.2%#175 | 26.5%#132 | 37.9%#62 | 32.6%#98 | 12.9%#211 | Artificial Analysis | |
| τ²-Bench Telecom (AA)不计入 Index | 67.0%#167 | 84.2%#105 | 86.5%#87 | 84.8%#98 | 0.0%#398 | Artificial Analysis | |
| GDPval-AA v2.1不计入 Index | – | – | – | 925#198 | – | Artificial Analysis | |
| τ³-Banking (AA) | – | – | – | 22.1%#92 | – | Artificial Analysis | |
| Poker Agent不计入 Index推理强度未说明 | – | – | – | – | 1103.2%#2 | Vals AI | |
| Terminal-Bench 2.0 (Vals)不计入 Index | – | – | – | 37.1%#37 | – | Vals AI | |
| Arena Search不计入 Index推理强度未说明 | – | – | – | – | 1189#27 | Arena (LMArena) | |
| BALROG不计入 Index | 32.8%#14 | – | – | – | – | BALROG | |
| DeepResearch Bench不计入 Index | 48.9%#16 | 49.6%#12 | 48.6%#18 | 48.1%#20 | – | DeepResearch Bench | |
| METR Time Horizons不计入 Index | – | – | 69.6%#10 | 69.4%#11 | – | METR | |
| BrowseComp-Plus不计入 Index推理强度未说明 | – | – | – | – | 57.6%#1 | BrowseComp-Plus | |
| BrowseComp不计入 Index推理强度未说明 | – | – | – | – | 20.1%#2 | OpenAI | |
| DeepSearchQA不计入 Index推理强度未说明 | – | – | – | – | 59.4%#5 |
数学
| 基准测试 | minimal | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| FrontierMath Tiers 1–3 | 18.3%#100 | 37.2%#68 | – | 55.4%#53 | – | Epoch AI Benchmarking Hub | |
| FrontierMath Tier 4 | – | – | – | 21.9%#56 | – | Epoch AI Benchmarking Hub | |
| OTIS Mock AIME | 46.7%#199 | – | 87.2%#95 | 91.4%#77 | – | Epoch AI Benchmarking Hub | |
| MATH Level 5 | – | – | 97.9%#2 | 98.1%#1 | – | Epoch AI Benchmarking Hub | |
| ProofBench | – | – | – | 18.0%#56 | – | Vals AI | |
| AIME (Vals) | – | – | – | 93.4%#14 | – | Vals AI | |
| MGSM | – | – | – | 92.8%#14 | – | Vals AI | |
| IMO 2025可能存在污染 | – | – | – | 38.1%#1 | – | MathArena | |
| MathArena Apex | – | – | – | 1.0%#36 | – | MathArena | |
| Omni-MATH (HELM)推理强度未说明 | – | – | – | – | 64.7%#7 | HELM Capabilities | |
| MATH 500不计入 Index | – | – | – | 96.0%#3 | – | Vals AI | |
| Arena Maths | – | – | – | 1435#102 | 1411#140 | Arena (LMArena) | |
| AIME 2025 (AA)不计入 Index | 31.7%#172 | 83.0%#53 | 91.7%#18 | 94.3%#12 | 48.3%#137 | Artificial Analysis |
知识
| 基准测试 | minimal | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|
| SimpleQA Verified | – | – | 50.1%#31 | – | Epoch AI Benchmarking Hub | |
| MMLU-Pro | – | – | 86.5%#40 | – | Vals AI | |
| LegalBench | – | – | 86.0%#18 | – | Vals AI | |
| CorpFin | – | – | 61.1%#59 | – | Vals AI | |
| TaxEval | – | – | 73.4%#47 | – | Vals AI | |
| MedQA | – | – | 96.3%#4 | – | Vals AI | |
| PRBench Finance推理强度未说明 | – | – | – | 51.3%#7 | Scale AI SEAL | |
| PRBench Legal推理强度未说明 | – | – | – | 49.0%#16 | Scale AI SEAL | |
| MultiNRC推理强度未说明可能存在污染 | – | – | – | 52.1%#9 | Scale AI SEAL | |
| MMLU-Pro (HELM)不计入 Index推理强度未说明 | – | – | – | 86.3%#4 | HELM Capabilities | |
| CaseLaw v2不计入 Index | – | – | 66.5%#6 | – | Vals AI | |
| MedCode不计入 Index | – | – | 49.6%#21 | – | Vals AI | |
| MedScribe不计入 Index | – | – | 83.7%#43 | – | Vals AI | |
| EBR-bench不计入 Index | – | – | 12.7%#24 | – | Epoch AI Benchmarking Hub | |
| Global-MMLU-Lite (AA)不计入 Index | 84.4%#43 | 90.4%#12 | 90.7%#7 | – | Artificial Analysis |
指令遵循
| 基准测试 | minimal | low | medium | high | thinking | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|---|
| IFBench | 45.6%#205 | 66.6%#93 | 70.6%#66 | 73.1%#44 | – | 45.0%#211 | Artificial Analysis | |
| MultiChallenge | – | – | – | – | 63.2%#13 | – | Scale AI SEAL | |
| TutorBench推理强度未说明 | – | – | – | – | – | 55.3%#4 | Scale AI SEAL | |
| IFEval (HELM)推理强度未说明 | – | – | – | – | – | 87.5%#15 | HELM Capabilities | |
| WildBench (HELM)推理强度未说明 | – | – | – | – | – | 85.7%#6 | HELM Capabilities | |
| Arena Instruction Following不计入 Index | – | – | – | 1410#130 | – | 1415#121 | Arena (LMArena) |
人类偏好
| 基准测试 | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| Arena Text | – | 1435#106 | 1427#117 | Arena (LMArena) | |
| EQ-Bench Creative Writing v3不计入 Index推理强度未说明 | – | – | 1626#43 | EQ-Bench | |
| Arena Creative Writing不计入 Index | – | 1373#151 | 1389#127 | Arena (LMArena) | |
| Arena Multi-turn不计入 Index | – | 1421#129 | 1449#90 | Arena (LMArena) | |
| Arena Longer Queries不计入 Index | – | 1413#147 | 1435#118 | Arena (LMArena) | |
| Lech Mazur Creative Writing不计入 Index | 86.0%#1 | – | – | Lech Mazur |
多模态
| 基准测试 | minimal | low | medium | high | thinking | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|---|
| Arena Vision | – | – | – | 1208#89 | – | 1232#77 | Arena (LMArena) | |
| MMMU-Pro | 62.1%#213 | 73.8%#133 | 74.3%#124 | 74.2%#126 | – | – | Artificial Analysis | |
| VISTA推理强度未说明 | – | – | – | – | – | 49.7%#11 | Scale AI SEAL | |
| MMMU-Pro (Vals)不计入 Index | – | – | – | 81.5%#39 | – | – | Vals AI | |
| MortgageTax不计入 Index | – | – | – | 65.5%#40 | – | – | Vals AI | |
| VTB不计入 Index | – | – | – | – | 18.7%#6 | 17.0%#7 | Scale AI SEAL | |
| GeoBench不计入 Index | – | – | 81.0%#11 | – | – | – | GeoBench | |
| VPCT不计入 Index | – | – | 63.2%#6 | 66.0%#5 | – | – | Epoch AI Benchmarking Hub |
长上下文
| 基准测试 | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| Fiction.LiveBench 120k | 96.9%#2 | – | – | Fiction.live | |
| AA-LCR v1.1 | 76.0%#165 | 78.2%#136 | 65.0%#270 | Artificial Analysis |
综合
| 基准测试 | minimal | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| Epoch Capabilities Index不计入 Index推理强度未说明 | – | – | – | – | 150#67 | Epoch AI Benchmarking Hub | |
| AA Intelligence Index v4.3.2不计入 Index | 11.4#362 | 20.8#231 | 22.9#202 | 23.0#199 | 10.4#386 | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 194.9#438 | 254#253 | 264.4#229 | 270.7#200 | 210.7#381 | Artificial Analysis | |
| HELM Capabilities mean不计入 Index推理强度未说明 | – | – | – | – | 80.7%#4 | HELM Capabilities |
安全与诚实
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| FORTRESS不计入 Index | 17.0%#30 | Scale AI SEAL | |
| MASK不计入 Index可能存在污染 | 79.3%#25 | Scale AI SEAL |
GameBench 2, best reasoning setting (High): 46.2. 仅供参考,不计入 BenchLeader Index。
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.
优势所在
在所有已测配置中,这个配置排名前五的基准测试。
API 价格:在哪里调用
通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。
| 提供商 | 速度 | 首 token | 输入 $/M | 输出 $/M | 上下文 | 量化 |
|---|---|---|---|---|---|---|
| Azure | 88 tok/s | 4.54 s | $1.25 | $10.00 | 400k | – |
| OpenAI | 72 tok/s | 4.73 s | $1.25 | $10.00 | 400k | – |
一项任务的成本
根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.125。未计入推理 token。
| 工作负载 | 输入 / 输出 token | 成本 | 使用缓存 | 耗时 |
|---|---|---|---|---|
| 聊天回复 | 400 / 300 | $0.0035 | $0.0032 | 26.6 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.021 | $0.011 | 30.3 s |
| 代码编辑 | 6,000 / 1,500 | $0.022 | $0.017 | 41.3 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.115 | $0.064 | 1.2 min |
| 结构化信息提取 | 2,000 / 200 | $0.0045 | $0.0028 | 25.4 s |
将 GPT-5 与以下模型对比
另请参阅
嵌入或引用
在模型卡片或 README 中展示 GPT-5 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。
[](https://www.benchleader.com/models/gpt-5)引用本页
排名每天都会变化,因此引用时需注明数据日期。APA 格式:
BenchLeader. (2026, November 16). GPT-5 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-5
BibTeX:
@misc{benchleader_gpt_5_20261116,
author = {{BenchLeader}},
title = {{GPT-5 on the BenchLeader Index (method v1.4)}},
year = {2026},
month = nov,
howpublished = {\url{https://www.benchleader.com/models/gpt-5}},
note = {Data as of 2026-11-16}
}常见问题
- GPT-5 的基准测试得分是多少?
- 截至 2026年11月16日,GPT-5(推理强度 medium)的 BenchLeader Index 为 59.0 ±5.4。最强的是长上下文(70),最弱的是推理(48)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
- GPT-5 排名第几?
- 截至 2026年11月16日,GPT-5(推理强度 medium)在 608 个已排名配置中排第 113 名。另有 258 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
- GPT-5 每百万 token 的价格是多少?
- 截至 2026年11月16日,GPT-5 的价格为输入每百万 token $1.25、输出每百万 token $10.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $3.44。
- GPT-5 比 Mimo v2 Pro 更好吗?
- 截至 2026年11月16日,GPT-5(推理强度 medium)与 Mimo v2 Pro 的质量不相上下(BenchLeader Index 59.0 比 59.1,在 ±7.2 的误差范围内),可根据价格、速度和你看重的类别来选择。逐项基准测试的详细对比见对比页面。
- GPT-5 是什么时候发布的?
- OpenAI 于 2025年8月7日发布了 GPT-5。BenchLeader 收录了它在 6 种推理强度设置下的结果。
数据截至 2026年11月16日。 对比这些配置
引用格式:BenchLeader,《GPT-5:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/gpt-5。