BenchLeader

GPT-5

推理强度
质量第 50 / 339 名
59.0Index
前四分之一
较中位数 +8.8
价格第 197 / 255 名
$3.44每百万 token
最贵的四分之一
中位数的 4.0 倍
速度第 110 / 216 名
82token/秒
低于中位数
中位数的 1.0 倍
性价比第 195 / 255 名
17.2分/$
后四分之一
中位数的 0.3 倍

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
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index59
  2. 推理48
  3. 编程57
  4. 智能体与工具58
  5. 数学65
  6. 指令遵循69
  7. 多模态57
  8. 长上下文70

嵌入这个排名

更多徽章样式
[![GPT-5 on BenchLeader: 综合第 51 名](https://www.benchleader.com/badge/gpt-5.svg?style=compact)](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。

OpenAI 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

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-5.62026年7月9日––
GPT-5.5xhigh2026年4月23日64.1#31
GPT-5.4xhigh2026年3月5日63.1#42
GPT-5.2xhigh2025年12月11日59.9#95
GPT-5.1high2025年11月12日57.5#151
GPT-5medium本页2025年8月7日59.0#113
GPT-4.12025年4月14日48.7#377
GPT-4.52025年2月27日50.5#335
GPT 4 01252024年1月25日––
GPT-4 11062023年11月6日––
GPT 4 06132023年6月13日39.5#541
GPT-42023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
minimal45.2#45867 tok/s2.68 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
low53.5#25877 tok/s7.70 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#11382 tok/s23 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
high58.2#13489 tok/s49 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/s4.73 s$0.0035指令遵循 59
未说明56.6#17471 tok/s4.73 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
465667
  • 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minimallowmediumhigh默认来源趋势
AA Openness Index不计入 Index5.6#3075.6#3075.6#3075.6#30711.1#292Artificial Analysis

推理

基准测试minimallowmediumhigh默认来源趋势
GPQA Diamond71.7%#175–85.3%#9986.2%#93–Epoch AI Benchmarking Hub
Humanity's Last Exam–––25.3%#1525.3%#15Scale AI / CAIS
SimpleBench–––56.7%#52–SimpleBench
Arena Hard Prompts–––1448#1161449#115Arena (LMArena)
GPQA Diamond (AA)不计入 Index67.3%#32780.8%#19284.2%#15185.3%#13168.6%#317Artificial Analysis
Humanity's Last Exam (AA)不计入 Index6.0%#43019.6%#23725.4%#20028.5%#1786.6%#406Artificial Analysis
GPQA Diamond (Vals)不计入 Index–––85.6%#45–Vals AI
Kagi LLM Benchmark推理强度未说明––––72.7%#21Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明––––79.1%#2HELM Capabilities
ARC-AGI-16.0%#24944.0%#19656.2%#17965.7%#159–ARC Prize
ARC-AGI-20.0%#2511.9%#2137.5%#1749.9%#168–ARC Prize
CritPt不计入 Index0.0%#3371.1%#2420.0%#3375.7%#163–Artificial Analysis
CritPt v2 hard subset (AA)–––11.5%#108–Artificial Analysis
Arena Expert不计入 Index–––1460#1071445#125Arena (LMArena)
Chess Puzzles不计入 Index11.0%#12827.0%#7732.0%#6836.0%#53–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index14.0%#10216.0%#8915.0%#9623.0%#55–Epoch AI Benchmarking Hub
LMCA不计入 Index–––40.0%#113–Epoch AI Benchmarking Hub
DTBench不计入 Index–––90.7%#85–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明––––65.0%#17ForecastBench

编程

基准测试minimallowmediumhigh默认来源趋势
SWE-bench Verified (Epoch)––71.5%#2373.5%#19–Epoch AI Benchmarking Hub
SciCode推理强度未说明––––42.9%#165SciCode
WeirdML–––60.7%#4839.8%#104WeirdML
GSO-Bench–––6.9%#23–GSO-Bench
Arena Coding–––1471#1221462#132Arena (LMArena)
Arena WebDev––1417#95––Arena (LMArena)
LiveCodeBench–––85.9%#27–Vals AI
SWE-bench (Vals)不计入 Index–––69.0%#65–Vals AI
SWE-Bench Pro–––41.8%#10–Scale AI SEAL
Aider Polyglot–81.3%#586.7%#288.0%#1–Aider polyglot leaderboard
SWE-bench Verified (bash only)––65.0%#20––SWE-bench
SWE-bench Verified (any scaffold)不计入 Index推理强度未说明––––74.4%#8SWE-bench
Vibe Code Bench v1.1不计入 Index–––20.1%#91–Vals AI
SWE-Bench Pro (private)不计入 Index推理强度未说明––––14.9%#11Scale AI SEAL
MirrorCode不计入 Index–––4.4%#45–Epoch AI Benchmarking Hub
ALE-Bench不计入 Index807.6#83––1162.5#54–Epoch AI Benchmarking Hub
AlgoTune不计入 Index–––1.7#8–AlgoTune
Terminal-Bench 2.1 (AA)不计入 Index–––35.2%#151–Artificial Analysis
GameBench 2 by reasoning setting不计入 Index–39.7#13838.0#14646.2#109–DuelLab GameBench 2
Design Arena Website不计入 Index1176#102––1174#105–Design Arena
LiveCodeBench (AA)不计入 Index55.8%#12176.3%#4270.3%#6484.5%#1654.3%#127Artificial Analysis

智能体与工具

基准测试minimallowmediumhigh默认来源趋势
Terminal-Bench––49.6%#42–49.6%#41Terminal-Bench
GDPval––34.8%#6––OpenAI
Remote Labor Index推理强度未说明––––1.7%#16Scale AI / CAIS
Terminal-Bench Hard18.2%#17526.5%#13237.9%#6232.6%#9812.9%#211Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index67.0%#16784.2%#10586.5%#8784.8%#980.0%#398Artificial 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%#2Vals 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#27Arena (LMArena)
BALROG不计入 Index32.8%#14––––BALROG
DeepResearch Bench不计入 Index48.9%#1649.6%#1248.6%#1848.1%#20–DeepResearch Bench
METR Time Horizons不计入 Index––69.6%#1069.4%#11–METR
BrowseComp-Plus不计入 Index推理强度未说明––––57.6%#1BrowseComp-Plus
BrowseComp不计入 Index推理强度未说明––––20.1%#2OpenAI
DeepSearchQA不计入 Index推理强度未说明––––59.4%#5Google

数学

基准测试minimallowmediumhigh默认来源趋势
FrontierMath Tiers 1–318.3%#10037.2%#68–55.4%#53–Epoch AI Benchmarking Hub
FrontierMath Tier 4–––21.9%#56–Epoch AI Benchmarking Hub
OTIS Mock AIME46.7%#199–87.2%#9591.4%#77–Epoch AI Benchmarking Hub
MATH Level 5––97.9%#298.1%#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%#7HELM Capabilities
MATH 500不计入 Index–––96.0%#3–Vals AI
Arena Maths–––1435#1021411#140Arena (LMArena)
AIME 2025 (AA)不计入 Index31.7%#17283.0%#5391.7%#1894.3%#1248.3%#137Artificial Analysis

知识

基准测试minimalmediumhigh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%#7Scale AI SEAL
PRBench Legal推理强度未说明–––49.0%#16Scale AI SEAL
MultiNRC推理强度未说明可能存在污染–––52.1%#9Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明–––86.3%#4HELM 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 Index84.4%#4390.4%#1290.7%#7–Artificial Analysis

指令遵循

基准测试minimallowmediumhighthinking默认来源趋势
IFBench45.6%#20566.6%#9370.6%#6673.1%#44–45.0%#211Artificial Analysis
MultiChallenge––––63.2%#13–Scale AI SEAL
TutorBench推理强度未说明–––––55.3%#4Scale AI SEAL
IFEval (HELM)推理强度未说明–––––87.5%#15HELM Capabilities
WildBench (HELM)推理强度未说明–––––85.7%#6HELM Capabilities
Arena Instruction Following不计入 Index–––1410#130–1415#121Arena (LMArena)

人类偏好

基准测试mediumhigh默认来源趋势
Arena Text–1435#1061427#117Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index推理强度未说明––1626#43EQ-Bench
Arena Creative Writing不计入 Index–1373#1511389#127Arena (LMArena)
Arena Multi-turn不计入 Index–1421#1291449#90Arena (LMArena)
Arena Longer Queries不计入 Index–1413#1471435#118Arena (LMArena)
Lech Mazur Creative Writing不计入 Index86.0%#1––Lech Mazur

多模态

基准测试minimallowmediumhighthinking默认来源趋势
Arena Vision–––1208#89–1232#77Arena (LMArena)
MMMU-Pro62.1%#21373.8%#13374.3%#12474.2%#126––Artificial Analysis
VISTA推理强度未说明–––––49.7%#11Scale 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%#617.0%#7Scale AI SEAL
GeoBench不计入 Index––81.0%#11–––GeoBench
VPCT不计入 Index––63.2%#666.0%#5––Epoch AI Benchmarking Hub

长上下文

基准测试mediumhigh默认来源趋势
Fiction.LiveBench 120k96.9%#2––Fiction.live
AA-LCR v1.176.0%#16578.2%#13665.0%#270Artificial Analysis

综合

基准测试minimallowmediumhigh默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明––––150#67Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index11.4#36220.8#23122.9#20223.0#19910.4#386Artificial Analysis
AA Progress Index v1不计入 Index194.9#438254#253264.4#229270.7#200210.7#381Artificial Analysis
HELM Capabilities mean不计入 Index推理强度未说明––––80.7%#4HELM Capabilities

安全与诚实

基准测试默认来源趋势
FORTRESS不计入 Index17.0%#30Scale AI SEAL
MASK不计入 Index可能存在污染79.3%#25Scale 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
Azure88 tok/s4.54 s$1.25$10.00400k–
OpenAI72 tok/s4.73 s$1.25$10.00400k–

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$0.003226.6 s
总结一份 30 页的报告12,000 / 600$0.021$0.01130.3 s
代码编辑6,000 / 1,500$0.022$0.01741.3 s
智能体编程会话60,000 / 4,000$0.115$0.0641.2 min
结构化信息提取2,000 / 200$0.0045$0.002825.4 s

OpenAI 的更多模型

本月新上线

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。

[![GPT-5 on BenchLeader: 综合第 51 名](https://www.benchleader.com/badge/gpt-5.svg)](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}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

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。