BenchLeader

o3

推理强度
质量第 35 / 339 名
60.4Index
前四分之一
较中位数 +10.2
价格第 202 / 255 名
$3.50每百万 token
最贵的四分之一
中位数的 4.1 倍
速度第 43 / 216 名
131token/秒
前四分之一
中位数的 1.6 倍
性价比第 193 / 255 名
17.3分/$
后四分之一
中位数的 0.3 倍

性价比更高: DeepSeek V4.1 Flash $0.525/M 即可获得 Index 58.5,便宜 85%。

有 10 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 7 个。

截至 2026年11月16日,o3(OpenAI)在 BenchLeader Index 上得分 60.4(在 608 个已排名配置中前 100 名)。表现最好的是数学(71),最弱的是多模态(53)。API 价格为输入每百万 token $2.00、输出每百万 token $8.00(按 3:1 混合为 $3.50),为 2026年11月16日的标价。输出速度约为 130 token/秒(Artificial Analysis)。发布于 2025年4月16日。

要点(截至 2026年11月16日)

  • o3 的 API 价格为输入每百万 token $2.00、输出每百万 token $8.00(按 3:1 混合为 $3.50)(标价,2026年11月16日)。
  • o3 的输出速度约为 130 token/秒(Artificial Analysis,2026年11月16日)。
  • o3 于 2025年4月16日发布(OpenAI)。

详细说明:o3 是 OpenAI 的闭源推理模型,发布于 2025年4月16日。其最佳配置在 BenchLeader Index 上得分 60.4 ±3.2,在 608 个配置中排第 76 名,处于上半区。关键在于这个“±”:另有 193 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,数学得分最高(71),多模态最低(53)。按混合价格计,每百万 token $3.50,属于已排名模型中最贵的一档。输出速度为 131 token/秒,首次回答需 5.2 秒,位于最快的四分之一。它已在 4 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
$3.50/M
输入 $2.00 · 输出 $8.00
来源:Artificial Analysis
输出速度
131 tok/s
由 Artificial Analysis 测量
首次回答
5.17 s
首 token 2.31 s
上下文
200k
来源:models.dev
完整回答
17 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4月16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 Index60
  2. 推理61
  3. 编程60
  4. 智能体与工具70
  5. 数学71
  6. 知识56
  7. 指令遵循65
  8. 人类偏好61
  9. 多模态53
  10. 长上下文62

嵌入这个排名

更多徽章样式
[![o3 on BenchLeader: 综合第 35 名](https://www.benchleader.com/badge/o3.svg?style=compact)](https://www.benchleader.com/models/o3)

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

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
low45.1#463131 tok/s5.17 s$0.0032数学 40 · 推理 44
medium53.3#261131 tok/s5.17 s$0.0032智能体与工具 47 · 编程 37 · 指令遵循 54 · 知识 58 · 长上下文 80 · 数学 47 · 多模态 63 · 推理 47
high55.1#218131 tok/s5.17 s$0.0032编程 59 · 指令遵循 52 · 知识 57 · 数学 54 · 多模态 64 · 推理 49
未说明最佳60.4#76131 tok/s5.17 s$0.0032智能体与工具 70 · 编程 60 · 人类偏好 61 · 指令遵循 65 · 知识 56 · 长上下文 62 · 数学 71 · 多模态 53 · 推理 61

Index 走势

2026年9月8日 至 2026年11月16日
425466
  • 默认
  • high
  • medium
  • 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

基准测试默认来源趋势
AA Openness Index不计入 Index5.6#307Artificial Analysis

推理

基准测试lowmediumhigh默认来源趋势
GPQA Diamond79.8%#13780.8%#13381.8%#128–Epoch AI Benchmarking Hub
Humanity's Last Exam–19.2%#2320.3%#21–Scale AI / CAIS
SimpleBench––53.1%#59–SimpleBench
Arena Hard Prompts推理强度未说明–––1441#127Arena (LMArena)
GPQA Diamond (AA)不计入 Index推理强度未说明–––82.7%#171Artificial Analysis
Humanity's Last Exam (AA)不计入 Index推理强度未说明–––20.1%#233Artificial Analysis
GPQA Diamond (Vals)不计入 Index––84.1%#53–Vals AI
Kagi LLM Benchmark推理强度未说明–––67.6%#32Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明–––75.3%#4HELM Capabilities
ARC-AGI-141.5%#19853.8%#18360.8%#167–ARC Prize
ARC-AGI-22.0%#2123.0%#2006.5%#176–ARC Prize
CritPt不计入 Index推理强度未说明–––1.1%#242Artificial Analysis
SciPredict不计入 Index推理强度未说明–––17.9%#10Scale AI SEAL
Arena Expert不计入 Index推理强度未说明–––1448#120Arena (LMArena)
Chess Puzzles不计入 Index36.0%#5337.0%#4836.0%#53–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index–23.0%#5529.0%#40–Epoch AI Benchmarking Hub
CL-bench不计入 Index––17.8%#14–Epoch AI Benchmarking Hub
LMCA不计入 Index––39.7%#114–Epoch AI Benchmarking Hub
DTBench不计入 Index––84.8%#114–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明–––64.3%#26ForecastBench

编程

基准测试lowmediumhigh默认来源趋势
SWE-bench Verified (Epoch)–62.3%#28––Epoch AI Benchmarking Hub
WeirdML––52.4%#65–WeirdML
GSO-Bench––8.8%#22–GSO-Bench
Arena Coding推理强度未说明–––1460#135Arena (LMArena)
LiveCodeBench––83.9%#44–Vals AI
Aider Polyglot––81.3%#576.9%#10Aider polyglot leaderboard
SWE-bench Verified (bash only)推理强度未说明–––58.4%#26SWE-bench
SWE-bench Verified (any scaffold)不计入 Index推理强度未说明–––58.4%#33SWE-bench
CadEval不计入 Index–74.0%#1––Epoch AI Benchmarking Hub
ALE-Bench不计入 Index––933.5#73–Epoch AI Benchmarking Hub
GameBench 2 Overall不计入 Index跨设置–––34.1#50DuelLab GameBench 2
GameBench 2 by reasoning setting不计入 Index39.4#13932.4#16230.4#168–DuelLab GameBench 2
Design Arena Website不计入 Index推理强度未说明–––1028#164Design Arena
LiveCodeBench (AA)不计入 Index推理强度未说明–––80.8%#26Artificial Analysis

智能体与工具

基准测试medium默认来源趋势
GDPval30.8%#7–OpenAI
Terminal-Bench Hard推理强度未说明–37.1%#69Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index推理强度未说明–80.7%#122Artificial Analysis
BFCL Overall推理强度未说明–63.0%#7Berkeley Function Calling Leaderboard
Arena Search不计入 Index推理强度未说明–1197#20Arena (LMArena)
DeepResearch Bench不计入 Index45.2%#30–DeepResearch Bench
METR Time Horizons不计入 Index65.4%#1563.6%#18METR
BrowseComp-Plus不计入 Index推理强度未说明–50.5%#2BrowseComp-Plus

数学

基准测试lowmediumhigh默认来源趋势
FrontierMath Tiers 1–319.3%#9529.8%#7933.3%#75–Epoch AI Benchmarking Hub
OTIS Mock AIME60.0%#17584.4%#10983.9%#116–Epoch AI Benchmarking Hub
MATH Level 5––97.8%#5–Epoch AI Benchmarking Hub
AIME (Vals)––85.3%#37–Vals AI
MGSM––91.8%#25–Vals AI
IMO 2025––16.7%#4–MathArena
Omni-MATH (HELM)推理强度未说明–––71.4%#4HELM Capabilities
MATH 500不计入 Index––94.6%#8–Vals AI
Arena Maths推理强度未说明–––1448#84Arena (LMArena)
AIME 2025 (AA)不计入 Index推理强度未说明–––88.3%#35Artificial Analysis

知识

基准测试mediumhigh默认来源趋势
SimpleQA Verified–49.4%#32–Epoch AI Benchmarking Hub
MMLU-Pro–85.6%#55–Vals AI
LegalBench–83.8%#48–Vals AI
CorpFin–59.7%#73–Vals AI
TaxEval–74.6%#34–Vals AI
MedQA–96.1%#6–Vals AI
PRBench Finance推理强度未说明––47.7%#15Scale AI SEAL
PRBench Legal推理强度未说明––48.6%#18Scale AI SEAL
MultiNRC44.5%#1645.5%#14–Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明––85.9%#6HELM Capabilities
MedCode不计入 Index–47.3%#33–Vals AI
MedScribe不计入 Index–76.7%#72–Vals AI

指令遵循

基准测试mediumhigh默认来源趋势
IFBench推理强度未说明––71.4%#56Artificial Analysis
MultiChallenge–56.6%#22–Scale AI SEAL
TutorBench52.8%#1352.1%#14–Scale AI SEAL
IFEval (HELM)推理强度未说明––86.9%#17HELM Capabilities
WildBench (HELM)推理强度未说明––86.1%#4HELM Capabilities
Arena Instruction Following不计入 Index推理强度未说明––1403#141Arena (LMArena)

人类偏好

基准测试medium默认来源趋势
Arena Text推理强度未说明–1432#112Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index推理强度未说明–1675#38EQ-Bench
Arena Creative Writing不计入 Index推理强度未说明–1383#138Arena (LMArena)
Arena Multi-turn不计入 Index推理强度未说明–1420#132Arena (LMArena)
Arena Longer Queries不计入 Index推理强度未说明–1411#151Arena (LMArena)
Lech Mazur Creative Writing不计入 Index83.9%#5–Lech Mazur

多模态

基准测试mediumhigh默认来源趋势
Arena Vision推理强度未说明––1214#84Arena (LMArena)
MMMU-Pro推理强度未说明––70.1%#161Artificial Analysis
VISTA49.6%#1250.1%#10–Scale AI SEAL
MMMU-Pro (Vals)不计入 Index–80.4%#43–Vals AI
MortgageTax不计入 Index–65.7%#38–Vals AI
VTB不计入 Index推理强度未说明––13.7%#8Scale AI SEAL
GeoBench不计入 Index74.0%#1960.0%#33–GeoBench
VPCT不计入 Index52.0%#10––Epoch AI Benchmarking Hub

长上下文

基准测试medium默认来源趋势
Fiction.LiveBench 120k100.0%#1–Fiction.live
AA-LCR v1.1推理强度未说明–74.7%#176Artificial Analysis

综合

基准测试默认来源趋势
Epoch Capabilities Index不计入 Index147.1#80Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index20.2#242Artificial Analysis
AA Progress Index v1不计入 Index258.3#244Artificial Analysis
HELM Capabilities mean不计入 Index81.1%#3HELM Capabilities

安全与诚实

基准测试mediumhigh默认来源趋势
FORTRESS不计入 Index推理强度未说明––16.0%#22Scale AI SEAL
MASK不计入 Index可能存在污染82.6%#2084.5%#19–Scale AI SEAL
PropensityBench不计入 Index推理强度未说明––10.5%#1Scale AI SEAL

GameBench 2 Overall: 34.1. GameBench 2, best reasoning setting (Low): 39.4. 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
OpenAI82 tok/s2.56 s$2.00$8.00200k–

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 $0.500。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$0.0032$0.00287.5 s
总结一份 30 页的报告12,000 / 600$0.029$0.0159.8 s
代码编辑6,000 / 1,500$0.024$0.01716.6 s
智能体编程会话60,000 / 4,000$0.152$0.08535.7 s
结构化信息提取2,000 / 200$0.0056$0.00346.7 s

OpenAI 的更多模型

本月新上线

将 o3 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 o3 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。

[![o3 on BenchLeader: 综合第 35 名](https://www.benchleader.com/badge/o3.svg)](https://www.benchleader.com/models/o3)

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). o3 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/o3

BibTeX:

@misc{benchleader_o3_20261116,
  author       = {{BenchLeader}},
  title        = {{o3 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/o3}},
  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

o3 的基准测试得分是多少?
截至 2026年11月16日,o3 的 BenchLeader Index 为 60.4 ±3.2(前 100 名)。最强的是数学(71),最弱的是多模态(53)。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。
o3 排名第几?
截至 2026年11月16日,o3 在 608 个已排名配置中排第 76 名(前 100 名)。另有 193 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。
o3 每百万 token 的价格是多少?
截至 2026年11月16日,o3 的价格为输入每百万 token $2.00、输出每百万 token $8.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $3.50。
o3 比 Gemini 3.1 Pro 更好吗?
截至 2026年11月16日,Gemini 3.1 Pro(推理强度 high)与 o3 的质量不相上下(BenchLeader Index 60.4 比 60.4,在 ±4.7 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。
o3 是什么时候发布的?
OpenAI 于 2025年4月16日发布了 o3。BenchLeader 收录了它在 4 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,《o3: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/o3。