o3
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
- 综合 Index60
- 推理61
- 编程60
- 智能体与工具70
- 数学71
- 知识56
- 指令遵循65
- 人类偏好61
- 多模态53
- 长上下文62
嵌入这个排名
更多徽章样式[](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。
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 |
|---|---|---|---|---|---|---|
| low | 45.1 | #463 | 131 tok/s | 5.17 s | $0.0032 | 数学 40 · 推理 44 |
| medium | 53.3 | #261 | 131 tok/s | 5.17 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 |
| high | 55.1 | #218 | 131 tok/s | 5.17 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 | #76 | 131 tok/s | 5.17 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- 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 Index | 5.6#307 | Artificial Analysis |
推理
编程
| 基准测试 | low | medium | high | 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#135 | Arena (LMArena) | |
| LiveCodeBench | – | – | 83.9%#44 | – | Vals AI | |
| Aider Polyglot | – | – | 81.3%#5 | 76.9%#10 | Aider polyglot leaderboard | |
| SWE-bench Verified (bash only)推理强度未说明 | – | – | – | 58.4%#26 | SWE-bench | |
| SWE-bench Verified (any scaffold)不计入 Index推理强度未说明 | – | – | – | 58.4%#33 | SWE-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#50 | DuelLab GameBench 2 | |
| GameBench 2 by reasoning setting不计入 Index | 39.4#139 | 32.4#162 | 30.4#168 | – | DuelLab GameBench 2 | |
| Design Arena Website不计入 Index推理强度未说明 | – | – | – | 1028#164 | Design Arena | |
| LiveCodeBench (AA)不计入 Index推理强度未说明 | – | – | – | 80.8%#26 | Artificial Analysis |
智能体与工具
| 基准测试 | medium | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| GDPval | 30.8%#7 | – | OpenAI | |
| Terminal-Bench Hard推理强度未说明 | – | 37.1%#69 | Artificial Analysis | |
| τ²-Bench Telecom (AA)不计入 Index推理强度未说明 | – | 80.7%#122 | Artificial Analysis | |
| BFCL Overall推理强度未说明 | – | 63.0%#7 | Berkeley Function Calling Leaderboard | |
| Arena Search不计入 Index推理强度未说明 | – | 1197#20 | Arena (LMArena) | |
| DeepResearch Bench不计入 Index | 45.2%#30 | – | DeepResearch Bench | |
| METR Time Horizons不计入 Index | 65.4%#15 | 63.6%#18 | METR | |
| BrowseComp-Plus不计入 Index推理强度未说明 | – | 50.5%#2 | BrowseComp-Plus |
数学
| 基准测试 | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|
| FrontierMath Tiers 1–3 | 19.3%#95 | 29.8%#79 | 33.3%#75 | – | Epoch AI Benchmarking Hub | |
| OTIS Mock AIME | 60.0%#175 | 84.4%#109 | 83.9%#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%#4 | HELM Capabilities | |
| MATH 500不计入 Index | – | – | 94.6%#8 | – | Vals AI | |
| Arena Maths推理强度未说明 | – | – | – | 1448#84 | Arena (LMArena) | |
| AIME 2025 (AA)不计入 Index推理强度未说明 | – | – | – | 88.3%#35 | Artificial Analysis |
知识
| 基准测试 | medium | high | 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%#15 | Scale AI SEAL | |
| PRBench Legal推理强度未说明 | – | – | 48.6%#18 | Scale AI SEAL | |
| MultiNRC | 44.5%#16 | 45.5%#14 | – | Scale AI SEAL | |
| MMLU-Pro (HELM)不计入 Index推理强度未说明 | – | – | 85.9%#6 | HELM 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 | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| IFBench推理强度未说明 | – | – | 71.4%#56 | Artificial Analysis | |
| MultiChallenge | – | 56.6%#22 | – | Scale AI SEAL | |
| TutorBench | 52.8%#13 | 52.1%#14 | – | Scale AI SEAL | |
| IFEval (HELM)推理强度未说明 | – | – | 86.9%#17 | HELM Capabilities | |
| WildBench (HELM)推理强度未说明 | – | – | 86.1%#4 | HELM Capabilities | |
| Arena Instruction Following不计入 Index推理强度未说明 | – | – | 1403#141 | Arena (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#112 | Arena (LMArena) | |
| EQ-Bench Creative Writing v3不计入 Index推理强度未说明 | – | 1675#38 | EQ-Bench | |
| Arena Creative Writing不计入 Index推理强度未说明 | – | 1383#138 | Arena (LMArena) | |
| Arena Multi-turn不计入 Index推理强度未说明 | – | 1420#132 | Arena (LMArena) | |
| Arena Longer Queries不计入 Index推理强度未说明 | – | 1411#151 | Arena (LMArena) | |
| Lech Mazur Creative Writing不计入 Index | 83.9%#5 | – | Lech Mazur |
多模态
| 基准测试 | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| Arena Vision推理强度未说明 | – | – | 1214#84 | Arena (LMArena) | |
| MMMU-Pro推理强度未说明 | – | – | 70.1%#161 | Artificial Analysis | |
| VISTA | 49.6%#12 | 50.1%#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%#8 | Scale AI SEAL | |
| GeoBench不计入 Index | 74.0%#19 | 60.0%#33 | – | GeoBench | |
| VPCT不计入 Index | 52.0%#10 | – | – | Epoch AI Benchmarking Hub |
长上下文
| 基准测试 | medium | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| Fiction.LiveBench 120k | 100.0%#1 | – | Fiction.live | |
| AA-LCR v1.1推理强度未说明 | – | 74.7%#176 | Artificial Analysis |
综合
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| Epoch Capabilities Index不计入 Index | 147.1#80 | Epoch AI Benchmarking Hub | |
| AA Intelligence Index v4.3.2不计入 Index | 20.2#242 | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 258.3#244 | Artificial Analysis | |
| HELM Capabilities mean不计入 Index | 81.1%#3 | HELM Capabilities |
安全与诚实
| 基准测试 | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| FORTRESS不计入 Index推理强度未说明 | – | – | 16.0%#22 | Scale AI SEAL | |
| MASK不计入 Index可能存在污染 | 82.6%#20 | 84.5%#19 | – | Scale AI SEAL | |
| PropensityBench不计入 Index推理强度未说明 | – | – | 10.5%#1 | Scale 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 |
|---|---|---|---|---|---|---|
| OpenAI | 82 tok/s | 2.56 s | $2.00 | $8.00 | 200k | – |
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 | $0.0028 | 7.5 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.029 | $0.015 | 9.8 s |
| 代码编辑 | 6,000 / 1,500 | $0.024 | $0.017 | 16.6 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.152 | $0.085 | 35.7 s |
| 结构化信息提取 | 2,000 / 200 | $0.0056 | $0.0034 | 6.7 s |
将 o3 与以下模型对比
- o3 vs Gemini 4 Argon
- o3 vs GPT-6.1 Sol
- o3 vs Muse Spark 1.3
- o3 vs Muse Wonder
- o3 vs Qwen3.8 Max
- o3 vs Claude Sonnet 5.5
- o3 vs Claude Opus 5.5
- o3 vs GPT-5.3-Codex
- o3 vs GLM 5.3 Flash
- o3 vs GPT-5.6 Terra
- o3 vs Kimi K3.1 Pro
- o3 vs GPT-5.5 Instant
- o3 vs Grok 4.3
- o3 vs Kimi K2.6
- o3 vs Qwen3.7
- o3 vs Claude Sonnet 5
- o3 vs GPT-5.6 Sol
- o3 vs Gemini 3.8 Flash
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。
[](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}
}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。