BenchLeader

o3-mini

推理强度
质量第 170 / 339 名
50.2Index
高于中位数
较中位数 +0.0
价格第 170 / 255 名
$1.93每百万 token
比多数贵
中位数的 2.3 倍
速度第 19 / 216 名
192token/秒
前 10%
中位数的 2.3 倍
性价比第 180 / 255 名
26.1分/$
低于中位数
中位数的 0.5 倍

性价比更高: Ling 3.0 Flash $0.115/M 即可获得 Index 51.7,价格只有 17 分之一。

有 86 个更便宜的已排名模型得分更高:Gemini 3.7 Flash (62.1, $1.50)、Gemini 3.6 Flash (61.0, $1.50)、Gemini 3.8 Flash (60.2, $1.50),另有 83 个。

截至 2026年11月16日,o3-mini(OpenAI)在 BenchLeader Index 上得分 50.2(共 608 个已排名配置)。表现最好的是数学(55),最弱的是智能体与工具(40)。API 价格为输入每百万 token $1.10、输出每百万 token $4.40(按 3:1 混合为 $1.93),为 2026年11月16日的标价。输出速度约为 190 token/秒(Artificial Analysis)。发布于 2025年1月31日。

要点(截至 2026年11月16日)

  • o3-mini 的 API 价格为输入每百万 token $1.10、输出每百万 token $4.40(按 3:1 混合为 $1.93)(标价,2026年11月16日)。
  • o3-mini 的输出速度约为 190 token/秒(Artificial Analysis,2026年11月16日)。
  • o3-mini 于 2025年1月31日发布(OpenAI)。

详细说明:o3-mini 是 OpenAI 的闭源推理模型,发布于 2025年1月31日。其最佳配置在 BenchLeader Index 上得分 50.2 ±4.9,在 608 个配置中排第 344 名,处于下半区。关键在于这个“±”:另有 279 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(55),智能体与工具最低(40)。按混合价格计,每百万 token $1.93,比大多数已排名模型贵。输出速度为 192 token/秒,首次回答需 6.3 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
$1.93/M
输入 $1.10 · 输出 $4.40
来源:Artificial Analysis
输出速度
192 tok/s
由 Artificial Analysis 测量
首次回答
6.25 s
上下文
200k
来源:models.dev
单任务成本
–
单任务 token 数
–
发布日期
2025年1月31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 Index50
  2. 推理52
  3. 编程54
  4. 智能体与工具40
  5. 数学55
  6. 人类偏好51

嵌入这个排名

更多徽章样式
[![o3-mini on BenchLeader: 综合第 168 名](https://www.benchleader.com/badge/o3-mini.svg?style=compact)](https://www.benchleader.com/models/o3-mini)

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
low40.2#532192 tok/s6.25 s$0.0018编程 36 · 数学 32 · 推理 38
medium46.4#433192 tok/s6.25 s$0.0018智能体与工具 46 · 编程 53 · 长上下文 41 · 数学 45 · 推理 41
high47.9#393213 tok/s19 s$0.0018智能体与工具 35 · 编程 50 · 人类偏好 53 · 指令遵循 66 · 知识 41 · 长上下文 45 · 数学 51 · 推理 41
未说明最佳50.2#344192 tok/s6.25 s$0.0018智能体与工具 40 · 编程 54 · 人类偏好 51 · 数学 55 · 推理 52

Index 走势

2026年9月8日 至 2026年11月16日
354656
  • 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。

推理

基准测试lowmediumhigh默认来源趋势
GPQA Diamond68.2%#18674.3%#16577.0%#151–Epoch AI Benchmarking Hub
SimpleBench––22.8%#100–SimpleBench
Arena Hard Prompts––1402#1801371#204Arena (LMArena)
GPQA Diamond (AA)不计入 Index––77.3%#22574.8%#258Artificial Analysis
Humanity's Last Exam (AA)不计入 Index––12.0%#3017.9%#376Artificial Analysis
GPQA Diamond (Vals)不计入 Index––75.5%#78–Vals AI
ARC-AGI-114.5%#23622.3%#22534.5%#208–ARC Prize
ARC-AGI-20.0%#2512.1%#2083.0%#200–ARC Prize
CritPt不计入 Index––0.3%#291–Artificial Analysis
SciPredict不计入 Index推理强度未说明–––19.8%#7Scale AI SEAL
Arena Expert不计入 Index––1399#1751366#203Arena (LMArena)
Chess Puzzles不计入 Index6.0%#14211.0%#12815.0%#120–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index––7.0%#128–Epoch AI Benchmarking Hub
LMCA不计入 Index––19.0%#169–Epoch AI Benchmarking Hub
DTBench不计入 Index––68.8%#167–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明–––63.5%#41ForecastBench

编程

基准测试lowmediumhigh默认来源趋势
SciCode––42.8%#166–SciCode
WeirdML––43.7%#88–WeirdML
GSO-Bench1.3%#33–1.3%#33–GSO-Bench
Arena Coding––1434#1731417#189Arena (LMArena)
SciCode (AA)不计入 Index––42.8%#175–Artificial Analysis
LiveCodeBench––71.5%#83–Vals AI
Aider Polyglot–53.8%#3060.4%#21–Aider polyglot leaderboard
SWE-bench Verified (any scaffold)不计入 Index推理强度未说明–––42.4%#42SWE-bench
CadEval不计入 Index–54.0%#5––Epoch AI Benchmarking Hub
Terminal-Bench 4.0 (AA)不计入 Index––0.0%#186–Artificial Analysis
Terminal-Bench 2.1 (AA)不计入 Index––4.5%#212–Artificial Analysis
LiveCodeBench (AA)不计入 Index––73.4%#5271.8%#57Artificial Analysis

智能体与工具

基准测试mediumhigh默认来源趋势
Cybench22.5%#10––Cybench
Terminal-Bench Hard–6.1%#2716.8%#254Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index–31.3%#25828.6%#271Artificial Analysis
GDPval-AA v2.1不计入 Index–237#271–Artificial Analysis
τ³-Banking (AA)–5.2%#187–Artificial Analysis
AutomationBench不计入 Index–0.5%#241–Artificial Analysis
GDP.pdf (AA)不计入 Index–2.0%#225–Artificial Analysis
AA-Briefcase v1.1不计入 Index–143#243–Artificial Analysis
BrowseComp不计入 Index推理强度未说明––1.5%#13OpenAI

数学

基准测试lowmediumhigh默认来源趋势
FrontierMath Tiers 1–33.9%#11810.5%#10918.6%#99–Epoch AI Benchmarking Hub
FrontierMath Tier 4––0.0%#77–Epoch AI Benchmarking Hub
OTIS Mock AIME44.4%#20563.9%#16876.9%#136–Epoch AI Benchmarking Hub
MATH Level 5–95.2%#1496.5%#10–Epoch AI Benchmarking Hub
AIME (Vals)––86.5%#32–Vals AI
MGSM––91.3%#27–Vals AI
MATH 500不计入 Index––91.8%#19–Vals AI
Arena Maths––1405#1471382#175Arena (LMArena)

知识

基准测试high来源趋势
SimpleQA Verified15.3%#91Epoch AI Benchmarking Hub
MMLU-Pro78.7%#99Vals AI
LegalBench71.5%#118Vals AI
CorpFin45.3%#114Vals AI
TaxEval69.4%#96Vals AI
MedQA94.8%#14Vals AI

指令遵循

基准测试high默认来源趋势
IFBench67.1%#89–Artificial Analysis
Arena Instruction Following不计入 Index1366#1841344#201Arena (LMArena)

人类偏好

基准测试mediumhigh默认来源趋势
Arena Text–1364#1971348#211Arena (LMArena)
Arena Creative Writing不计入 Index–1312#2111301#226Arena (LMArena)
Arena Multi-turn不计入 Index–1345#2061340#215Arena (LMArena)
Arena Longer Queries不计入 Index–1373#1921360#204Arena (LMArena)
Lech Mazur Creative Writing不计入 Index61.5%#4261.7%#41–Lech Mazur

长上下文

基准测试mediumhigh来源趋势
Fiction.LiveBench 120k43.8%#25–Fiction.live
AA-LCR v1.1–43.0%#369Artificial Analysis
MLCR不计入 Index–7.2%#145Artificial Analysis

综合

基准测试high默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明–140.6#114Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index11.0#37812.5#340Artificial Analysis
AA Progress Index v1不计入 Index220#350214.5#365Artificial Analysis

安全与诚实

基准测试lowmediumhigh默认来源趋势
FORTRESS不计入 Index推理强度未说明–––30.1%#57Scale AI SEAL
MASK不计入 Index49.7%#5048.9%#5546.8%#59–Scale AI SEAL
PropensityBench不计入 Index推理强度未说明–––33.2%#5Scale AI SEAL

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 $0.550。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$0.0018$0.00167.8 s
总结一份 30 页的报告12,000 / 600$0.016$0.0119.4 s
代码编辑6,000 / 1,500$0.013$0.01114.1 s
智能体编程会话60,000 / 4,000$0.084$0.05927.1 s
结构化信息提取2,000 / 200$0.0031$0.00237.3 s

OpenAI 的更多模型

本月新上线

另请参阅

嵌入或引用

在模型卡片或 README 中展示 o3-mini 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-mini on BenchLeader: 综合第 168 名](https://www.benchleader.com/badge/o3-mini.svg)](https://www.benchleader.com/models/o3-mini)

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

BibTeX:

@misc{benchleader_o3_mini_20261116,
  author       = {{BenchLeader}},
  title        = {{o3-mini on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/o3-mini}},
  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-mini 的基准测试得分是多少?
截至 2026年11月16日,o3-mini 的 BenchLeader Index 为 50.2 ±4.9。最强的是数学(55),最弱的是智能体与工具(40)。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-mini 排名第几?
截至 2026年11月16日,o3-mini 在 608 个已排名配置中排第 344 名。另有 279 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-mini 每百万 token 的价格是多少?
截至 2026年11月16日,o3-mini 的价格为输入每百万 token $1.10、输出每百万 token $4.40,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $1.93。
o3-mini 是什么时候发布的?
OpenAI 于 2025年1月31日发布了 o3-mini。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-mini: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-mini。