AI BENCHY Compare

Anthropic: Claude Opus 4.8 vs OpenAI: GPT-5.4

Rezumat

Comparație benchmark Claude Opus 4.8 vs GPT-5.4: GPT-5.4 conduce la scorul mediu cu 8.5 vs 7.7. GPT-5.4 are costul de benchmark mai mic, $1.210 vs $1.270. Claude Opus 4.8 este mai rapid cu 10.83s vs 22.35s, cu rate de reușită de 79.4% vs 76.2%.

Model recomandat: GPT-5.4 - Are cel mai puternic scor din această comparație (8.5) și cel mai bun echilibru între cost și timp de răspuns dintre toate cele 2 modele.

Benchmark-urile au fost generate din suitele de teste AI BENCHY la: 2026-07-02

Metrică	Claude Opus 4.8 Claude Opus 4.8 low Lansare: 2026-05-28	GPT-5.4 GPT-5.4 medium Lansare: 2026-03-05

Metrică	Claude Opus 4.8 Claude Opus 4.8 low Lansare: 2026-05-28	GPT-5.4 GPT-5.4 medium Lansare: 2026-03-05
Scor	7.7	8.5
Rang	#38	#17
Fiabilitate	10.0	10.0
Consistență	8.8	8.6
Teste corecte
Rată de trecere pe încercare	79.4%	76.2%
Teste instabile	3	4
Rulări totale	63	63
Cost per rezultat	8.466	8.640
Cost total	$1.270	$1.210
Preț de intrare	$5.000 / 1M	$2.500 / 1M
Preț de ieșire	$25.000 / 1M	$15.000 / 1M
Total tokenuri de intrare	60,946	34,108
Tokenuri de ieșire	31,771	2,242
Tokenuri de raționament	6,831	72,707
Timp de răspuns (mediu)	10.83s	22.35s
Timp de răspuns (maxim)	127.97s	100.41s
Timp de răspuns (total)	227.39s	469.29s

Prezentare generare

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#38 Claude Opus 4.8

low

Cost: $0.031
Timp: 14.1s
Tokenuri: 1,345 tok

#17 GPT-5.4

medium

Cost: $0.214
Timp: 199.6s
Tokenuri: 14,349 tok

Top modele după scor

Scor vs cost total

Timp de răspuns (mediu)

Scor vs Timp de răspuns (mediu)

Total tokenuri de ieșire

Scor vs Total tokenuri de ieșire

Defalcare pe categorii

Trucuri anti-AI	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		3.30s	834	793	371
GPT-5.4	8.3	10.0	75.0%	0		4.11s	606	240	1,511

Programare	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	6.6	4.6	77.8%	2		7.58s	10,590	3,637	809
GPT-5.4	8.8	7.8	88.9%	1		44.36s	7,305	433	24,216

Combinat	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.8	10.0	100.0%	0		20.84s	23,500	2,216	1,081
GPT-5.4	10.0	10.0	100.0%	0		20.57s	11,019	301	3,543

Parsare și extragere de date	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	6.3	5.8	66.7%	1		2.27s	10,503	310	0
GPT-5.4	10.0	10.0	100.0%	0		5.32s	7,140	234	804

Specific domeniului	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	5.3	10.0	33.3%	0		45.53s	975	23,311	3,908
GPT-5.4	5.3	7.2	44.4%	1		74.27s	619	61	34,748

Inteligență generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		2.55s	708	231	0
GPT-5.4	4.7	3.1	33.3%	1		4.92s	477	145	321

Respectarea instrucțiunilor	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	9.8	10.0	100.0%	0		2.78s	909	111	221
GPT-5.4	10.0	10.0	100.0%	0		3.11s	660	93	897

Rezolvare de puzzle-uri	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		3.01s	894	592	184
GPT-5.4	8.2	7.2	88.9%	1		9.14s	642	441	3,815

Apelare instrumente	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	10.0	10.0	100.0%	0		6.85s	11,775	370	35
GPT-5.4	10.0	10.0	100.0%	0		13.28s	5,445	264	1,031

Cultură generală	Scor	Consistență	Rată de trecere pe încercare	Teste instabile	Teste corecte	Timp de răspuns (mediu)	Tokenuri de intrare	Tokenuri de ieșire	Tokenuri de raționament
Claude Opus 4.8	3.0	10.0	0.0%	0		5.48s	258	200	222
GPT-5.4	3.0	10.0	0.0%	0		13.95s	195	30	1,821

Comparație rapidă

Schimbă perechea de comparație