AI BENCHY 对比

Anthropic: Claude Opus 4.8 vs OpenAI: GPT-5.3-Codex

摘要

Claude Opus 4.8 vs GPT-5.3-Codex benchmark 对比：GPT-5.3-Codex 平均分领先，为 8.9 vs 7.7。 GPT-5.3-Codex benchmark 成本更低，为 $0.740 vs $1.270。 Claude Opus 4.8 更快，为 10.83s vs 16.22s，通过率为 79.4% vs 82.5%。

推荐模型: GPT-5.3-Codex - 它在这里得分最高（8.9），同时成本比Claude Opus 4.8低约 1.7 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-02

指标	Claude Opus 4.8 Claude Opus 4.8 low 发布日期: 2026-05-28	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05

指标	Claude Opus 4.8 Claude Opus 4.8 low 发布日期: 2026-05-28	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05
分数	7.7	8.9
排名	#38	#10
可靠性	10.0	10.0
一致性	8.8	8.5
测试正确
尝试通过率	79.4%	82.5%
不稳定测试	3	4
总运行次数	63	63
每个结果成本	8.466	4.932
总成本	$1.270	$0.740
输入价格	$5.000 / 1M	$1.750 / 1M
输出价格	$25.000 / 1M	$14.000 / 1M
总输入令牌	60,946	34,299
输出令牌	31,771	2,357
推理令牌	6,831	46,189
响应时间（平均）	10.83s	16.22s
响应时间（最大）	127.97s	100.93s
响应时间（总计）	227.39s	340.67s

生成展示

Hamster playing table tennis

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

#38 Claude Opus 4.8

low

成本: $0.031
时间: 14.1s
令牌: 1,345 tok

#10 GPT-5.3-Codex

medium

成本: $0.049
时间: 54.9s
令牌: 3,580 tok

按分数排名的模型

分数 vs 总成本

响应时间（平均）

分数 vs 响应时间（平均）

总输出令牌

分数 vs 总输出令牌

类别细分

反AI技巧	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	10.0	10.0	100.0%	0		3.30s	834	793	371
GPT-5.3-Codex	8.7	7.9	91.7%	1		4.16s	606	240	1,722

编程	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	6.6	4.6	77.8%	2		7.58s	10,590	3,637	809
GPT-5.3-Codex	10.0	10.0	100.0%	0		19.50s	7,302	535	10,890

综合	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	9.8	10.0	100.0%	0		20.84s	23,500	2,216	1,081
GPT-5.3-Codex	10.0	10.0	100.0%	0		19.56s	11,019	364	2,731

数据解析与提取	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	6.3	5.8	66.7%	1		2.27s	10,503	310	0
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.07s	7,140	234	728

领域专项	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	5.3	10.0	33.3%	0		45.53s	975	23,311	3,908
GPT-5.3-Codex	5.9	7.2	55.6%	1		64.31s	813	64	25,308

通用智能	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	10.0	10.0	100.0%	0		2.55s	708	231	0
GPT-5.3-Codex	4.6	10.0	0.0%	0		4.87s	477	187	331

指令遵循	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	9.8	10.0	100.0%	0		2.78s	909	111	221
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.04s	660	93	693

谜题求解	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	10.0	10.0	100.0%	0		3.01s	894	592	184
GPT-5.3-Codex	9.0	7.9	88.9%	1		5.05s	642	356	1,593

工具调用	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	10.0	10.0	100.0%	0		6.85s	11,775	370	35
GPT-5.3-Codex	10.0	10.0	100.0%	0		6.37s	5,445	254	492

常识问答	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Claude Opus 4.8	3.0	10.0	0.0%	0		5.48s	258	200	222
GPT-5.3-Codex	2.8	1.6	33.3%	1		14.43s	195	30	1,701

快速对比

切换对比组合