AI BENCHY 对比
Anthropic: Claude Opus 4.8 vs OpenAI: GPT-5.3-Codex
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-28
| 指标 | Claude Opus 4.8 Claude Opus 4.8 medium | GPT-5.3-Codex GPT-5.3-Codex medium |
|---|---|---|
| 分数 | 8.7 | 8.3 |
| 排名 | #12 | #17 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 9.6 | 8.4 |
| 测试正确 | ||
| 尝试通过率 | 83.3% | 81.7% |
| 不稳定测试 | 1 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 6.285 | 4.887 |
| 总成本 | $1.006 | $0.685 |
| 输入价格 | $5.000 / 1M | $1.750 / 1M |
| 输出价格 | $25.000 / 1M | $14.000 / 1M |
| 输出令牌 | 23,201 | 2,336 |
| 推理令牌 | 5,901 | 42,565 |
| 响应时间（平均） | 9.34s | 15.95s |
| 响应时间（最大） | 38.03s | 100.93s |
| 响应时间（总计） | 186.84s | 319.08s |
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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 3.95s | 1,179 | 478 | |
| GPT-5.3-Codex | 8.7 | 7.9 | 91.7% | 1 | 4.16s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 14.97s | 6,651 | 1,381 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 18.45s | 514 | 7,266 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 9.8 | 10.0 | 100.0% | 0 | 38.03s | 5,260 | 1,588 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 19.56s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 7.1 | 5.6 | 83.3% | 1 | 12.29s | 481 | 312 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 3.07s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 5.3 | 10.0 | 33.3% | 0 | 14.15s | 7,477 | 900 | |
| GPT-5.3-Codex | 5.9 | 7.2 | 55.6% | 1 | 64.31s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 2.46s | 237 | 0 | |
| GPT-5.3-Codex | 4.6 | 10.0 | 0.0% | 0 | 4.87s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 3.32s | 373 | 320 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 3.04s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 3.95s | 791 | 483 | |
| GPT-5.3-Codex | 9.0 | 7.9 | 88.9% | 1 | 5.05s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 10.0 | 10.0 | 100.0% | 0 | 8.96s | 301 | 225 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 6.37s | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Claude Opus 4.8 | 3.0 | 10.0 | 0.0% | 0 | 6.14s | 451 | 214 | |
| GPT-5.3-Codex | 2.8 | 1.6 | 33.3% | 1 | 14.43s | 30 | 1,701 |
快速对比
切换对比组合
Claude Opus 4.8mediumvsGemini 3 Flash PreviewlowClaude Opus 4.8mediumvsGemini 3.5 FlashnoneClaude Opus 4.8mediumvsGPT-5.5lowGemini 3 Flash PreviewlowvsGPT-5.3-CodexmediumGemini 3.5 FlashminimalvsGPT-5.3-CodexmediumGPT-5.3-CodexmediumvsQwen3.7 MaxnoneGemini 3.5 FlashnonevsGPT-5.3-CodexmediumClaude Opus 4.8mediumvsGemini 3.5 FlashlowGemini 3 Flash PreviewnonevsGPT-5.3-CodexmediumDeepSeek V4 Flashhigh免费可用vsGPT-5.3-CodexmediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.3-CodexmediumClaude Opus 4.8mediumvsGemini 3.5 Flashminimal