AI BENCHY 对比

Anthropic: Claude Opus 4.8 vs OpenAI: GPT-5.6 Luna

摘要

Claude Opus 4.8 vs GPT-5.6 Luna (medium) benchmark 对比：GPT-5.6 Luna (medium) 平均分领先，为 7.6 vs 7.2。 GPT-5.6 Luna (medium) benchmark 成本更低，为 $0.258 vs $0.539。 Claude Opus 4.8 更快，为 3.48s vs 6.70s，通过率为 61.9% vs 63.5%。

推荐模型: GPT-5.6 Luna (medium) - 它在这里得分最高（7.6），同时成本比Claude Opus 4.8低约 2.1 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-09

指标	Claude Opus 4.8 Claude Opus 4.8 none 发布日期: 2026-05-28	GPT-5.6 Luna GPT-5.6 Luna medium 发布日期: 2026-07-09

指标	Claude Opus 4.8 Claude Opus 4.8 none 发布日期: 2026-05-28	GPT-5.6 Luna GPT-5.6 Luna medium 发布日期: 2026-07-09
分数	7.2	7.6
排名	#69	#54
可靠性	10.0	10.0
一致性	9.2	9.6
测试正确
尝试通过率	61.9%	63.5%
不稳定测试	2	1
总运行次数	63	63
每个结果成本	4.485	1.978
总成本	$0.539	$0.258
输入价格	$5.000 / 1M	$1.000 / 1M
输出价格	$25.000 / 1M	$6.000 / 1M
总输入令牌	67,104	35,699
输出令牌	8,107	2,148
推理令牌	0	34,740
响应时间（平均）	3.48s	6.70s
响应时间（最大）	17.73s	29.85s
响应时间（总计）	73.00s	140.62s

生成展示

Hamster playing table tennis

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

#69 Claude Opus 4.8

none

成本: $0.053
时间: 22.0s
令牌: 2,253 tok

#54 GPT-5.6 Luna

medium

成本: $0.014
时间: 14.6s
令牌: 2,362 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	6.5	10.0	50.0%	0		3.40s	834	1,472	0
GPT-5.6 Luna	8.3	10.0	75.0%	0		2.52s	606	160	987

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	5.5	10.0	33.3%	0		3.29s	10,590	1,332	0
GPT-5.6 Luna	5.4	7.2	44.4%	1		10.38s	7,302	564	9,928

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	9.5	10.0	100.0%	0		17.73s	29,658	3,259	0
GPT-5.6 Luna	10.0	10.0	100.0%	0		9.53s	12,500	375	1,354

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	7.3	5.8	83.3%	1		1.77s	10,503	308	0
GPT-5.6 Luna	10.0	10.0	100.0%	0		1.95s	7,140	234	324

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	7.2	44.4%	1		1.70s	975	61	0
GPT-5.6 Luna	5.3	10.0	33.3%	0		17.37s	723	68	16,531

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		3.48s	708	230	0
GPT-5.6 Luna	5.1	10.0	0.0%	0		4.34s	477	112	496

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	9.9	10.0	100.0%	0		1.37s	909	95	0
GPT-5.6 Luna	9.9	10.0	100.0%	0		2.38s	660	95	393

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	7.7	10.0	66.7%	0		2.74s	894	783	0
GPT-5.6 Luna	7.8	10.0	66.7%	0		4.04s	642	255	2,104

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		5.35s	11,775	355	0
GPT-5.6 Luna	10.0	10.0	100.0%	0		6.02s	5,454	256	244

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		3.41s	258	212	0
GPT-5.6 Luna	3.0	10.0	0.0%	0		6.64s	195	29	2,379

快速对比

切换对比组合