已对比模型

排名: #29
总输出令牌: 88,670
响应时间（平均）: 23.10s
总成本: $1.533

排名: #18
总输出令牌: 55,525
响应时间（平均）: 16.96s
总成本: $0.920

排名: #33
总输出令牌: 54,782
响应时间（平均）: 22.62s
总成本: $0.951

推荐模型 GPT-5.3-Codex (medium)

它在本次比较中得分最高（8.9），并且在全部 3 个模型中兼顾成本和响应时间最好。

详细对比

指标	GPT-5.4 GPT-5.4 medium 发布日期: 2026-03-05	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05	GPT-5.2 GPT-5.2 medium 发布日期: 2025-12-11

指标	GPT-5.4 GPT-5.4 medium 发布日期: 2026-03-05	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05	GPT-5.2 GPT-5.2 medium 发布日期: 2025-12-11
分数	8.5	8.9	8.4
排名	#29	#18	#33
可靠性	10.0	10.0	10.0
一致性	8.6	8.6	8.5
基准测试覆盖率	22/22 项测试 · 66/66 次尝试	22/22 项测试 · 66/66 次尝试	22/22 项测试 · 66/66 次尝试
测试正确
尝试通过率	77.3%	83.3%	72.7%
不稳定测试	4	4	4
总运行次数	66	66	66
每个结果成本	10.220	5.748	6.791
总成本	$1.533	$0.920	$0.951
输入价格	$2.500 / 1M	$1.750 / 1M	$1.750 / 1M
输出价格	$15.000 / 1M	$14.000 / 1M	$14.000 / 1M
总输入令牌	81,127	81,268	105,004
输出令牌	6,155	6,251	9,914
推理令牌	82,515	49,274	44,868
响应时间（平均）	23.10s	16.96s	22.62s
响应时间（最大）	100.41s	100.93s	102.93s
响应时间（总计）	508.26s	373.19s	339.28s

模型生成展示

Hamster playing table tennis

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

#29 GPT-5.4

medium

成本: $0.214
时间: 199.6s
令牌: 14,349 tok

#18 GPT-5.3-Codex

medium

成本: $0.049
时间: 54.9s
令牌: 3,580 tok

#33 GPT-5.2

medium

成本: $0.047
时间: 49.2s
令牌: 3,396 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

类别:

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
GPT-5.4	8.3	10.0	75.0%	0		4.11s	606	240	1,511
GPT-5.3-Codex	8.7	7.9	91.7%	1		4.16s	606	240	1,722
GPT-5.2	6.5	8.0	58.3%	1		7.81s	606	567	2,002

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
GPT-5.4	8.8	7.8	88.9%	1		44.36s	7,305	433	24,216
GPT-5.3-Codex	10.0	10.0	100.0%	0		19.50s	7,302	535	10,890
GPT-5.2	10.0	10.0	100.0%	0		22.73s	7,302	511	11,912

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
GPT-5.4	10.0	10.0	100.0%	0		29.77s	58,038	4,214	13,351
GPT-5.3-Codex	10.0	10.0	100.0%	0		26.04s	57,988	4,258	5,816
GPT-5.2	10.0	10.0	100.0%	0		58.50s	82,056	7,304	14,693

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
GPT-5.4	10.0	10.0	100.0%	0		5.32s	7,140	234	804
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.07s	7,140	234	728
GPT-5.2	10.0	10.0	100.0%	0		3.15s	7,140	234	420

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
GPT-5.4	5.3	7.2	44.4%	1		74.27s	619	61	34,748
GPT-5.3-Codex	5.9	7.2	55.6%	1		64.31s	813	64	25,308
GPT-5.2	5.9	7.2	55.6%	1		77.80s	473	42	10,342

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
GPT-5.4	4.7	3.1	33.3%	1		4.92s	477	145	321
GPT-5.3-Codex	4.6	10.0	0.0%	0		4.87s	477	187	331
GPT-5.2	3.7	9.7	0.0%	0		4.32s	477	162	269

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
GPT-5.4	10.0	10.0	100.0%	0		3.11s	660	93	897
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.04s	660	93	693
GPT-5.2	9.9	10.0	100.0%	0		3.12s	660	94	614

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
GPT-5.4	8.2	7.2	88.9%	1		9.14s	642	441	3,815
GPT-5.3-Codex	9.0	7.9	88.9%	1		5.05s	642	356	1,593
GPT-5.2	7.5	7.3	77.8%	1		5.80s	642	735	924

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
GPT-5.4	10.0	10.0	100.0%	0		13.28s	5,445	264	1,031
GPT-5.3-Codex	10.0	10.0	100.0%	0		6.37s	5,445	254	492
GPT-5.2	4.7	1.6	66.7%	1		10.30s	5,453	239	469

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
GPT-5.4	3.0	10.0	0.0%	0		13.95s	195	30	1,821
GPT-5.3-Codex	2.8	1.6	33.3%	1		14.43s	195	30	1,701
GPT-5.2	3.0	10.0	0.0%	0		28.18s	195	26	3,223

快速对比

切换对比组合

GPT-5.3-CodexmediumvsGrok 4.5high GPT-5.2mediumvsGrok 4.5low Gemini 3.5 FlashlowvsGPT-5.3-Codexmedium GPT-5.2mediumvsInkling Smallhigh Muse Spark 1.2lowvsGPT-5.2medium Claude Opus 5lowvsGPT-5.4medium Muse Spark 1.2lowvsGPT-5.4medium GPT-5.4mediumvsGrok 4.5low Muse Spark 1.1lowvsGPT-5.2medium GPT-5.4mediumvsInkling Smallhigh GPT-5.4mediumvsQwen3.8 Maxlow Muse Spark 1.2highvsGPT-5.3-Codexmedium