导航
AI BENCHY
Advertise here

AI BENCHY 对比

已对比模型

摘要

GPT-5.4 vs GPT-5.3-Codex vs GPT-5.2 基准对比GPT-5.3-Codex 在分数上以 8.9 领先。 GPT-5.4 在可靠性上以 10.0 领先。 GPT-5.2 的总成本最低，为 $0.548。 GPT-5.3-Codex 最快，为 16.22s。

推荐模型: GPT-5.2 - 它的得分接近这里的最高分（8.4 vs 8.9），同时成本比本次比较中的其他模型低约 1.8 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-18

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 #17 #10 #22
可靠性 10.0 10.0 10.0
一致性 8.6 8.5 8.4
测试正确
尝试通过率 76.2% 82.5% 71.4%
不稳定测试 4 4 4
总运行次数 63 63 63
每个结果成本 8.640 4.932 4.209
总成本 $1.210 $0.740 $0.548
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 34,108 34,299 33,967
输出令牌 2,242 2,357 2,901
推理令牌 72,707 46,189 31,932
响应时间（平均） 22.35s 16.22s 16.88s
响应时间（最大） 100.41s 100.93s 77.80s
响应时间（总计） 469.29s 340.67s 236.34s

生成展示

Hamster playing table tennis

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

#17 GPT-5.4

medium
成本
$0.214
时间
199.6s
令牌
14,349 tok

#10 GPT-5.3-Codex

medium
成本
$0.049
时间
54.9s
令牌
3,580 tok

#22 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

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 20.57s 11,019 301 3,543
GPT-5.3-Codex 10.0 10.0 100.0% 0 19.56s 11,019 364 2,731
GPT-5.2 10.0 10.0 100.0% 0 14.06s 11,019 291 1,757
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

DeepSeek V4 FlashhighvsGPT-5.2mediumDeepSeek V4 FlashhighvsGPT-5.4mediumGemini 3.5 FlashlowvsGPT-5.3-CodexmediumDeepSeek V4 FlashhighvsGPT-5.3-CodexmediumGPT-5.2mediumvsStep 3.7 FlashlowGemini 3.5 FlashlowvsGPT-5.4mediumDeepSeek V4 ProhighvsGPT-5.2mediumGPT-5.4mediumvsStep 3.7 FlashlowGemini 3.5 FlashlowvsGPT-5.2mediumGemini 3.5 FlashhighvsGPT-5.3-CodexmediumDeepSeek V4 ProhighvsGPT-5.4mediumGemini 3 Flash PreviewlowvsGPT-5.2medium