openai模型性能对比
模型性能对比（以 GPT-5.1 为基准）
先说明一点:这些模型分属 OpenAI 不同的发布节奏——通用对话线(GPT-5.1→5.2→5.4→5.5→5.6)、编程专用线(Codex 5.1→5.2→5.3)、以及轻量线(mini/nano)。命名体系在 GPT-5.6 之后也变了(从"数字+版本"变成"数字+代号Sol/Terra/Luna"),所以放在一起比有点像"苹果和梨"的对比,我尽量按 Artificial Analysis Intelligence Index(AA 智能指数)这类第三方跑分给出相对位置。
总体排名(强→弱,相对 GPT-5.1 而言)
| 排名 | 模型 | 相对 GPT-5.1 | 说明 |
|---|---|---|---|
| 1 | GPT-5.6 Sol | 显著更强 | 旗舰中的旗舰,AA 指数最高约 56-59(视推理强度),编程代理指数(Coding Agent Index)达到 80 分,比 Claude Fable 5 高 2.8 分,同时消耗更少 token、成本更低 |
| 2 | GPT-5.6 Terra | 明显更强 | 定位"均衡默认款",性能与 GPT-5.5 相当,但价格便宜一半 |
| 3 | GPT-5.5 | 明显更强 | 目前是 Codex 默认指向的主力模型,SWE-bench Verified 约 88.7% |
| 4 | GPT-5.4 | 更强 | 发布时智能指数与 Gemini 3.1 Pro 并列第一(57分),但比 5.5/5.6 已落后 |
| 5 | Codex 5.3 | 更强(编程方向) | 相比前代 Codex 有质变,git、数据分析等综合工程能力明显提升,风格更接近 Claude;已于近期被 GPT-5.5 取代/弃用 |
| 6 | GPT-5.6 Luna | 更强(小模型档) | 家族里最便宜最快的一档,但在效率对比中仍能以约1/16成本跑赢 Claude Fable 5 |
| 7 | GPT-5.4 mini | 略强~持平 | 小杯版 GPT-5.4,继承了同代提升,常规任务可比肩甚至优于 GPT-5.1 满血版 |
| 8 | Codex 5.2 | 与 GPT-5.1 相近 | 2026年1月发布,专为软件工程打造,支持上下文压缩和400K上下文窗口 |
| 9 | Codex 5.1 max | 与 GPT-5.1 相近 | 面向可持续24小时以上的智能体编程任务,推理深度更高但底座仍是 5.1 代 |
| — | GPT-5.1(基准) | — | AA 智能指数约39分,在同价位模型中处于中上水平 |
| 10 | Codex 5.1 mini | 略弱 | 轻量版,面向低延迟/低成本的编程小任务 |
| 11 | GPT-5.4 nano | 弱于 GPT-5.1 | 面向高并发、低成本 API 场景,牺牲推理深度换速度和价格 |
| 12 | GPT-5 mini | 弱于 GPT-5.1 | 上一代小模型,整体能力低于 GPT-5.1 满血版 |
几个关键结论
1. 时间线上基本是单调递增的
GPT-5.1 → 5.2 → 5.4 → 5.5 → 5.6(Sol/Terra/Luna)代表主线性能的持续提升,每一代旗舰都比上一代强,只是提升幅度有大有小——比如 GPT-5.4 是第一次没能在指数上明显超越对手,只是打平。
2. "mini/nano"不代表比老一代旗舰弱
新一代的小模型往往能追平甚至反超上一代旗舰,这是典型的"以效率换代际提升"现象——GPT-5.6 Terra 和 Luna 都能以远低于 Sol 的成本跑赢 Claude Fable 5,说明蒸馏/小模型的性价比曲线在快速改善。
3. Codex 系列是"专精编程"分支,不是通用对话分支
Codex 5.1/5.2/5.3 一直专注在软件工程、长时程智能体编程和网络安全能力上,Codex 5.3 是首个在网络安全能力评估中被判定为"高"风险等级的模型。到 2026 年年中,OpenAI 已经不再单独维护 Codex 专用模型,而是让 Codex 直接调用通用款 GPT-5.5,说明专用编程分支和主线在逐渐合并。
4. 数据不确定性提示
Codex 5.1 max/mini、GPT-5.4 mini/nano 这几个型号的官方跑分我没能查到逐一对应的精确分数(它们常常只在具体推理强度档位下被测,如 medium/high/xhigh),上表里它们的相对位置是基于同代产品线的一般规律(旗舰>mini>nano)做出的合理推断,不是逐项验证过的硬数字。