GPT-5 评测详情
GPT-5 当前已收录的代表性评测结果包括 Aider-Polyglot（1 / 59，得分 88）、Fiction.liveBench（1 / 16，得分 97.20）、AIME2025（9 / 106，得分 99.60）。本页还提供与 2 个竞品模型及 3 个前代或同系列模型的对比，在有数据时会展示性能和价格视图。并附有 1 个数据来源链接供参考。
评测结果
GPT-5
评测结果
综合评估
共 12 项评测评测名称 / 模式
得分
排名/总数
科学与综合推理
共 4 项评测评测名称 / 模式
得分
排名/总数
编程与软件工程
共 6 项评测评测名称 / 模式
得分
排名/总数
数学推理
共 15 项评测评测名称 / 模式
得分
排名/总数
Agent能力评测
共 8 项评测评测名称 / 模式
得分
排名/总数
竞品对比
GPT-5 与同类主流模型的评测得分对比
评测类别:
柱状图按当前筛选范围内每个模型在各评测中的最高分展示；百分制评测使用原始高度，超出 0-100 的评测按该评测内相对比例缩放，标签仍保留原始分数。
12 项可对比评测得分汇总。每个模型展示最佳得分，模式在分数下方标注。
| 评测项 | GPT-5当前 | Claude Opus 4 | Gemini 2.5-Pro |
|---|---|---|---|
ARC-AGI-1 综合评估 | 65.70思考水平·高 | 35.70常规模式 | 37.00开启思考 |
ARC-AGI-2 综合评估 | 9.90思考水平·高 | 8.60常规模式 | 4.90开启思考 |
HLE 综合评估 | 35.20开启思考 ｜ 工具 | 10.70常规模式 | 21.60开启思考 |
GPQA Diamond 科学与综合推理 | 87.30开启思考 ｜ 工具 | 79.60常规模式 | 86.40开启思考 |
CodeClash 编程与软件工程 | 1360.00常规模式 ｜ 工具 | -- | 1125.00常规模式 ｜ 工具 |
GSO 编程与软件工程 | 6.90思考水平·高 ｜ 工具 | -- | 3.92常规模式 ｜ 工具 |
SWE-bench Verified 编程与软件工程 | 72.80思考水平·高 | 72.50常规模式 | 67.20开启思考 |
AIME2025 数学推理 | 99.60开启思考 ｜ 工具 | 75.50常规模式 | 88.00开启思考 |
FrontierMath 数学推理 | 26.30思考水平·高 ｜ 工具 | 4.50常规模式 | 11.00常规模式 |
12.50思考水平·高 | 4.2032K | 2.10常规模式 | |
IMO 2024 数学推理 | 11.00开启思考 | -- | 19.00开启思考 |
IMO 2025 数学推理 | 29.00开启思考 | -- | 15.20开启思考 |
其余 14 个 benchmark 仍可在上方图表中查看。
GPT-5 与同类模型的标准 API 价格对比
按模型并排展示标准文本输入价与输出价；若存在超长上下文加价，仅保留阈值内标准价，并在下方说明适用范围。
数据来源：DataLearnerAI，展示默认供应商的标准文本价格。 · USD / 1M tokens
若存在上下文阈值，图中标准价仅适用于以下范围：
Gemini 2.5-Pro: 标准价适用于 <= 200000
| 模型 | 供应商 | 标准输入 | 标准输出 | 标准价适用于 |
|---|---|---|---|---|
GPT-5 | OpenAI | $1.25 / 1M tokens | $10 / 1M tokens | — |
Claude Opus 4 | Anthropic | $15 / 1M tokens | $75 / 1M tokens | — |
Gemini 2.5-Pro | Google Deep Mind | $1.25 / 1M tokens | $10 / 1M tokens | <= 200000 |
历代版本对比
GPT-5 系列各版本的评测成绩纵向对比
评测类别:
柱状图按当前筛选范围内每个模型在各评测中的最高分展示；百分制评测使用原始高度，超出 0-100 的评测按该评测内相对比例缩放，标签仍保留原始分数。
12 项可对比评测得分汇总。每个模型展示最佳得分，模式在分数下方标注。· 点击任意行可切换下方趋势图。
| 评测项 | GPT-5当前 | GPT-4.5 | GPT-4.1 | GPT-4o(2025-03-27) |
|---|---|---|---|---|
ARC-AGI-1 综合评估 | 65.70思考水平·高 | -- | -- | 8.80常规模式 |
HLE 综合评估 | 35.20开启思考 ｜ 工具 | -- | 3.70常规模式 | -- |
GPQA Diamond 科学与综合推理 | 87.30开启思考 ｜ 工具 | 71.40常规模式 | 66.30常规模式 | 66.90常规模式 |
SWE-bench Verified 编程与软件工程 | 72.80思考水平·高 | 38.00常规模式 | 54.60常规模式 | -- |
WeirdML v2 编程与软件工程 | 60.70思考水平·高 ｜ 工具 | -- | 39.04常规模式 ｜ 工具 | -- |
AIME2025 数学推理 | 99.60开启思考 ｜ 工具 | -- | 36.70常规模式 | 26.70常规模式 |
FrontierMath 数学推理 | 26.30思考水平·高 ｜ 工具 | -- | 5.50常规模式 | -- |
Creative Writing 写作和创作 | 1623.40常规模式 | 1255.00常规模式 | 1417.00常规模式 | 1502.00常规模式 |
GeoBench ACW 多模态理解 | 81.00思考水平·中 | -- | 72.00常规模式 | -- |
SimpleBench 常识推理 | 56.70思考水平·高 | 34.50常规模式 | 27.00常规模式 | -- |
Aider-Polyglot Agent能力评测 | 88.00思考水平·高 | 44.90常规模式 | 52.40常规模式 | 45.30常规模式 |
τ²-Bench Agent能力评测 | 80.00开启思考 ｜ 工具 | -- | 54.70常规模式 ｜ 工具 | -- |
其余 1 个 benchmark 仍可在上方图表中查看。
单评测历史趋势图
当前查看：ARC-AGI-1 · 综合评估
选择评测
GPT-5 所在系列的标准 API 价格对比
按模型并排展示标准文本输入价与输出价；若存在超长上下文加价，仅保留阈值内标准价，并在下方说明适用范围。
数据来源：DataLearnerAI，展示默认供应商的标准文本价格。 · USD / 1M tokens
| 模型 | 供应商 | 标准输入 | 标准输出 | 标准价适用于 |
|---|---|---|---|---|
GPT-5 | OpenAI | $1.25 / 1M tokens | $10 / 1M tokens | — |
GPT-4.1 | Microsoft Azure | $2 / 1M tokens | $8 / 1M tokens | — |
GPT-4o(2025-03-27) | OpenAI | $2.5 / 1M tokens | $10 / 1M tokens | — |