BenchLeader

Agnes 2.5 Pro Beta vs GPT-6 Sol

完整资料:Agnes 2.5 Pro Beta(Sapiens AI)和 GPT-6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,两者共同的基准测试太少,无法判断质量高下。Agnes 2.5 Pro Beta 更便宜,对方的价格是它的 27 倍(每百万 token 混合价格 $0.150 比 $4.00)。看重智能体与工具(64 比 59)选 Agnes 2.5 Pro Beta;看重多模态(61 比 58)选 GPT-6 Sol。

要点(截至 2026年11月16日)

  • Agnes 2.5 Pro Beta 每百万 token 混合价格为 $0.150(标价,2026年11月16日)。
  • GPT-6 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 7 项基准测试中,GPT-6 Sol 领先 7 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
智能体与工具调用Agnes 2.5 Pro Beta类别得分 64 比 59;GDPval-AA v2.1 1335 比 1514中
长文档均可类别得分 66 比 67;AA-LCR v1.1 83.0% 比 83.7%均可
图像及其他媒体GPT-6 Sol类别得分 61 比 58;MMMU-Pro 83.0% 比 75.4%中
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)无法比较
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 共同的基准测试太少,无法给出结论。
  • Agnes 2.5 Pro Beta 在智能体与工具方面更强。
  • GPT-6 Sol (max) 在长上下文、多模态方面更强。
  • Agnes 2.5 Pro Beta 更便宜,对方的价格是它的 27 倍(每百万 token 混合价格 $0.150 比 $4.00)。

概览

规格Agnes 2.5 Pro BetaGPT-6 Sol
提供商Sapiens AIOpenAI
发布日期2026年8月26日2026年9月22日
上下文窗口(token)1,000,0001,050,000
对比时的配置Agnes 2.5 Pro BetaGPT-6 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$2.00 / $10.00 / $0.200

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Agnes 2.5 Pro BetaGPT-6 Sol (max)领先者
推理–66.0无法比较
编程–66.3无法比较
智能体与工具64.458.8Agnes 2.5 Pro Beta
数学–68.0无法比较
知识–60.6无法比较
人类偏好–64.2无法比较
多模态57.760.6GPT-6 Sol
长上下文66.266.6持平

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75智能体与工具长上下文多模态Agnes 2.5 Pro Beta, 智能体与工具: 64.4Agnes 2.5 Pro Beta, 长上下文: 66.2Agnes 2.5 Pro Beta, 多模态: 57.7GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 长上下文: 66.6GPT-6 Sol, 多模态: 60.6

未绘制(测得的模型少于两个):推理, 编程, 数学, 知识, 指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 7 项基准测试中,Agnes 2.5 Pro Beta 领先 0 项,GPT-6 Sol 领先 7 项。

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Agnes 2.5 Pro BetaGPT-6 Sol (max)
每百万 token 混合价格–$4.00
每百万 token 输入 / 输出– / –$2.00 / $10.00
每百万 token 缓存输入–$0.200
每项任务价格:聊天回复–$0.0038
每项任务价格:总结一份 30 页的报告–$0.030
每项任务价格:代码编辑–$0.027
每项任务价格:智能体编程会话–$0.160
每项任务价格:结构化信息提取–$0.0060
智能体编程会话(输入大多命中缓存)–$0.079
每项基准测试任务成本(AA Index)–$2.47
每项任务输出 token(AA Index)–54k
其中推理部分–35k
每项任务耗时(AA Index)–7 min
输出速度–127 tok/s
首次回答时间–36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–143.8 秒

每个模型都按其排名最高的推理强度设置进行对比。Agnes 2.5 Pro Beta。GPT-6 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 120 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Agnes 2.5 Pro BetaGPT-6 Sol (max)
BenchLeader IndexBenchLeader–62.6
智能体与工具得分BenchLeader64.458.8
长上下文得分BenchLeader66.266.6
多模态得分BenchLeader57.760.6
编程得分BenchLeader–66.3
人类偏好得分BenchLeader–64.2
知识得分BenchLeader–60.6
数学得分BenchLeader–68.0
推理得分BenchLeader–66.0
混合价格(美元/百万 token)BenchLeader–$4.00
输出速度BenchLeader–127 tok/s
首次回答时间BenchLeader–36.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–94.3%
SimpleBenchSimpleBench–73.1%†
Arena Hard PromptsArena (LMArena)–1483
LiveBench 1.0 ReasoningLiveBench–88.7%
GPQA Diamond (AA)Artificial Analysis90.5%–
Humanity's Last Exam (AA)Artificial Analysis37.5%47.9%
HLE-Diamond (AA)Artificial Analysis–45.2%
ARC-AGI-1ARC Prize–95.5%
ARC-AGI-2ARC Prize–89.6%
ARC-AGI-3ARC Prize–23.0%
CritPtArtificial Analysis15.7%30.9%
CritPt v2 hard subset (AA)Artificial Analysis–66.5%
MysteryMechanismVals AI–30.2%
HLE-Diamond (Scale)Scale AI SEAL–33.8%†
Arena ExpertArena (LMArena)–1496
Chess PuzzlesEpoch AI Benchmarking Hub–56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–56.0%
LMCAEpoch AI Benchmarking Hub–59.1%
DTBenchEpoch AI Benchmarking Hub–97.3%
编程
SciCodeSciCode–57.6%
FrontierCodeCognition–49.3%
Arena CodingArena (LMArena)–1521
Arena WebDevArena (LMArena)–1673
LiveBench 1.0 CodingLiveBench–81.8%
SciCode (AA)Artificial Analysis48.8%57.6%
显示全部 120 项基准测试
指标发布方Agnes 2.5 Pro BetaGPT-6 Sol (max)
编程
IOIVals AI–82.6%
Code MigrationVals AI–57.2%
ProgramBenchVals AI–2.0%
Vibe Code Bench v1.1Vals AI–87.8%
MirrorCodeEpoch AI Benchmarking Hub–48.9%
ALE-BenchEpoch AI Benchmarking Hub–2462
WeirdML v3WeirdML–19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–43.9%
Terminal-Bench 2.1 (AA)Artificial Analysis69.7%–
GameBench 2 OverallDuelLab GameBench 2–73.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–79.4†
Design Arena WebsiteDesign Arena–1290†
FrontierCode 2.0 (AA)Artificial Analysis–35.6%
智能体与工具
Terminal-BenchTerminal-Bench–50.3%
APEX-AgentsMercor–54.3%
Arena AgentArena (LMArena)–6.9
LiveBench Agentic CodingLiveBench–52.9%
Terminal-Bench 2.1 (Vals)Vals AI–83.2%
GDPval-AA v2.1, normalised scoreArtificial Analysis41.5%–
GDPval-AA v2.1Artificial Analysis13351514
τ³-Banking (AA)Artificial Analysis35.7%–
ITBench SRE (AA)Artificial Analysis–49.4%
CyberBenchVals AI–78.0%
Finance Agent v2Vals AI–49.0%
Harvey's Legal Agent Benchmark v1Vals AI–1.7%
Legal Research BenchVals AI–28.9%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI–15.0%
Terminal-Bench 4.0 (Vals)Vals AI–44.4%
Terminal-Bench ScienceVals AI–30.0%
Arena SearchArena (LMArena)–1229
Arena Agent Task CompletionArena (LMArena)–4.5
Vending-Bench 2Andon Labs–14427.9†
SpireClimbEpoch AI Benchmarking Hub–9.2%
AutomationBenchArtificial Analysis–61.6%
GDP.pdf (AA)Artificial Analysis–25.2%
Harvey LAB-AA v1.1Harvey–3.6%
AA-Briefcase v1.1Artificial Analysis–1476
Design Arena AgenticDesign Arena–1218†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–30.0%
CWE-Bench (AA)Artificial Analysis–64.2%
DeepSec-Bench (AA)Artificial Analysis–46.3%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub–90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%
ProofBenchVals AI–83.0%†
LiveBench MathematicsLiveBench–96.4%
Arena MathsArena (LMArena)–1440
FrontierMath ErdősEpoch AI Benchmarking Hub–1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–60.7%
LiveBench 1.0 Data AnalysisLiveBench–81.2%
AA-Omniscience v1.1Artificial Analysis–21.4
PRBench LegalScale AI SEAL–38.6%†
BioMysteryBenchVals AI–74.8%
Excel Modeling BenchmarkVals AI–71.5%
MedCodeVals AI–47.1%
MedScribeVals AI–82.0%
Public Benefits Bench v1.1Vals AI–56.6%
Financial Coaching BenchVals AI–62.6%
EBR-benchEpoch AI Benchmarking Hub–53.3%
GDP.pdfEpoch AI Benchmarking Hub–26.4%
AA-Omniscience v1.1: accuracyArtificial Analysis–51.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–39.1%
HealthBench Professional (AA)OpenAI–62.3%
FACTS ParametricGoogle–76.1%†
指令遵循
LiveBench LanguageLiveBench–85.3%
LiveBench Instruction FollowingLiveBench–68.6%
Arena Instruction FollowingArena (LMArena)–1449
人类偏好
Arena TextArena (LMArena)–1457
EQ-Bench Creative Writing v3EQ-Bench–2126†
Arena Creative WritingArena (LMArena)–1428
Arena Multi-turnArena (LMArena)–1468
Arena Longer QueriesArena (LMArena)–1466
多模态
Arena VisionArena (LMArena)–1233
MMMU-ProArtificial Analysis75.4%83.0%
Humanity's Sixth SenseScale AI SEAL–31.2%
Blueprint-Bench 2Epoch AI Benchmarking Hub–36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub–58.3%
AA-3DArtificial Analysis–1131
FACTS MultimodalGoogle–43.9%†
长上下文
AA-LCR v1.1Artificial Analysis83.0%83.7%
MLCRArtificial Analysis–33.9%
FACTS GroundingGoogle–83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–163.8†
LiveBench 1.0LiveBench–79.3%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis35.247.6
AA Progress Index v1Artificial Analysis299.1334
Vals RSI IndexVals AI–28.1%
Vals Science IndexVals AI–45.0%
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL–13.5%†
DistressBenchScale AI SEAL–68.0%†

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • GPT-6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):6 项新结果(AA Intelligence Index v5.0.1, AA-Omniscience v1.1, CritPt v2 hard subset (AA)…)。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):BenchLeader Index 64.1 → 63.5。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Agnes 2.5 Pro Beta vs GPT-6 Sol:常见问题

Agnes 2.5 Pro Beta 和 GPT-6 Sol 哪个更便宜?价格会变吗?
目前 Agnes 2.5 Pro Beta 更便宜:每百万 token $0.150 比 $4.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
智能体和工具调用用 Agnes 2.5 Pro Beta 还是 GPT-6 Sol 更好?
Agnes 2.5 Pro Beta 在智能体任务方面得分更高(类别得分 64 比 59,50 为平均水平)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 67)。两者都约为 1.1M token(Agnes 2.5 Pro Beta 为 1,000,000,GPT-6 Sol 为 1,050,000)。
第三方基准测试对 Agnes 2.5 Pro Beta 和 GPT-6 Sol 的看法一致吗?
在两者都有结果的 7 项基准测试中,Agnes 2.5 Pro Beta 领先 0 项,GPT-6 Sol 领先 7 项。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。