BenchLeader

Claude Opus 4.5 vs GPT-6.1 Sol

完整资料:Claude Opus 4.5(Anthropic)和 GPT-6.1 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Claude Opus 4.5(BenchLeader Index 66.6 比 59.7)。GPT-6.1 Sol 更便宜,对方的价格是它的 2.5 倍(每百万 token 混合价格 $4.00 比 $10.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 的 BenchLeader Index 为 59.7,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • Claude Opus 4.5 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • GPT-6.1 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 23 项基准测试中,GPT-6.1 Sol 领先 19 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.5 的评分为 1493,GPT-6.1 Sol 为 1743(LMArena,截至 2026年11月16日 的公布数据)。

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
编程GPT-6.1 Sol类别得分 71 比 61;Arena WebDev 1743 比 1493高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 53;LiveBench Agentic Coding 54.5% 比 39.7%高
数学GPT-6.1 Sol类别得分 72 比 65;Arena Maths 1499 比 1472中
推理GPT-6.1 Sol类别得分 71 比 67;Arena Hard Prompts 1505 比 1501中
知识GPT-6.1 Sol类别得分 72 比 60;LiveBench 1.0 Data Analysis 82.7% 比 74.4%高
对话质量(人类偏好)均可Arena 投票 66 比 67均可
成本最低GPT-6.1 Sol每百万 token 混合价格 $4.00 比 $10.00;智能体编程会话 $0.160 比 $0.400–
首次回答最快Claude Opus 4.5首个回答 token 1.1 秒(Claude Opus 4.5 (high))比 166.7 秒(GPT-6.1 Sol (max))–
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

  • 质量上 GPT-6.1 Sol (max) 领先:66.6 比 59.7。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、知识、数学、推理方面更强。
  • GPT-6.1 Sol (max) 更便宜,对方的价格是它的 2.5 倍(每百万 token 混合价格 $4.00 比 $10.00)。

概览

规格Claude Opus 4.5GPT-6.1 Sol
提供商AnthropicOpenAI
发布日期2025年11月24日2026年9月29日
上下文窗口(token)200,0001,050,000
对比时的配置Claude Opus 4.5 (high)GPT-6.1 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $25.00 / $0.500$2.00 / $10.00 / $0.100

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Claude Opus 4.5 (high)GPT-6.1 Sol (max)领先者
推理66.671.4GPT-6.1 Sol
编程60.671.1GPT-6.1 Sol
智能体与工具52.764.3GPT-6.1 Sol
数学65.371.6GPT-6.1 Sol
知识60.071.5GPT-6.1 Sol
人类偏好66.267.1持平
多模态–65.6无法比较
长上下文–66.2无法比较
综合–67.9无法比较

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推理编程智能体与工具数学知识人类偏好Claude Opus 4.5, 推理: 66.6Claude Opus 4.5, 编程: 60.6Claude Opus 4.5, 智能体与工具: 52.7Claude Opus 4.5, 数学: 65.3Claude Opus 4.5, 知识: 60.0Claude Opus 4.5, 人类偏好: 66.2GPT-6.1 Sol, 推理: 71.4GPT-6.1 Sol, 编程: 71.1GPT-6.1 Sol, 智能体与工具: 64.3GPT-6.1 Sol, 数学: 71.6GPT-6.1 Sol, 知识: 71.5GPT-6.1 Sol, 人类偏好: 67.1

未绘制(测得的模型少于两个):指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 23 项基准测试中,Claude Opus 4.5 领先 4 项,GPT-6.1 Sol 领先 19 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。

综合 IndexClaude Opus 4.5 (high)GPT-6.1 Sol (max)领先者
BenchLeader Index59.766.6GPT-6.1 Sol
Arena Text14741481GPT-6.1 Sol

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Claude Opus 4.5 (high)GPT-6.1 Sol (max)
每百万 token 混合价格$10.00$4.00
每百万 token 输入 / 输出$5.00 / $25.00$2.00 / $10.00
每百万 token 缓存输入$0.500$0.100
每项任务价格:聊天回复$0.0095$0.0038
每项任务价格:总结一份 30 页的报告$0.075$0.030
每项任务价格:代码编辑$0.068$0.027
每项任务价格:智能体编程会话$0.400$0.160
每项任务价格:结构化信息提取$0.015$0.0060
智能体编程会话(输入大多命中缓存)$0.198$0.074
每项基准测试任务成本(AA Index)–$1.27
每项任务输出 token(AA Index)–68k
其中推理部分–49k
每项任务耗时(AA Index)–23 min
输出速度40 tok/s50 tok/s
首次回答时间1.1 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)–429.6 秒

每个模型都按其排名最高的推理强度设置进行对比。Claude Opus 4.5 (high) 得分 59.7,首个回答 token 需 1 秒;Claude Opus 4.5 (thinking) 为 59.3(14 秒),Claude Opus 4.5 为 57.1(1 秒)。GPT-6.1 Sol (max) 得分 66.6,首个回答 token 需 167 秒;GPT-6.1 Sol (xhigh) 为 63.6(68 秒),GPT-6.1 Sol (high) 为 63.4(33 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 205 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Claude Opus 4.5 (high)GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader59.766.6
智能体与工具得分BenchLeader52.764.3
编程得分BenchLeader60.671.1
人类偏好得分BenchLeader66.267.1
知识得分BenchLeader60.071.5
数学得分BenchLeader65.371.6
推理得分BenchLeader66.671.4
综合得分BenchLeader–67.9
长上下文得分BenchLeader–66.2
多模态得分BenchLeader–65.6
混合价格(美元/百万 token)BenchLeader$10.00$4.00
输出速度BenchLeader40 tok/s50 tok/s
首次回答时间BenchLeader1.1 秒166.7 秒
上下文窗口BenchLeader200,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub86.0%†95.4%
Humanity's Last ExamScale AI / CAIS25.2%†–
SimpleBenchSimpleBench62.0%†82.9%†
Arena Hard PromptsArena (LMArena)15011505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench80.1%92.6%
GPQA Diamond (AA)Artificial Analysis86.6%†–
Humanity's Last Exam (AA)Artificial Analysis30.1%†52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI85.9%–
Kagi LLM BenchmarkKagi LLM Benchmark70.7%†–
ARC-AGI-1ARC Prize80.0%†96.5%
ARC-AGI-2ARC Prize37.6%†94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis4.6%†31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
SciPredictScale AI SEAL23.1%†–
Arena ExpertArena (LMArena)15031525
Chess PuzzlesEpoch AI Benchmarking Hub14.0%†68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub22.0%†80.0%
CL-benchEpoch AI Benchmarking Hub21.1%†–
LMCAEpoch AI Benchmarking Hub44.5%62.8%
DTBenchEpoch AI Benchmarking Hub89.9%96.5%
ForecastBenchForecastBench64.6%†–
显示全部 205 项基准测试
指标发布方Claude Opus 4.5 (high)GPT-6.1 Sol (max)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.7%†–
SciCodeSciCode–54.2%
WeirdMLWeirdML63.7%†–
FrontierCodeCognition–50.2%†
GSO-BenchGSO-Bench26.5%†–
Arena CodingArena (LMArena)15301540
Arena WebDevArena (LMArena)14931743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench79.7%80.4%
LiveCodeBenchVals AI83.7%–
IOIVals AI–96.9%
SWE-bench (Vals)Vals AI76.4%–
SWE-Bench ProScale AI SEAL45.9%†–
SWE-bench Verified (bash only)SWE-bench76.8%–
SWE-bench Multilingual (bash only)SWE-bench70.7%†–
SWE-bench Verified (any scaffold)SWE-bench79.2%†–
Code MigrationVals AI–65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI–3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI20.6%88.9%
SWE-Bench Pro (private)Scale AI SEAL23.4%†–
SWE Atlas v1.1Scale AI SEAL–65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%†
SWE-Bench Pro V2Scale AI SEAL–96.1%†
MirrorCodeEpoch AI Benchmarking Hub–61.1%
ALE-BenchEpoch AI Benchmarking Hub1025.4†2743.8
AlgoTuneAlgoTune1.8†–
WeirdML v3WeirdML6.5%38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–56.1%
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 247.1†84.9†
GameBench 2 by reasoning settingDuelLab GameBench 2–92.0†
Design Arena WebsiteDesign Arena1239†1315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
LiveCodeBench (AA)Artificial Analysis87.1%†–
智能体与工具
Terminal-BenchTerminal-Bench63.1%†60.9%
GDPvalOpenAI45.5%†–
CybenchCybench82.0%†–
Remote Labor IndexScale AI / CAIS3.8%†–
APEX-AgentsMercor–60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench39.7%54.5%
Terminal-Bench HardArtificial Analysis47.0%†–
τ²-Bench Telecom (AA)Artificial Analysis89.5%†–
MCP AtlasScale AI SEAL69.8%–
HiL-BenchScale AI SEAL–62.3%†
BFCL OverallBerkeley Function Calling Leaderboard77.5%†–
τ²-benchτ²-bench85.3%–
τ³-bench Bankingτ²-bench24.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis–1607
Analyst Agent (AA)Artificial Analysis–50.0%
CyberBenchVals AI–39.3%
Finance Agent v2Vals AI–52.0%
Finance Agent v2.1Vals AI–61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–6.3%
Harvey's Legal Agent Benchmark v1Vals AI–5.4%
Legal Research BenchVals AI–38.5%
Poker AgentVals AI1033.4%†–
Robo-benchVals AI–28.3%
SREBenchVals AI–50.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%–
Terminal-Bench 4.0 (Vals)Vals AI–55.0%
Terminal-Bench ScienceVals AI–52.9%
Arena SearchArena (LMArena)1186†1249
Arena Agent Task CompletionArena (LMArena)–11.7
BALROGBALROG43.0%†–
DeepResearch BenchDeepResearch Bench54.8%–
PostTrainBenchEpoch AI Benchmarking Hub–38.8%
METR Time HorizonsMETR75.0%†–
Vending-Bench 2Andon Labs4967.1†12860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis–64.9%
GDP.pdf (AA)Artificial Analysis–31.0%
Harvey LAB-AA v1.1Harvey–6.9%
AA-Briefcase v1.1Artificial Analysis–1555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena1156†1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–58.1%
MKA (AA)Artificial Analysis–47.7%
DeepSearchQAGoogle24.0%†–
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub34.4%†93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub4.9%†100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub86.1%†100.0%
ProofBenchVals AI36.0%†99.0%†
LiveBench MathematicsLiveBench90.4%96.8%
AIME (Vals)Vals AI76.9%†–
MGSMVals AI94.8%†–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)14721499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
AIME 2025 (AA)Artificial Analysis91.3%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.7%†73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench74.4%82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI87.3%–
LegalBenchVals AI84.6%–
CorpFinVals AI65.1%–
TaxEvalVals AI74.9%–
MedQAVals AI93.2%†–
PRBench FinanceScale AI SEAL46.2%†46.2%†
PRBench LegalScale AI SEAL44.2%†47.9%†
MultiNRCScale AI SEAL41.2%†–
BioMysteryBenchVals AI–79.6%
CaseLaw v2Vals AI62.6%†–
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI–70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI49.2%48.8%
MedScribeVals AI85.3%86.5%
Public Benefits Bench v1.1Vals AI–59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
EBR-benchEpoch AI Benchmarking Hub14.3%†54.3%
GDP.pdfEpoch AI Benchmarking Hub–35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
Global-MMLU-Lite (AA)Artificial Analysis91.3%†–
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench81.3%90.1%
LiveBench Instruction FollowingLiveBench62.5%74.2%
IFBenchArtificial Analysis58.0%†–
MultiChallengeScale AI SEAL59.0%†82.0%†
TutorBenchScale AI SEAL49.8%†–
Arena Instruction FollowingArena (LMArena)14831482
人类偏好
Arena TextArena (LMArena)14741481
EQ-Bench 4EQ-Bench–1272†
EQ-Bench Creative Writing v3EQ-Bench1686†–
Arena Creative WritingArena (LMArena)14691449
Arena Multi-turnArena (LMArena)14851486
Arena Longer QueriesArena (LMArena)14951488
多模态
Arena VisionArena (LMArena)–1286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis74.0%†86.0%
VISTAScale AI SEAL45.3%†–
MMMU-Pro (Vals)Vals AI83.0%–
MortgageTaxVals AI68.7%–
SAGEVals AI–90.5%
Humanity's Sixth SenseScale AI SEAL–46.6%
GeoBenchGeoBench75.0%†–
VPCTEpoch AI Benchmarking Hub40.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub–43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†80.0%
VIALS-AAHandshake AI–59.0%
Code2Video-AAArtificial Analysis–1369
AA-3DArtificial Analysis–1121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis77.3%†83.0%
Arena DocumentArena (LMArena)1468†–
MLCRArtificial Analysis–38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub151.9†168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench72.6%81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis29.1†51.8
AA Progress Index v1Artificial Analysis284.4†348.5
Vals IndexVals AI–63.9
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI14.8%26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
FORTRESSScale AI SEAL13.6%†–
MASKScale AI SEAL87.1%†–
DistressBenchScale AI SEAL–74.2%†
元数据
AA Openness IndexArtificial Analysis11.1†–

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

  • Claude Opus 4.5 (high):13 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • GPT-6.1 Sol (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…);1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Opus 4.5 vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 Claude Opus 4.5 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 59.7。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Opus 4.5 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 GPT-6.1 Sol 更便宜:每百万 token $4.00 比 $10.00(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。
编程用 Claude Opus 4.5 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Opus 4.5 为 1493,GPT-6.1 Sol 为 1743。
Claude Opus 4.5 和 GPT-6.1 Sol 哪个更快?
GPT-6.1 Sol 输出更快(输出 50 比 40 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.5 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 53,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Claude Opus 4.5 为 200,000 token。
哪个延迟更低?
Claude Opus 4.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.1 秒比 166.7 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Opus 4.5 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 23 项基准测试中,Claude Opus 4.5 领先 4 项,GPT-6.1 Sol 领先 19 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。
GPT-6.1 Sol 是什么时候发布的?
GPT-6.1 Sol 于 2026年9月29日 发布。