BenchLeader

Claude Opus 4.6 vs Gemini 3.7 Flash

完整资料:Claude Opus 4.6(Anthropic)和 Gemini 3.7 Flash(Google),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,Claude Opus 4.6 与 Gemini 3.7 Flash 的质量不相上下(BenchLeader Index 62.5 比 62.1,在 ±4.3 的误差范围内)。Gemini 3.7 Flash 更便宜,对方的价格是它的 6.7 倍(每百万 token 混合价格 $1.50 比 $10.00)。看重人类偏好(70 比 68)选 Claude Opus 4.6;看重推理(68 比 65)选 Gemini 3.7 Flash。Claude Opus 4.6 的首次回答更快(1.1 秒 比 2.2 秒)。Gemini 3.7 Flash 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 4.6 的 BenchLeader Index 为 62.5,Gemini 3.7 Flash 为 62.1(BenchLeader,2026年11月16日)。
  • Claude Opus 4.6 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • Gemini 3.7 Flash 每百万 token 混合价格为 $1.50(标价,2026年11月16日)。
  • Gemini 3.7 Flash 比 Claude Opus 4.6 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 21 项基准测试中,Claude Opus 4.6 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.6 的评分为 1547,Gemini 3.7 Flash 为 1588(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
编程均可类别得分 62 比 62;Arena WebDev 1547 比 1588均可
数学均可类别得分 63 比 63;Arena Maths 1516 比 1502均可
推理Gemini 3.7 Flash类别得分 68 比 65;ARC-AGI-2 84.6% 比 69.2%中
图像及其他媒体均可类别得分 67 比 67;Arena Vision 1316 比 1313均可
对话质量(人类偏好)Claude Opus 4.6Arena 投票 70 比 68中
成本最低Gemini 3.7 Flash每百万 token 混合价格 $1.50 比 $10.00;智能体编程会话 $0.060 比 $0.400–
首次回答最快Claude Opus 4.6首个回答 token 1.1 秒(Claude Opus 4.6 (high))比 2.2 秒(Gemini 3.7 Flash (high))–
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

  • Claude Opus 4.6 (high) 与 Gemini 3.7 Flash (high) 的质量不相上下(62.5 比 62.1,在 ±4.3 的误差范围内)。
  • Claude Opus 4.6 (high) 在人类偏好、数学方面更强。
  • Gemini 3.7 Flash (high) 在编程、多模态、推理方面更强。
  • Gemini 3.7 Flash (high) 更便宜,对方的价格是它的 6.7 倍(每百万 token 混合价格 $1.50 比 $10.00)。
  • Gemini 3.7 Flash (high) 的输出速度是对方的 2.7 倍(95 比 35 token/秒)。

概览

规格Claude Opus 4.6Gemini 3.7 Flash
提供商AnthropicGoogle
发布日期2026年2月5日2026年8月13日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Opus 4.6 (high)Gemini 3.7 Flash (high)
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$0.750 / $3.75 / $0.075

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 4.6 (high)Gemini 3.7 Flash (high)领先者
推理65.067.8Gemini 3.7 Flash
编程62.262.3持平
智能体与工具–48.9无法比较
数学63.462.6持平
知识–65.9无法比较
人类偏好69.868.1Claude Opus 4.6
多模态66.767.2持平
长上下文–65.5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推理编程数学多模态人类偏好Claude Opus 4.6, 推理: 65.0Claude Opus 4.6, 编程: 62.2Claude Opus 4.6, 数学: 63.4Claude Opus 4.6, 多模态: 66.7Claude Opus 4.6, 人类偏好: 69.8Gemini 3.7 Flash, 推理: 67.8Gemini 3.7 Flash, 编程: 62.3Gemini 3.7 Flash, 数学: 62.6Gemini 3.7 Flash, 多模态: 67.2Gemini 3.7 Flash, 人类偏好: 68.1

未绘制(测得的模型少于两个):智能体与工具, 知识, 指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 21 项基准测试中,Claude Opus 4.6 领先 12 项,Gemini 3.7 Flash 领先 9 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。

综合 IndexClaude Opus 4.6 (high)Gemini 3.7 Flash (high)领先者
BenchLeader Index62.562.1不相上下
Arena Text15031489Claude Opus 4.6

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 4.6 (high)Gemini 3.7 Flash (high)
每百万 token 混合价格$10.00$1.50
每百万 token 输入 / 输出$5.00 / $25.00$0.750 / $3.75
每百万 token 缓存输入$0.500$0.075
每项任务价格:聊天回复$0.0095$0.0014
每项任务价格:总结一份 30 页的报告$0.075$0.011
每项任务价格:代码编辑$0.068$0.010
每项任务价格:智能体编程会话$0.400$0.060
每项任务价格:结构化信息提取$0.015$0.0023
智能体编程会话(输入大多命中缓存)$0.198$0.030
输出速度35 tok/s95 tok/s
首次回答时间1.1 秒2.2 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 4.6 (high) 得分 62.5,首个回答 token 需 1 秒;Claude Opus 4.6 为 62.1(1 秒),Claude Opus 4.6 (无推理) 为 58.4(2 秒)。Gemini 3.7 Flash (high) 得分 62.1,首个回答 token 需 2 秒;Gemini 3.7 Flash (medium) 为 60.1(2 秒),Gemini 3.7 Flash (low) 为 57.3(2 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 148 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 4.6 (high)Gemini 3.7 Flash (high)
BenchLeader IndexBenchLeader62.562.1
编程得分BenchLeader62.262.3
人类偏好得分BenchLeader69.868.1
数学得分BenchLeader63.462.6
多模态得分BenchLeader66.767.2
推理得分BenchLeader65.067.8
智能体与工具得分BenchLeader–48.9
知识得分BenchLeader–65.9
长上下文得分BenchLeader–65.5
混合价格(美元/百万 token)BenchLeader$10.00$1.50
输出速度BenchLeader35 tok/s95 tok/s
首次回答时间BenchLeader1.1 秒2.2 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†94.8%
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†–
Arena Hard PromptsArena (LMArena)15301510
LiveBench 1.0 ReasoningLiveBench88.7%87.8%
GPQA Diamond (AA)Artificial Analysis84.0%†94.5%
Humanity's Last Exam (AA)Artificial Analysis19.1%†47.9%
GPQA Diamond (Vals)Vals AI89.7%†93.9%
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†–
ARC-AGI-1ARC Prize94.0%95.5%
ARC-AGI-2ARC Prize69.2%84.6%
ARC-AGI-3ARC Prize0.5%†–
CritPtArtificial Analysis2.8%†14.3%
Arena ExpertArena (LMArena)15441519
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†66.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†37.0%
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†50.4%
DTBenchEpoch AI Benchmarking Hub91.2%†96.8%
ForecastBenchForecastBench63.1%†66.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–57.2%
WeirdMLWeirdML78.0%–
FrontierCodeCognition26.6%†43.6%†
显示全部 148 项基准测试
指标发布方Claude Opus 4.6 (high)Gemini 3.7 Flash (high)
编程
GSO-BenchGSO-Bench41.2%–
Arena CodingArena (LMArena)15471520
Arena WebDevArena (LMArena)15471588
LiveBench 1.0 CodingLiveBench78.2%78.9%
LiveCodeBenchVals AI84.7%†88.7%
IOIVals AI–67.8%
SWE-bench (Vals)Vals AI78.2%†80.8%
SWE-Bench ProScale AI SEAL51.9%†–
SWE-bench Verified (bash only)SWE-bench75.6%†–
SWE-bench Multilingual (bash only)SWE-bench72.0%†–
SWE-bench Verified (any scaffold)SWE-bench75.6%†–
Code MigrationVals AI–34.8%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI57.6%†70.4%
SWE-Bench Pro (private)Scale AI SEAL47.1%†–
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†–
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†–
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†–
MirrorCodeEpoch AI Benchmarking Hub33.3%†41.1%
DeepSWE v1.1Epoch AI Benchmarking Hub–65.3%
ALE-BenchEpoch AI Benchmarking Hub996.5†904.3
AlgoTuneAlgoTune1.5–
FrontierSWEEpoch AI Benchmarking Hub–20.3%
Terminal-Bench 4.0 (AA)Artificial Analysis–13.6%
Terminal-Bench 2.1 (AA)Artificial Analysis–85.8%
Design Arena WebsiteDesign Arena1283†1295†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†12.4%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†5.0%†
APEX-AgentsMercor46.3%†67.8%†
Arena AgentArena (LMArena)–-2.2
LiveBench Agentic CodingLiveBench49.0%58.3%
Terminal-Bench HardArtificial Analysis48.5%†–
τ²-Bench Telecom (AA)Artificial Analysis84.8%†–
Terminal-Bench 2.1 (Vals)Vals AI–77.5%
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†–
τ³-bench Bankingτ²-bench27.3%†–
GDPval-AA v2.1Artificial Analysis–1404
τ³-Banking (AA)Artificial Analysis–32.8%
Analyst Agent (AA)Artificial Analysis–60.0%
APEX-Agents (AA)Artificial Analysis33.0%†–
CyberBenchVals AI–43.8%
Finance Agent v2Vals AI–59.0%
Harvey's Legal Agent Benchmark v1Vals AI–8.8%
Legal Research BenchVals AI–34.6%
SkillsBenchVals AI–65.9%
SREBenchVals AI–4.6%
Tax Agent BenchVals AI–22.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–12.1%
Terminal-Bench ScienceVals AI–7.1%
Arena SearchArena (LMArena)1222†–
Arena Agent Task CompletionArena (LMArena)–-3.5
DeepResearch BenchDeepResearch Bench55.3%–
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†–
AutomationBenchArtificial Analysis–62.0%
GDP.pdf (AA)Artificial Analysis–23.6%
EnterpriseOps-GymArtificial Analysis–50.4%†
AA-Briefcase v1.1Artificial Analysis–1115
Design Arena AgenticDesign Arena1196†1222†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†71.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†36.6%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†97.2%
ProofBenchVals AI50.0%†58.0%†
LiveBench MathematicsLiveBench89.3%93.5%
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)15161502
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†69.2%
LiveBench 1.0 Data AnalysisLiveBench69.9%68.0%
MMLU-ProVals AI89.1%†90.1%
LegalBenchVals AI85.3%†87.3%
CorpFinVals AI67.0%†–
TaxEvalVals AI76.0%†74.7%
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†–
PRBench LegalScale AI SEAL52.3%†–
MultiNRCScale AI SEAL48.3%†–
CaseLaw v2Vals AI62.1%†–
Excel Modeling BenchmarkVals AI–71.3%
MedCodeVals AI49.1%†53.4%
MedScribeVals AI86.7%†83.9%
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†–
GDP.pdfEpoch AI Benchmarking Hub–23.8%
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
指令遵循
LiveBench LanguageLiveBench83.3%85.5%
LiveBench Instruction FollowingLiveBench63.3%79.9%
IFBenchArtificial Analysis44.6%†–
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)15111486
人类偏好
Arena TextArena (LMArena)15031489
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†1720†
Arena Creative WritingArena (LMArena)14991487
Arena Multi-turnArena (LMArena)15171490
Arena Longer QueriesArena (LMArena)15221501
多模态
Arena VisionArena (LMArena)13161313
MMMU-ProArtificial Analysis72.5%†85.5%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†89.0%
MortgageTaxVals AI68.5%†66.7%
Humanity's Sixth SenseScale AI SEAL–39.8%
VTBScale AI SEAL27.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†26.7%
长上下文
AA-LCR v1.1Artificial Analysis67.0%†81.7%
Arena DocumentArena (LMArena)14971468
MLCRArtificial Analysis–12.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†158.4†
LiveBench 1.0LiveBench74.5%78.8%
AA Intelligence Index v4.3.2Artificial Analysis26.4†39.1
AA Progress Index v1Artificial Analysis274.5†317.4
Vals RSI IndexVals AI–18.3%
安全与诚实
FORTRESSScale AI SEAL20.5%†–
MASKScale AI SEAL96.3%†–
DistressBenchScale AI SEAL–69.0%†

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。

变化

  • Gemini 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。
  • Gemini 3.7 Flash (high):1 项新结果(AA Progress Index v1)。
  • Gemini 3.7 Flash (high):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • Gemini 3.7 Flash (high):输入价格 $0.38/M → $0.75/M;输出价格 $1.88/M → $3.75/M。
  • Gemini 3.7 Flash (high):1 项分数修订;输入价格 $0.75/M → $0.38/M;输出价格 $3.75/M → $1.88/M。

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

Claude Opus 4.6 vs Gemini 3.7 Flash:常见问题

Claude Opus 4.6 比 Gemini 3.7 Flash 更好吗?
Claude Opus 4.6 (high) 与 Gemini 3.7 Flash (high) 的质量不相上下(62.5 比 62.1,在 ±4.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Claude Opus 4.6 和 Gemini 3.7 Flash 哪个更便宜?价格会变吗?
目前 Gemini 3.7 Flash 更便宜:每百万 token $1.50 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 4.6 还是 Gemini 3.7 Flash 更好?
两者在编程方面持平(类别得分 62 比 62)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Opus 4.6 为 1547,Gemini 3.7 Flash 为 1588。
Claude Opus 4.6 和 Gemini 3.7 Flash 哪个更快?
Gemini 3.7 Flash 输出更快(约 2 倍;输出 95 比 35 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
两者都约为 1M token(Claude Opus 4.6 为 1,000,000,Gemini 3.7 Flash 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Claude Opus 4.6 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 2.2 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 4.6 和 Gemini 3.7 Flash 的看法一致吗?
在两者都有结果的 21 项基准测试中,Claude Opus 4.6 领先 12 项,Gemini 3.7 Flash 领先 9 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
Gemini 3.7 Flash 是什么时候发布的?
Gemini 3.7 Flash 于 2026年8月13日 发布。