BenchLeader

Claude Opus 4.6 vs GPT-5.6 Sol

完整资料:Claude Opus 4.6(Anthropic)和 GPT-5.6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,质量上 GPT-5.6 Sol 领先 Claude Opus 4.6(BenchLeader Index 65.3 比 62.5)。GPT-5.6 Sol 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。在两者都有成绩的所有类别中,GPT-5.6 Sol 均领先。GPT-5.6 Sol 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,GPT-5.6 Sol 为 65.3(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)。
  • GPT-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 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 11 项基准测试中,GPT-5.6 Sol 领先 11 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
编程GPT-5.6 Sol类别得分 66 比 62;WeirdML 87.0% 比 78.0%中
数学GPT-5.6 Sol类别得分 70 比 63;LiveBench Mathematics 96.2% 比 89.3%中
推理均可类别得分 65 比 65;ARC-AGI-2 69.2% 比 92.5%均可
图像及其他媒体均可类别得分 67 比 66均可
对话质量(人类偏好)–只有 Claude Opus 4.6 有 Arena 评分(类别得分 70)无法比较
成本最低GPT-5.6 Sol每百万 token 混合价格 $8.00 比 $10.00;智能体编程会话 $0.320 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 33.5 秒(GPT-5.6 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-5.6 Sol (max) 领先:65.3 比 62.5。
  • Claude Opus 4.6 (high) 在多模态、推理方面更强。
  • GPT-5.6 Sol (max) 在编程、数学方面更强。
  • GPT-5.6 Sol (max) 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。
  • GPT-5.6 Sol (max) 的输出速度是对方的 2.9 倍(100 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-5.6 Sol
提供商AnthropicOpenAI
发布日期2026年2月5日2026年7月9日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.6 (high)GPT-5.6 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$4.00 / $20.00 / $0.400

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)GPT-5.6 Sol (max)领先者
推理65.064.7持平
编程62.265.8GPT-5.6 Sol
智能体与工具–67.5无法比较
数学63.470.0GPT-5.6 Sol
知识–63.8无法比较
指令遵循–71.2无法比较
人类偏好69.8–无法比较
多模态66.765.9持平
长上下文–66.7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: 66.7GPT-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 多模态: 65.9

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, 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 11 项基准测试中,Claude Opus 4.6 领先 0 项,GPT-5.6 Sol 领先 11 项。第三方来源看法不一:Claude Opus 4.6 在 Arena Text 上领先;GPT-5.6 Sol 在 BenchLeader Index 上领先。

综合 IndexClaude Opus 4.6 (high)GPT-5.6 Sol (max)领先者
BenchLeader Index62.565.3GPT-5.6 Sol
Arena Text15031485†Claude 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)GPT-5.6 Sol (max)
每百万 token 混合价格$10.00$8.00
每百万 token 输入 / 输出$5.00 / $25.00$4.00 / $20.00
每百万 token 缓存输入$0.500$0.400
每项任务价格:聊天回复$0.0095$0.0076
每项任务价格:总结一份 30 页的报告$0.075$0.060
每项任务价格:代码编辑$0.068$0.054
每项任务价格:智能体编程会话$0.400$0.320
每项任务价格:结构化信息提取$0.015$0.012
智能体编程会话(输入大多命中缓存)$0.198$0.158
输出速度35 tok/s100 tok/s
首次回答时间1.1 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–157.3 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)。GPT-5.6 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(10 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 182 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)GPT-5.6 Sol (max)
BenchLeader IndexBenchLeader62.565.3
编程得分BenchLeader62.265.8
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.470.0
多模态得分BenchLeader66.765.9
推理得分BenchLeader65.064.7
智能体与工具得分BenchLeader–67.5
指令遵循得分BenchLeader–71.2
知识得分BenchLeader–63.8
长上下文得分BenchLeader–66.7
混合价格(美元/百万 token)BenchLeader$10.00$8.00
输出速度BenchLeader35 tok/s100 tok/s
首次回答时间BenchLeader1.1 秒33.5 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†93.5%
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†64.8%†
Arena Hard PromptsArena (LMArena)15301511†
LiveBench 1.0 ReasoningLiveBench88.7%91.7%
GPQA Diamond (AA)Artificial Analysis84.0%†94.1%
Humanity's Last Exam (AA)Artificial Analysis19.1%†49.5%
GPQA Diamond (Vals)Vals AI89.7%†95.2%
EnigmaEvalScale AI SEAL–37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†67.0%†
ARC-AGI-1ARC Prize94.0%96.5%
ARC-AGI-2ARC Prize69.2%92.5%
ARC-AGI-3ARC Prize0.5%†7.8%
CritPtArtificial Analysis2.8%†32.3%
CritPt v2 hard subset (AA)Artificial Analysis–60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
Arena ExpertArena (LMArena)15441532†
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†58.0%
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†58.4%
DTBenchEpoch AI Benchmarking Hub91.2%†95.5%
ForecastBenchForecastBench63.1%†65.7%
显示全部 182 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-5.6 Sol (max)
推理
BTF-3Epoch AI Benchmarking Hub–13.7%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–57.1%
WeirdMLWeirdML78.0%87.0%
FrontierCodeCognition26.6%†47.5%†
GSO-BenchGSO-Bench41.2%76.5%†
Arena CodingArena (LMArena)15471533†
Arena WebDevArena (LMArena)15471615†
LiveBench 1.0 CodingLiveBench78.2%83.9%
LiveCodeBenchVals AI84.7%†82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI78.2%†96.2%
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–52.9%
ProgramBenchVals AI–1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI57.6%†80.5%
SWE-Bench Pro (private)Scale AI SEAL47.1%†–
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†46.0%†
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†–
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub33.3%†20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub–93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub996.5†2176.9
AlgoTuneAlgoTune1.5–
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis–39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 2–67.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–80.0†
Design Arena WebsiteDesign Arena1283†1319†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†38.5%
OSWorld-Verified 2.0OSWorld–27.3%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†51.4%†
Arena AgentArena (LMArena)–4.6†
LiveBench Agentic CodingLiveBench49.0%56.2%
Terminal-Bench HardArtificial Analysis48.5%†65.9%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†85.1%
Terminal-Bench 2.1 (Vals)Vals AI–85.8%
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†32.3%†
τ³-bench Bankingτ²-bench27.3%†46.9%†
GDPval-AA v2.1Artificial Analysis–1619
τ³-Banking (AA)Artificial Analysis–44.3%
ITBench SRE (AA)Artificial Analysis–56.2%
Analyst Agent (AA)Artificial Analysis–47.5%
APEX-Agents (AA)Artificial Analysis33.0%†–
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI–53.8%
Harvey's Legal Agent Benchmark v1Vals AI–2.5%
Legal Research BenchVals AI–48.1%
SkillsBenchVals AI–54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI–31.1%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–37.9%
Terminal-Bench ScienceVals AI–20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)1222†1255†
Arena Agent Task CompletionArena (LMArena)–2.3†
BALROGBALROG–60.0%
DeepResearch BenchDeepResearch Bench55.3%–
PostTrainBenchEpoch AI Benchmarking Hub–31.0%
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†52.6%†
Vending-Bench 2Andon Labs8017.6†9619.4†
AutomationBenchArtificial Analysis–60.1%
GDP.pdf (AA)Artificial Analysis–27.2%
EnterpriseOps-GymArtificial Analysis–42.9%
AA-Briefcase v1.1Artificial Analysis–1479
Design Arena AgenticDesign Arena1196†1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†100.0%
ProofBenchVals AI50.0%†83.0%
LiveBench MathematicsLiveBench89.3%96.2%
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)15161494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†69.7%
LiveBench 1.0 Data AnalysisLiveBench69.9%79.8%
MMLU-ProVals AI89.1%†89.1%
LegalBenchVals AI85.3%†87.0%
CorpFinVals AI67.0%†64.4%
TaxEvalVals AI76.0%†74.8%
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†50.5%
PRBench LegalScale AI SEAL52.3%†50.5%
MultiNRCScale AI SEAL48.3%†–
BioMysteryBenchVals AI–71.1%
CaseLaw v2Vals AI62.1%†–
Excel Modeling BenchmarkVals AI–72.3%
MedCodeVals AI49.1%†44.0%
MedScribeVals AI86.7%†85.2%
Public Benefits Bench v1.1Vals AI–66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL27.7%†56.5%
EBR-benchEpoch AI Benchmarking Hub12.7%†44.8%
GDP.pdfEpoch AI Benchmarking Hub–30.7%
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench83.3%87.7%
LiveBench Instruction FollowingLiveBench63.3%71.8%
IFBenchArtificial Analysis44.6%†72.7%
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)15111490†
人类偏好
Arena TextArena (LMArena)15031485†
EQ-Bench 4EQ-Bench1210†1236†
EQ-Bench Creative Writing v3EQ-Bench1810†1974†
Arena Creative WritingArena (LMArena)14991471†
Arena Multi-turnArena (LMArena)15171491†
Arena Longer QueriesArena (LMArena)15221498†
多模态
Arena VisionArena (LMArena)13161282†
MMMU-ProArtificial Analysis72.5%†83.4%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†88.8%
MortgageTaxVals AI68.5%†67.3%
Humanity's Sixth SenseScale AI SEAL–30.0%
VTBScale AI SEAL27.5%†–
GeoBenchGeoBench–73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis67.0%†84.0%
Arena DocumentArena (LMArena)14971487†
MLCRArtificial Analysis–30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†163.0†
LiveBench 1.0LiveBench74.5%81.0%
AA Intelligence Index v4.3.2Artificial Analysis26.4†47.0
AA Progress Index v1Artificial Analysis274.5†331.5
Vals RSI IndexVals AI–23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI–72.6%
安全与诚实
FORTRESSScale AI SEAL20.5%†20.1%†
MASKScale AI SEAL96.3%†–
DistressBenchScale AI SEAL–73.6%†

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):2 项新结果(AA Progress Index v1, CritPt v2 hard subset (AA))。
  • GPT-5.6 Sol (max):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.6 Sol (max):3 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index, Vals Science Index)。
  • GPT-5.6 Sol (max):1 项分数修订。

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 GPT-5.6 Sol:常见问题

GPT-5.6 Sol 比 Claude Opus 4.6 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 62.5。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-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
Claude Opus 4.6 和 GPT-5.6 Sol 哪个更便宜?价格会变吗?
目前 GPT-5.6 Sol 更便宜:每百万 token $8.00 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 4.6 还是 GPT-5.6 Sol 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 WeirdML 上,Claude Opus 4.6 为 78.0%,GPT-5.6 Sol 为 87.0%。
Claude Opus 4.6 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(约 2 倍;输出 100 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 1.1M token(Claude Opus 4.6 为 1,000,000,GPT-5.6 Sol 为 1,050,000)。
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 33.5 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 GPT-5.6 Sol 的看法一致吗?
在两者都有结果的 11 项基准测试中,Claude Opus 4.6 领先 0 项,GPT-5.6 Sol 领先 11 项。第三方来源看法不一:Claude Opus 4.6 在 Arena Text 上领先;GPT-5.6 Sol 在 BenchLeader Index 上领先。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。