BenchLeader

Claude Opus 4.6 vs GPT-6.1 Terra

完整资料:Claude Opus 4.6(Anthropic)和 GPT-6.1 Terra(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,Claude Opus 4.6 与 GPT-6.1 Terra 的质量不相上下(BenchLeader Index 62.5 比 64.1,在 ±3.2 的误差范围内)。GPT-6.1 Terra 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $2.00 比 $10.00)。在两者都有成绩的所有类别中,GPT-6.1 Terra 均领先。GPT-6.1 Terra 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-6.1 Terra 为 64.1(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)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • GPT-6.1 Terra 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 1 项基准测试中,GPT-6.1 Terra 领先 1 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.6 的评分为 1547,GPT-6.1 Terra 为 1678(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 Terra类别得分 69 比 62;Arena WebDev 1678 比 1547中
数学GPT-6.1 Terra类别得分 72 比 63高
推理GPT-6.1 Terra类别得分 68 比 65中
图像及其他媒体均可类别得分 67 比 67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-6.1 Terra每百万 token 混合价格 $2.00 比 $10.00;智能体编程会话 $0.080 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 150.9 秒(GPT-6.1 Terra (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

  • Claude Opus 4.6 (high) 与 GPT-6.1 Terra (max) 的质量不相上下(62.5 比 64.1,在 ±3.2 的误差范围内)。
  • GPT-6.1 Terra (max) 在编程、数学、多模态、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $2.00 比 $10.00)。
  • GPT-6.1 Terra (max) 的输出速度是对方的 2.1 倍(72 比 35 token/秒)。

概览

规格Claude Opus 4.6GPT-6.1 Terra
提供商AnthropicOpenAI
发布日期2026年2月5日2026年10月26日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.6 (high)GPT-6.1 Terra (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$1.00 / $5.00 / $0.050

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-6.1 Terra (max)领先者
推理65.068.4GPT-6.1 Terra
编程62.269.3GPT-6.1 Terra
智能体与工具–63.4无法比较
数学63.471.7GPT-6.1 Terra
知识–61.4无法比较
人类偏好69.8–无法比较
多模态66.767.2持平
长上下文–66.0无法比较
综合–65.0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-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 多模态: 67.2

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 1 项基准测试中,Claude Opus 4.6 领先 0 项,GPT-6.1 Terra 领先 1 项。

综合 IndexClaude Opus 4.6 (high)GPT-6.1 Terra (max)领先者
BenchLeader Index62.564.1不相上下

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-6.1 Terra (max)
每百万 token 混合价格$10.00$2.00
每百万 token 输入 / 输出$5.00 / $25.00$1.00 / $5.00
每百万 token 缓存输入$0.500$0.050
每项任务价格:聊天回复$0.0095$0.0019
每项任务价格:总结一份 30 页的报告$0.075$0.015
每项任务价格:代码编辑$0.068$0.013
每项任务价格:智能体编程会话$0.400$0.080
每项任务价格:结构化信息提取$0.015$0.0030
智能体编程会话(输入大多命中缓存)$0.198$0.037
每项基准测试任务成本(AA Index)–$0.961
每项任务输出 token(AA Index)–60k
其中推理部分–39k
每项任务耗时(AA Index)–14 min
输出速度35 tok/s72 tok/s
首次回答时间1.1 秒150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–375.7 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-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(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 168 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-6.1 Terra (max)
BenchLeader IndexBenchLeader62.564.1
编程得分BenchLeader62.269.3
人类偏好得分BenchLeader69.8–
数学得分BenchLeader63.471.7
多模态得分BenchLeader66.767.2
推理得分BenchLeader65.068.4
智能体与工具得分BenchLeader–63.4
综合得分BenchLeader–65.0
知识得分BenchLeader–61.4
长上下文得分BenchLeader–66.0
混合价格(美元/百万 token)BenchLeader$10.00$2.00
输出速度BenchLeader35 tok/s72 tok/s
首次回答时间BenchLeader1.1 秒150.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†94.3%
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†72.2%†
Arena Hard PromptsArena (LMArena)1530–
LiveBench 2.0 ReasoningLiveBench–88.7%
LiveBench 1.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis84.0%†–
Humanity's Last Exam (AA)Artificial Analysis19.1%†46.3%
HLE-Diamond (AA)Artificial Analysis–47.3%
GPQA Diamond (Vals)Vals AI89.7%†–
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†–
ARC-AGI-1ARC Prize94.0%–
ARC-AGI-2ARC Prize69.2%–
ARC-AGI-3ARC Prize0.5%†–
CritPtArtificial Analysis2.8%†28.0%
CritPt v2 hard subset (AA)Artificial Analysis–68.0%
HLE-Diamond (Scale)Scale AI SEAL–35.7%†
Arena ExpertArena (LMArena)1544–
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†74.0%
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†–
DTBenchEpoch AI Benchmarking Hub91.2%†–
ForecastBenchForecastBench63.1%†–
显示全部 168 项基准测试
指标发布方Claude Opus 4.6 (high)GPT-6.1 Terra (max)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–55.1%
WeirdMLWeirdML78.0%–
FrontierCodeCognition26.6%†–
GSO-BenchGSO-Bench41.2%–
Arena CodingArena (LMArena)1547–
Arena WebDevArena (LMArena)15471678
LiveBench 2.0 CodingLiveBench–89.2%
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI84.7%†–
SWE-bench (Vals)Vals AI78.2%†–
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%†–
Vibe Code Bench v1.1Vals AI57.6%†84.0%
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%†–
SWE Atlas v1.1Scale AI SEAL–57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL–55.7%†
MirrorCodeEpoch AI Benchmarking Hub33.3%†76.7%
ALE-BenchEpoch AI Benchmarking Hub996.5†2608.8
AlgoTuneAlgoTune1.5–
WeirdML v3WeirdML–28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis–55.6%
GameBench 2 OverallDuelLab GameBench 2–81.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–85.8†
Design Arena WebsiteDesign Arena1283†1286†
FrontierCode 1.1 (AA)Artificial Analysis–36.0%
FrontierCode 2.0 (AA)Artificial Analysis–42.3%
智能体与工具
Terminal-BenchTerminal-Bench79.8%†53.3%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†68.3%
Arena AgentArena (LMArena)–12
LiveBench Long AgenticLiveBench–56.2%
LiveBench BrowserLiveBench–93.1%
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis48.5%†–
τ²-Bench Telecom (AA)Artificial Analysis84.8%†–
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†68.0%†
τ³-bench Bankingτ²-bench27.3%†–
GDPval-AA v2.1Artificial Analysis–1476
APEX-Agents (AA)Artificial Analysis33.0%†–
Finance Agent v2.1Vals AI–56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–1.7%
Legal Research BenchVals AI–26.0%
Tax Agent BenchVals AI–17.1%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%
Arena SearchArena (LMArena)1222†–
Arena Agent Task CompletionArena (LMArena)–9.7
DeepResearch BenchDeepResearch Bench55.3%–
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†9107.5†
SpireClimbEpoch AI Benchmarking Hub–22.3%
AutomationBenchArtificial Analysis–60.2%
GDP.pdf (AA)Artificial Analysis–28.6%
AA-Briefcase v1.1Artificial Analysis–1401
GDPxGDPx by SemiAnalysis–8.5%
Design Arena AgenticDesign Arena1196†1192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–57.6%
MKA (AA)Artificial Analysis–43.8%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†100.0%
ProofBenchVals AI50.0%†–
LiveBench MathematicsLiveBench89.3%–
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)1516–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†57.3%
LiveBench 2.0 Data AnalysisLiveBench–82.3%
LiveBench ResearchLiveBench–79.1%
LiveBench 1.0 Data AnalysisLiveBench69.9%–
AA-Omniscience v1.1Artificial Analysis–29.6
MMLU-ProVals AI89.1%†–
LegalBenchVals AI85.3%†–
CorpFinVals AI67.0%†–
TaxEvalVals AI76.0%†–
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†–
PRBench LegalScale AI SEAL52.3%†–
MultiNRCScale AI SEAL48.3%†–
CaseLaw v2Vals AI62.1%†–
Excel Modeling Benchmark v1.1Vals AI–73.3%
MedCodeVals AI49.1%†–
MedScribeVals AI86.7%†–
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†78.1%
AA-Omniscience v1.1: accuracyArtificial Analysis–47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
FACTS ParametricGoogle–70.8%†
指令遵循
LiveBench LanguageLiveBench83.3%–
LiveBench Instruction FollowingLiveBench63.3%–
IFBenchArtificial Analysis44.6%†–
MultiChallengeScale AI SEAL56.0%†74.2%†
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)1511–
人类偏好
Arena TextArena (LMArena)1503–
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†–
Arena Creative WritingArena (LMArena)1499–
Arena Multi-turnArena (LMArena)1517–
Arena Longer QueriesArena (LMArena)1522–
多模态
Arena VisionArena (LMArena)1316–
LiveBench DesignLiveBench–79.7%
MMMU-ProArtificial Analysis72.5%†84.7%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†–
MortgageTaxVals AI68.5%†–
VTBScale AI SEAL27.5%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub–42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†79.2%
VIALS-AAHandshake AI–60.3%
FACTS MultimodalGoogle–48.8%†
长上下文
AA-LCR v1.1Artificial Analysis67.0%†82.7%
Arena DocumentArena (LMArena)1497–
MLCRArtificial Analysis–30.6%
FACTS GroundingGoogle–84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†167.7†
LiveBench 2.0LiveBench–78.8%
LiveBench 1.0LiveBench74.5%–
AA Intelligence Index v5.0.1Artificial Analysis–51.3
AA Intelligence Index v4.3.2Artificial Analysis26.4†48.1
AA Progress Index v1Artificial Analysis274.5†345.2
Vals IndexVals AI–60.5
Vals Finance IndexVals AI–53.3%
Vals Legal IndexVals AI–58.8%
安全与诚实
FORTRESSScale AI SEAL20.5%†18.2%†
MASKScale AI SEAL96.3%†–
DistressBenchScale AI SEAL–65.9%†

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-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (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 4.6 vs GPT-6.1 Terra:常见问题

Claude Opus 4.6 比 GPT-6.1 Terra 更好吗?
Claude Opus 4.6 (high) 与 GPT-6.1 Terra (max) 的质量不相上下(62.5 比 64.1,在 ±3.2 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 GPT-6.1 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 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-6.1 Terra 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 62,50 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 4.6 为 1547,GPT-6.1 Terra 为 1678。
Claude Opus 4.6 和 GPT-6.1 Terra 哪个更快?
GPT-6.1 Terra 输出更快(约 2 倍;输出 72 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-6.1 Terra 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 150.9 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-6.1 Terra 的看法一致吗?
在两者都有结果的 1 项基准测试中,Claude Opus 4.6 领先 0 项,GPT-6.1 Terra 领先 1 项。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。