BenchLeader

Claude Opus 4.6 vs Grok 4.6

完整资料:Claude Opus 4.6(Anthropic)和 Grok 4.6(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,Claude Opus 4.6 与 Grok 4.6 的质量不相上下(BenchLeader Index 62.5 比 60.6,在 ±4.2 的误差范围内)。Grok 4.6 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.00 比 $10.00)。在两者都有成绩的所有类别中,Claude Opus 4.6 均领先。Grok 4.6 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,Grok 4.6 为 60.6(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)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Grok 4.6 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 14 项基准测试中,Claude Opus 4.6 领先 13 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.6 的评分为 1547,Grok 4.6 为 1618(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Claude Opus 4.6类别得分 62 比 61;WeirdML 78.0% 比 67.3%中
数学均可类别得分 63 比 63;Arena Maths 1516 比 1445均可
推理Claude Opus 4.6类别得分 65 比 64;ARC-AGI-2 69.2% 比 65.1%中
图像及其他媒体Claude Opus 4.6类别得分 67 比 60;Arena Vision 1316 比 1264中
对话质量(人类偏好)Claude Opus 4.6Arena 投票 70 比 64中
成本最低Grok 4.6每百万 token 混合价格 $3.00 比 $10.00;智能体编程会话 $0.144 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 28.6 秒(Grok 4.6 (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 Grok 4.6 (high) 的质量不相上下(62.5 比 60.6,在 ±4.2 的误差范围内)。
  • Claude Opus 4.6 (high) 在编程、人类偏好、多模态、推理方面更强。
  • Grok 4.6 (high) 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.00 比 $10.00)。
  • Grok 4.6 (high) 的输出速度是对方的 2.1 倍(73 比 35 token/秒)。

概览

规格Claude Opus 4.6Grok 4.6
提供商AnthropicSpaceXAI
发布日期2026年2月5日2026年8月11日
上下文窗口(token)1,000,000500,000
对比时的配置Claude Opus 4.6 (high)Grok 4.6 (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$2.00 / $6.00 / $0.500

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)Grok 4.6 (high)领先者
推理65.063.5Claude Opus 4.6
编程62.261.1Claude Opus 4.6
智能体与工具–59.2无法比较
数学63.463.4持平
知识–59.5无法比较
人类偏好69.864.1Claude Opus 4.6
多模态66.760.0Claude Opus 4.6
长上下文–64.8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: 69.8Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 数学: 63.4Grok 4.6, 多模态: 60.0Grok 4.6, 人类偏好: 64.1

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 14 项基准测试中,Claude Opus 4.6 领先 13 项,Grok 4.6 领先 1 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)Grok 4.6 (high)领先者
BenchLeader Index62.560.6不相上下
Arena Text15031457Claude 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)Grok 4.6 (high)
每百万 token 混合价格$10.00$3.00
每百万 token 输入 / 输出$5.00 / $25.00$2.00 / $6.00
每百万 token 缓存输入$0.500$0.500
每项任务价格:聊天回复$0.0095$0.0026
每项任务价格:总结一份 30 页的报告$0.075$0.028
每项任务价格:代码编辑$0.068$0.021
每项任务价格:智能体编程会话$0.400$0.144
每项任务价格:结构化信息提取$0.015$0.0052
智能体编程会话(输入大多命中缓存)$0.198$0.076
输出速度35 tok/s73 tok/s
首次回答时间1.1 秒28.6 秒
完整回答耗时(最近一次测量 2026年11月13日)–62.7 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)。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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 178 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)Grok 4.6 (high)
BenchLeader IndexBenchLeader62.560.6
编程得分BenchLeader62.261.1
人类偏好得分BenchLeader69.864.1
数学得分BenchLeader63.463.4
多模态得分BenchLeader66.760.0
推理得分BenchLeader65.063.5
智能体与工具得分BenchLeader–59.2
知识得分BenchLeader–59.5
长上下文得分BenchLeader–64.8
混合价格(美元/百万 token)BenchLeader$10.00$3.00
输出速度BenchLeader35 tok/s73 tok/s
首次回答时间BenchLeader1.1 秒28.6 秒
上下文窗口BenchLeader1,000,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†94.0%
Humanity's Last ExamScale AI / CAIS19.0%†–
SimpleBenchSimpleBench67.6%†75.9%†
Arena Hard PromptsArena (LMArena)15301481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench88.7%90.5%†
GPQA Diamond (AA)Artificial Analysis84.0%†95.0%
Humanity's Last Exam (AA)Artificial Analysis19.1%†42.9%
HLE-Diamond (AA)Artificial Analysis–21.5%†
GPQA Diamond (Vals)Vals AI89.7%†94.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†–
ARC-AGI-1ARC Prize94.0%87.0%
ARC-AGI-2ARC Prize69.2%65.1%
ARC-AGI-3ARC Prize0.5%†2.1%†
CritPtArtificial Analysis2.8%†17.1%
CritPt v2 hard subset (AA)Artificial Analysis–40.0%†
MysteryMechanismVals AI–30.6%
Arena ExpertArena (LMArena)15441496
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†34.0%†
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†48.5%†
DTBenchEpoch AI Benchmarking Hub91.2%†97.3%†
ForecastBenchForecastBench63.1%†65.4%†
显示全部 178 项基准测试
指标发布方Claude Opus 4.6 (high)Grok 4.6 (high)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–56.5%
WeirdMLWeirdML78.0%67.3%
FrontierCodeCognition26.6%†48.0%†
GSO-BenchGSO-Bench41.2%–
Arena CodingArena (LMArena)15471508
Arena WebDevArena (LMArena)15471618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench78.2%76.8%†
LiveCodeBenchVals AI84.7%†88.2%
IOIVals AI–47.6%
SWE-bench (Vals)Vals AI78.2%†95.6%
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–44.6%
ProgramBenchVals AI–1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI57.6%†76.2%
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–65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub996.5†1508.1†
AlgoTuneAlgoTune1.5–
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 2–59.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–68.7†
Design Arena WebsiteDesign Arena1283†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
智能体与工具
Terminal-BenchTerminal-Bench79.8%†19.7%
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†65.3%†
Arena AgentArena (LMArena)–-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench49.0%57.0%†
Terminal-Bench HardArtificial Analysis48.5%†–
τ²-Bench Telecom (AA)Artificial Analysis84.8%†–
Terminal-Bench 2.1 (Vals)Vals AI–78.3%
MCP AtlasScale AI SEAL76.8%†–
HiL-BenchScale AI SEAL38.3%†–
τ³-bench Bankingτ²-bench27.3%†–
GDPval-AA v2.1Artificial Analysis–1627
τ³-Banking (AA)Artificial Analysis–50.7%
Analyst Agent (AA)Artificial Analysis–41.3%
APEX-Agents (AA)Artificial Analysis33.0%†–
CyberBenchVals AI–67.7%
Finance Agent v2Vals AI–53.7%
Harvey's Legal Agent Benchmark v1Vals AI–15.8%
Legal Research BenchVals AI–48.1%
SkillsBenchVals AI–55.8%
Tax Agent BenchVals AI–33.7%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%
Terminal-Bench ScienceVals AI–11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1222†–
Arena Agent Task CompletionArena (LMArena)–-2.6†
DeepResearch BenchDeepResearch Bench55.3%–
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†9047.0†
AutomationBenchArtificial Analysis–66.7%
GDP.pdf (AA)Artificial Analysis–17.0%
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis–1526
Design Arena AgenticDesign Arena1196†1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
FACTS SearchGoogle–87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†97.8%
ProofBenchVals AI50.0%†51.0%†
LiveBench MathematicsLiveBench89.3%92.6%†
AIME (Vals)Vals AI95.6%†–
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)15161445
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench69.9%73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI89.1%†89.4%
LegalBenchVals AI85.3%†86.3%
CorpFinVals AI67.0%†66.2%
TaxEvalVals AI76.0%†71.1%
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†–
PRBench LegalScale AI SEAL52.3%†–
MultiNRCScale AI SEAL48.3%†–
BioMysteryBenchVals AI–72.2%
CaseLaw v2Vals AI62.1%†–
Excel Modeling BenchmarkVals AI–62.7%
MedCodeVals AI49.1%†44.7%
MedScribeVals AI86.7%†86.5%
Public Benefits Bench v1.1Vals AI–66.8%
Access to Justice BenchmarkVals AI–71.3%
Immigration BenchVals AI–66.0%
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†30.5%†
GDP.pdfEpoch AI Benchmarking Hub–16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
FACTS ParametricGoogle–44.5%†
指令遵循
LiveBench LanguageLiveBench83.3%83.7%†
LiveBench Instruction FollowingLiveBench63.3%71.9%†
IFBenchArtificial Analysis44.6%†–
MultiChallengeScale AI SEAL56.0%†–
TutorBenchScale AI SEAL53.5%†–
Arena Instruction FollowingArena (LMArena)15111451
人类偏好
Arena TextArena (LMArena)15031457
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†–
Arena Creative WritingArena (LMArena)14991442
Arena Multi-turnArena (LMArena)15171449
Arena Longer QueriesArena (LMArena)15221476
多模态
Arena VisionArena (LMArena)13161264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis72.5%†–
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†–
MortgageTaxVals AI68.5%†64.2%
VTBScale AI SEAL27.5%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†40.0%†
FACTS MultimodalGoogle–39.3%†
长上下文
AA-LCR v1.1Artificial Analysis67.0%†80.3%
Arena DocumentArena (LMArena)14971450
MLCRArtificial Analysis–15.6%
FACTS GroundingGoogle–66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench74.5%78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis26.4†44.3
AA Progress Index v1Artificial Analysis274.5†321.5
Vals RSI IndexVals AI–25.5%†
Vals Science IndexVals AI–38.1%
安全与诚实
FORTRESSScale AI SEAL20.5%†–
MASKScale AI SEAL96.3%†–

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

  • Grok 4.6 (high):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • Grok 4.6 (high):2 项分数修订。
  • Grok 4.6 (high):1 项分数修订。
  • Grok 4.6 (high):1 项新结果(AA Progress Index v1)。
  • Grok 4.6 (high):BenchLeader Index 61.4 → 60.9。
  • Grok 4.6 (high):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals Science Index)。
  • Grok 4.6 (high):1 项分数修订。
  • Claude Opus 4.6 (high):1 项新结果(USAMO 2026)。

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 Grok 4.6:常见问题

Claude Opus 4.6 比 Grok 4.6 更好吗?
Claude Opus 4.6 (high) 与 Grok 4.6 (high) 的质量不相上下(62.5 比 60.6,在 ±4.2 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 Grok 4.6 哪个更便宜?价格会变吗?
目前 Grok 4.6 更便宜:每百万 token $3.00 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 Grok 4.6 更好?
Claude Opus 4.6 在编程方面得分更高(类别得分 62 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 4.6 为 1547,Grok 4.6 为 1618。
Claude Opus 4.6 和 Grok 4.6 哪个更快?
Grok 4.6 输出更快(约 2 倍;输出 73 比 35 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
Claude Opus 4.6 支持更长的上下文:1,000,000 token,Grok 4.6 为 500,000 token。
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 28.6 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 Grok 4.6 的看法一致吗?
在两者都有结果的 14 项基准测试中,Claude Opus 4.6 领先 13 项,Grok 4.6 领先 1 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
Grok 4.6 是什么时候发布的?
Grok 4.6 于 2026年8月11日 发布。