BenchLeader

Claude Opus 4.8 vs GPT-6.1 Sol

完整资料:Claude Opus 4.8(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 15 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Claude Opus 4.8(BenchLeader Index 66.6 比 61.1)。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。Claude Opus 4.8 输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • Claude Opus 4.8 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)。
  • Claude Opus 4.8 比 GPT-6.1 Sol 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 53 项基准测试中,GPT-6.1 Sol 领先 44 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-6.1 Sol类别得分 71 比 62;SciCode 54.2% 比 53.5%高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 57;Terminal-Bench 60.9% 比 23.6%中
数学GPT-6.1 Sol类别得分 72 比 68;FrontierMath Tiers 1–3 93.7% 比 80.0%中
推理GPT-6.1 Sol类别得分 71 比 64;GPQA Diamond 95.4% 比 91.0%中
知识GPT-6.1 Sol类别得分 72 比 61;SimpleQA Verified 73.9% 比 53.0%高
长文档GPT-6.1 Sol类别得分 66 比 63;AA-LCR v1.1 83.0% 比 77.7%中
对话质量(人类偏好)–只有 GPT-6.1 Sol 有 Arena 评分(类别得分 67)无法比较
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 4.8首个回答 token 39.1 秒(Claude Opus 4.8 (max))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 61.1。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、知识、长上下文、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)。
  • Claude Opus 4.8 (max) 的输出速度是对方的 1.7 倍(85 比 50 token/秒)。

概览

规格Claude Opus 4.8GPT-6.1 Sol
提供商AnthropicOpenAI
发布日期2026年5月28日2026年9月29日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Opus 4.8 (max)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 4.8 (max)GPT-6.1 Sol (max)领先者
推理64.171.4GPT-6.1 Sol
编程61.971.1GPT-6.1 Sol
智能体与工具56.964.3GPT-6.1 Sol
数学67.771.6GPT-6.1 Sol
知识61.071.5GPT-6.1 Sol
指令遵循62.1–无法比较
人类偏好–67.1无法比较
多模态–65.6无法比较
长上下文63.466.2GPT-6.1 Sol
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长上下文Claude Opus 4.8, 推理: 64.1Claude Opus 4.8, 编程: 61.9Claude Opus 4.8, 智能体与工具: 56.9Claude Opus 4.8, 数学: 67.7Claude Opus 4.8, 知识: 61.0Claude Opus 4.8, 长上下文: 63.4GPT-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, 长上下文: 66.2

未绘制(测得的模型少于两个):指令遵循, 多模态, 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 53 项基准测试中,Claude Opus 4.8 领先 9 项,GPT-6.1 Sol 领先 44 项。第三方来源看法不一:Claude Opus 4.8 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index 上领先。

综合 IndexClaude Opus 4.8 (max)GPT-6.1 Sol (max)领先者
BenchLeader Index61.166.6GPT-6.1 Sol
Arena Text1482†1481Claude Opus 4.8

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 4.8 (max)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85 tok/s50 tok/s
首次回答时间39.1 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 秒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 4.8 (max) 得分 61.1,首个回答 token 需 39 秒;Claude Opus 4.8 (high) 为 60.4(1 秒),Claude Opus 4.8 为 58.7(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 195 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 4.8 (max)GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader61.166.6
智能体与工具得分BenchLeader56.964.3
编程得分BenchLeader61.971.1
指令遵循得分BenchLeader62.1–
知识得分BenchLeader61.071.5
长上下文得分BenchLeader63.466.2
数学得分BenchLeader67.771.6
推理得分BenchLeader64.171.4
综合得分BenchLeader–67.9
人类偏好得分BenchLeader–67.1
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BenchLeader85 tok/s50 tok/s
首次回答时间BenchLeader39.1 秒166.7 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%95.4%
SimpleBenchSimpleBench64.8%†82.9%†
Arena Hard PromptsArena (LMArena)1505†1505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench89.2%92.6%
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis48.7%52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI92.4%–
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize92.5%96.5%
ARC-AGI-2ARC Prize72.1%†94.2%
ARC-AGI-3ARC Prize1.5%†96.2%
CritPtArtificial Analysis20.9%31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
Arena ExpertArena (LMArena)1514†1525
Chess PuzzlesEpoch AI Benchmarking Hub52.0%68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%80.0%
LMCAEpoch AI Benchmarking Hub57.5%62.8%
DTBenchEpoch AI Benchmarking Hub94.9%96.5%
ForecastBenchForecastBench66.1%–
BTF-3Epoch AI Benchmarking Hub14.0%†–
编程
SciCodeSciCode53.5%54.2%
显示全部 195 项基准测试
指标发布方Claude Opus 4.8 (max)GPT-6.1 Sol (max)
编程
WeirdMLWeirdML70.5%†–
FrontierCodeCognition46.5%†50.2%†
GSO-BenchGSO-Bench47.1%†–
Arena CodingArena (LMArena)1529†1540
Arena WebDevArena (LMArena)1536†1743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench81.8%80.4%
SciCode (AA)Artificial Analysis54.4%54.2%
LiveCodeBenchVals AI87.8%–
IOIVals AI–96.9%
SWE-bench (Vals)Vals AI88.6%–
Code MigrationVals AI47.3%65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI1.0%3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI82.7%88.9%
SWE Atlas v1.0: Codebase QnAScale AI SEAL57.3%†–
SWE Atlas v1.0: RefactoringScale AI SEAL46.7%†–
SWE Atlas v1.0: Test WritingScale AI SEAL49.6%†–
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 Hub65.6%61.1%
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%–
ALE-BenchEpoch AI Benchmarking Hub1563.8†2743.8
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%56.1%
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%–
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 249.4†84.9†
GameBench 2 by reasoning settingDuelLab GameBench 245.1†92.0†
Design Arena WebsiteDesign Arena1250†1315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
智能体与工具
Terminal-BenchTerminal-Bench23.6%60.9%
OSWorld-Verified 2.0OSWorld20.6%–
Remote Labor IndexScale AI / CAIS8.3%†–
APEX-AgentsMercor48.9%60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench50.5%54.5%
Terminal-Bench HardArtificial Analysis58.3%–
τ²-Bench Telecom (AA)Artificial Analysis94.4%–
Terminal-Bench 2.1 (Vals)Vals AI71.9%–
MCP AtlasScale AI SEAL82.2%–
HiL-BenchScale AI SEAL35.3%†62.3%†
τ³-bench Bankingτ²-bench39.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis14611607
τ³-Banking (AA)Artificial Analysis34.2%–
Analyst Agent (AA)Artificial Analysis45.0%50.0%
CyberBenchVals AI–39.3%
Finance Agent v2Vals AI53.9%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 AI9.6%5.4%
Legal Research BenchVals AI43.8%38.5%
Robo-benchVals AI–28.3%
SkillsBenchVals AI59.2%–
SREBenchVals AI–50.8%
Tax Agent BenchVals AI30.0%21.8%
Terminal-Bench 2.0 (Vals)Vals AI70.0%–
Terminal-Bench 4.0 (Vals)Vals AI23.2%55.0%
Terminal-Bench ScienceVals AI4.3%52.9%
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†1249
Arena Agent Task CompletionArena (LMArena)–11.7
DeepResearch BenchDeepResearch Bench50.2%†–
PostTrainBenchEpoch AI Benchmarking Hub31.0%38.8%
GBAEvalEpoch AI Benchmarking Hub70.9%†–
Vending-Bench 2Andon Labs2992.312860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis45.6%64.9%
GDP.pdf (AA)Artificial Analysis22.8%31.0%
Harvey LAB-AA v1.1Harvey–6.9%
EnterpriseOps-GymArtificial Analysis44.0%–
AA-Briefcase v1.1Artificial Analysis13201555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena1226†1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–58.1%
MKA (AA)Artificial Analysis–47.7%
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%100.0%
ProofBenchVals AI69.0%99.0%†
LiveBench MathematicsLiveBench94.3%96.8%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena81.3%–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)1476†1499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench66.0%82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI89.6%–
LegalBenchVals AI83.6%–
CorpFinVals AI66.7%–
TaxEvalVals AI75.6%–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI–79.6%
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI69.4%70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI53.2%48.8%
MedScribeVals AI85.8%86.5%
Public Benefits Bench v1.1Vals AI68.1%59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
DrugDiscoveryBenchScale AI SEAL46.8%–
EBR-benchEpoch AI Benchmarking Hub28.6%54.3%
GDP.pdfEpoch AI Benchmarking Hub24.0%35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench79.7%90.1%
LiveBench Instruction FollowingLiveBench72.0%74.2%
IFBenchArtificial Analysis62.2%–
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)1479†1482
人类偏好
Arena TextArena (LMArena)1474†1481
EQ-Bench 4EQ-Bench1268†1272†
EQ-Bench Creative Writing v3EQ-Bench1840†–
Arena Creative WritingArena (LMArena)1464†1449
Arena Multi-turnArena (LMArena)1493†1486
Arena Longer QueriesArena (LMArena)1499†1488
多模态
Arena VisionArena (LMArena)1289†1286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis–86.0%
MMMU-Pro (Vals)Vals AI86.6%–
MortgageTaxVals AI69.9%–
SAGEVals AI–90.5%
Humanity's Sixth SenseScale AI SEAL23.5%46.6%
GeoBenchGeoBench81.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub42.5%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 Analysis77.7%83.0%
Arena DocumentArena (LMArena)1476†–
MLCRArtificial Analysis19.4%38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench76.2%81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis41.851.8
AA Progress Index v1Artificial Analysis318.4348.5
Vals IndexVals AI–63.9
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI24.0%26.6%
Vals Science IndexVals AI–59.6%
Vals Multimodal IndexVals AI70.9%–
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
FORTRESSScale AI SEAL18.2%–
DistressBenchScale AI SEAL71.4%†74.2%†

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 4.8 (max):BenchLeader Index 60.3 → 61.1。
  • Claude Opus 4.8 (max):27 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。
  • Claude Opus 4.8 (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Claude Opus 4.8 (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);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 4.8 vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 Claude Opus 4.8 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 61.1。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 4.8 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 4.8 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 62,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Claude Opus 4.8 为 53.5%,GPT-6.1 Sol 为 54.2%。
Claude Opus 4.8 和 GPT-6.1 Sol 哪个更快?
Claude Opus 4.8 输出更快(约 1.5 倍;输出 85 比 50 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.8 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 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Claude Opus 4.8 为 23.6%,GPT-6.1 Sol 为 60.9%。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Sol 在长上下文基准测试上得分更高(66 比 63)。两者都约为 1.1M token(Claude Opus 4.8 为 1,000,000,GPT-6.1 Sol 为 1,050,000)。
哪个延迟更低?
Claude Opus 4.8 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 39.1 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 4.8 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 53 项基准测试中,Claude Opus 4.8 领先 9 项,GPT-6.1 Sol 领先 44 项。第三方来源看法不一:Claude Opus 4.8 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index 上领先。
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。