BenchLeader

Claude Sonnet 4.6 vs GPT-6.1 Sol

完整资料:Claude Sonnet 4.6(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 Sonnet 4.6(BenchLeader Index 66.6 比 57.6)。GPT-6.1 Sol 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • Claude Sonnet 4.6 的 BenchLeader Index 为 57.6,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • Claude Sonnet 4.6 每百万 token 混合价格为 $6.00(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)。
  • 在两者都有结果的 17 项基准测试中,GPT-6.1 Sol 领先 15 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Sonnet 4.6 的评分为 1522,GPT-6.1 Sol 为 1743(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 Sol类别得分 71 比 54;Arena WebDev 1743 比 1522高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 53;Terminal-Bench 60.9% 比 53.4%高
数学GPT-6.1 Sol类别得分 72 比 63;Arena Maths 1499 比 1461高
推理GPT-6.1 Sol类别得分 71 比 64;GPQA Diamond 95.4% 比 87.4%高
知识GPT-6.1 Sol类别得分 72 比 58高
图像及其他媒体GPT-6.1 Sol类别得分 66 比 62;Arena Vision 1286 比 1283中
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 61中
成本最低GPT-6.1 Sol每百万 token 混合价格 $4.00 比 $6.00;智能体编程会话 $0.160 比 $0.240–
首次回答最快Claude Sonnet 4.6首个回答 token 0.6 秒(Claude Sonnet 4.6)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 57.6。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、知识、数学、多模态、推理方面更强。
  • GPT-6.1 Sol (max) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。

概览

规格Claude Sonnet 4.6GPT-6.1 Sol
提供商AnthropicOpenAI
发布日期2026年2月17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 Sonnet 4.6GPT-6.1 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$3.00 / $15.00 / $0.300$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 Sonnet 4.6GPT-6.1 Sol (max)领先者
推理63.971.4GPT-6.1 Sol
编程53.571.1GPT-6.1 Sol
智能体与工具52.664.3GPT-6.1 Sol
数学63.171.6GPT-6.1 Sol
知识58.171.5GPT-6.1 Sol
人类偏好60.567.1GPT-6.1 Sol
多模态62.465.6GPT-6.1 Sol
长上下文–66.2无法比较
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多模态人类偏好Claude Sonnet 4.6, 推理: 63.9Claude Sonnet 4.6, 编程: 53.5Claude Sonnet 4.6, 智能体与工具: 52.6Claude Sonnet 4.6, 数学: 63.1Claude Sonnet 4.6, 知识: 58.1Claude Sonnet 4.6, 多模态: 62.4Claude Sonnet 4.6, 人类偏好: 60.5GPT-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, 多模态: 65.6GPT-6.1 Sol, 人类偏好: 67.1

未绘制(测得的模型少于两个):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 17 项基准测试中,Claude Sonnet 4.6 领先 2 项,GPT-6.1 Sol 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。

综合 IndexClaude Sonnet 4.6GPT-6.1 Sol (max)领先者
BenchLeader Index57.666.6GPT-6.1 Sol
Arena Text14721481GPT-6.1 Sol

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 Sonnet 4.6GPT-6.1 Sol (max)
每百万 token 混合价格$6.00$4.00
每百万 token 输入 / 输出$3.00 / $15.00$2.00 / $10.00
每百万 token 缓存输入$0.300$0.100
每项任务价格:聊天回复$0.0057$0.0038
每项任务价格:总结一份 30 页的报告$0.045$0.030
每项任务价格:代码编辑$0.041$0.027
每项任务价格:智能体编程会话$0.240$0.160
每项任务价格:结构化信息提取$0.0090$0.0060
智能体编程会话(输入大多命中缓存)$0.118$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43 tok/s50 tok/s
首次回答时间0.6 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)–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 Sonnet 4.6 得分 57.6,首个回答 token 需 1 秒;Claude Sonnet 4.6 (max) 为 56.1(91 秒),Claude Sonnet 4.6 (high) 为 50.3(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 190 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 Sonnet 4.6GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader57.666.6
智能体与工具得分BenchLeader52.664.3
编程得分BenchLeader53.571.1
人类偏好得分BenchLeader60.567.1
知识得分BenchLeader58.171.5
数学得分BenchLeader63.171.6
多模态得分BenchLeader62.465.6
推理得分BenchLeader63.971.4
综合得分BenchLeader–67.9
长上下文得分BenchLeader–66.2
混合价格(美元/百万 token)BenchLeader$6.00$4.00
输出速度BenchLeader43 tok/s50 tok/s
首次回答时间BenchLeader0.6 秒166.7 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.4%95.4%
SimpleBenchSimpleBench–82.9%†
Arena Hard PromptsArena (LMArena)15031505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench84.8%†92.6%
GPQA Diamond (AA)Artificial Analysis87.5%†–
Humanity's Last Exam (AA)Artificial Analysis33.6%†52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI85.6%†–
ARC-AGI-1ARC Prize86.0%†96.5%
ARC-AGI-2ARC Prize58.3%†94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis3.1%†31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
Arena ExpertArena (LMArena)15061525
Chess PuzzlesEpoch AI Benchmarking Hub23.0%†68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub14.0%80.0%
LMCAEpoch AI Benchmarking Hub46.5%†62.8%
DTBenchEpoch AI Benchmarking Hub89.9%†96.5%
ForecastBenchForecastBench64.0%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub75.2%–
SciCodeSciCode46.8%†54.2%
WeirdMLWeirdML66.1%†–
FrontierCodeCognition24.3%50.2%†
显示全部 190 项基准测试
指标发布方Claude Sonnet 4.6GPT-6.1 Sol (max)
编程
Arena CodingArena (LMArena)15281540
Arena WebDevArena (LMArena)15221743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench79.3%†80.4%
SciCode (AA)Artificial Analysis50.1%†54.2%
LiveCodeBenchVals AI82.1%†–
IOIVals AI–96.9%
SWE-bench (Vals)Vals AI77.4%†–
Code MigrationVals AI39.9%†65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI0.5%†3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI55.8%88.9%
SWE Atlas v1.0: Codebase QnAScale AI SEAL31.2%–
SWE Atlas v1.0: RefactoringScale AI SEAL32.2%–
SWE Atlas v1.0: Test WritingScale AI SEAL31.8%–
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 Hub–61.1%
DeepSWE v1.1Epoch AI Benchmarking Hub29.9%†–
ALE-BenchEpoch AI Benchmarking Hub1327.3†2743.8
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis3.0%†56.1%
Terminal-Bench 2.1 (AA)Artificial Analysis71.2%†–
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 2–84.9†
GameBench 2 by reasoning settingDuelLab GameBench 2–92.0†
Design Arena WebsiteDesign Arena12771315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
智能体与工具
Terminal-BenchTerminal-Bench53.4%60.9%
OSWorld-Verified 2.0OSWorld8.3%†–
APEX-AgentsMercor43.0%†60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench42.6%†54.5%
Terminal-Bench HardArtificial Analysis53.0%†–
τ²-Bench Telecom (AA)Artificial Analysis75.7%†–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†–
MCP AtlasScale AI SEAL69.5%–
HiL-BenchScale AI SEAL–62.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis1240†1607
τ³-Banking (AA)Artificial Analysis34.4%†–
ITBench SRE (AA)Artificial Analysis39.8%†–
Analyst Agent (AA)Artificial Analysis20.0%†50.0%
APEX-Agents (AA)Artificial Analysis28.0%†–
CyberBenchVals AI–39.3%
Finance Agent v2Vals AI51.0%†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 AI5.0%†5.4%
Legal Research BenchVals AI38.5%†38.5%
Robo-benchVals AI–28.3%
SkillsBenchVals AI49.0%†–
SREBenchVals AI–50.8%
Tax Agent BenchVals AI25.8%†21.8%
Terminal-Bench 2.0 (Vals)Vals AI59.5%†–
Terminal-Bench 4.0 (Vals)Vals AI–55.0%
Terminal-Bench ScienceVals AI–52.9%
Arena SearchArena (LMArena)12011249
Arena Agent Task CompletionArena (LMArena)–11.7
DeepResearch BenchDeepResearch Bench54.9%†–
PostTrainBenchEpoch AI Benchmarking Hub–38.8%
ExploitBenchEpoch AI Benchmarking Hub23.6%–
GBAEvalEpoch AI Benchmarking Hub48.8%–
Vending-Bench 2Andon Labs7204.112860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis20.1%†64.9%
GDP.pdf (AA)Artificial Analysis15.8%†31.0%
Harvey LAB-AA v1.1Harvey–6.9%
AA-Briefcase v1.1Artificial Analysis1062†1555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena11871375
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 Hub–93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub–100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub85.8%100.0%
ProofBenchVals AI45.0%†99.0%†
LiveBench MathematicsLiveBench87.0%†96.8%
AIME (Vals)Vals AI92.3%–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)14611499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub32.8%†73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench78.0%†82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI87.3%†–
LegalBenchVals AI82.1%†–
CorpFinVals AI65.3%†–
TaxEvalVals AI77.1%†–
MedQAVals AI92.1%–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI–79.6%
CaseLaw v2Vals AI64.0%–
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI60.1%†70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI–48.8%
MedScribeVals AI–86.5%
Public Benefits Bench v1.1Vals AI62.5%†59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
DrugDiscoveryBenchScale AI SEAL31.3%†–
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub18.0%†35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
Global-MMLU-Lite (AA)Artificial Analysis90.5%†–
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench76.1%†90.1%
LiveBench Instruction FollowingLiveBench63.2%†74.2%
IFBenchArtificial Analysis56.6%†–
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)14751482
人类偏好
Arena TextArena (LMArena)14721481
EQ-Bench 4EQ-Bench11971272†
EQ-Bench Creative Writing v3EQ-Bench1811–
Arena Creative WritingArena (LMArena)14491449
Arena Multi-turnArena (LMArena)14801486
Arena Longer QueriesArena (LMArena)14921488
多模态
Arena VisionArena (LMArena)12831286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis73.3%†86.0%
MMMU-Pro (Vals)Vals AI83.6%†–
MortgageTaxVals AI67.7%†–
SAGEVals AI–90.5%
Humanity's Sixth SenseScale AI SEAL–46.6%
GeoBenchGeoBench73.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub6.7%43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–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 Analysis80.0%†83.0%
Arena DocumentArena (LMArena)1478–
MLCRArtificial Analysis7.8%†38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub152.9168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench73.0%†81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis30.1†51.8
AA Progress Index v1Artificial Analysis293.6†348.5
Vals IndexVals AI–63.9
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI–26.6%
Vals Science IndexVals AI–59.6%
Vals Multimodal IndexVals AI60.6%†–
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
DistressBenchScale AI SEAL–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 Sonnet 4.6:BenchLeader Index 58.3 → 57.6。
  • Claude Sonnet 4.6:2 项分数修订。
  • 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。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • Claude Sonnet 4.6:1 项新结果(GeoBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GPT-6.1 Sol (max):2 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 Sonnet 4.6 vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 Claude Sonnet 4.6 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 57.6。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 Sonnet 4.6 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 $6.00(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 Sonnet 4.6 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 54,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Sonnet 4.6 为 1522,GPT-6.1 Sol 为 1743。
Claude Sonnet 4.6 和 GPT-6.1 Sol 哪个更快?
GPT-6.1 Sol 输出更快(输出 50 比 43 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 4.6 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 53,50 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 Sonnet 4.6 为 53.4%,GPT-6.1 Sol 为 60.9%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(Claude Sonnet 4.6 为 1,000,000,GPT-6.1 Sol 为 1,050,000)。
哪个延迟更低?
Claude Sonnet 4.6 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.6 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 Sonnet 4.6 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 17 项基准测试中,Claude Sonnet 4.6 领先 2 项,GPT-6.1 Sol 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。
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。