Claude Sonnet 5.5 vs Gemini 3.1 Pro
完整资料:Claude Sonnet 5.5(Anthropic)和 Gemini 3.1 Pro(Google),包括全部基准测试、价格和排名。
更新于 · 数据来自 14 个来源
截至 2026年11月16日,质量上 Claude Sonnet 5.5 领先 Gemini 3.1 Pro(BenchLeader Index 64.2 比 60.4)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.50)。看重智能体与工具(71 比 57)、编程(70 比 59)和数学(71 比 66)选 Claude Sonnet 5.5;看重知识(66 比 57)选 Gemini 3.1 Pro。Gemini 3.1 Pro 的首次回答更快(15.2 秒 比 290.5 秒)。Claude Sonnet 5.5 的输出更快。
要点(截至 2026年11月16日)
- Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,Gemini 3.1 Pro 为 60.4(BenchLeader,2026年11月16日)。
- Claude Sonnet 5.5 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
- Gemini 3.1 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
- Claude Sonnet 5.5 比 Gemini 3.1 Pro 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 38 项基准测试中,Claude Sonnet 5.5 领先 32 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 | Claude Sonnet 5.5 | 类别得分 70 比 59;IOI 83.1% 比 51.8% | 高 |
| 智能体与工具调用 | Claude Sonnet 5.5 | 类别得分 71 比 57;LiveBench Agentic Coding 56.3% 比 44.1% | 高 |
| 数学 | Claude Sonnet 5.5 | 类别得分 71 比 66;OTIS Mock AIME 100.0% 比 95.6% | 中 |
| 推理 | Claude Sonnet 5.5 | 类别得分 68 比 65;GPQA Diamond 95.6% 比 94.4% | 中 |
| 知识 | Gemini 3.1 Pro | 类别得分 66 比 57;SimpleQA Verified 73.5% 比 46.5% | 高 |
| 成本最低 | 均可 | 每百万 token 混合价格 $4.00 比 $4.50;智能体编程会话 $0.160 比 $0.168 | – |
| 首次回答最快 | Gemini 3.1 Pro | 首个回答 token 15.2 秒(Gemini 3.1 Pro (high))比 290.5 秒(Claude Sonnet 5.5 (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 Claude Sonnet 5.5 (max) 领先:64.2 比 60.4。
- Claude Sonnet 5.5 (max) 在智能体与工具、编程、数学、推理方面更强。
- Gemini 3.1 Pro (high) 在知识方面更强。
- 两者价格相近(每百万 token 混合价格 $4.00)。
- Claude Sonnet 5.5 (max) 的输出速度是对方的 1.4 倍(152 比 111 token/秒)。
概览
| 规格 | Claude Sonnet 5.5 | Gemini 3.1 Pro |
|---|---|---|
| 提供商 | Anthropic | |
| 发布日期 | 2026年9月28日 | 2026年2月19日 |
| 上下文窗口(token) | 1,000,000 | 1,048,576 |
| 对比时的配置 | Claude Sonnet 5.5 (max) | Gemini 3.1 Pro (high) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $2.00 / $10.00 / $0.100 | $2.00 / $12.00 / $0.200 |
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 5.5 (max) | Gemini 3.1 Pro (high) | 领先者 |
|---|---|---|---|
| 推理 | 67.8 | 64.7 | Claude Sonnet 5.5 |
| 编程 | 70.2 | 58.6 | Claude Sonnet 5.5 |
| 智能体与工具 | 70.5 | 56.7 | Claude Sonnet 5.5 |
| 数学 | 71.3 | 65.7 | Claude Sonnet 5.5 |
| 知识 | 57.4 | 65.6 | Gemini 3.1 Pro |
| 长上下文 | 66.0 | – | 无法比较 |
| 综合 | 63.0 | – | 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。
未绘制(测得的模型少于两个):指令遵循, 长上下文, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 38 项基准测试中,Claude Sonnet 5.5 领先 32 项,Gemini 3.1 Pro 领先 6 项。第三方来源看法不一:Claude Sonnet 5.5 在 BenchLeader Index 上领先;Gemini 3.1 Pro 在 Arena Text 上领先。
| 综合 Index | Claude Sonnet 5.5 (max) | Gemini 3.1 Pro (high) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 64.2 | 60.4 | Claude Sonnet 5.5 |
| Arena Text | 1473† | 1487 | Gemini 3.1 Pro |
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 5.5 (max) | Gemini 3.1 Pro (high) |
|---|---|---|
| 每百万 token 混合价格 | $4.00 | $4.50 |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | $2.00 / $12.00 |
| 每百万 token 缓存输入 | $0.100 | $0.200 |
| 每项任务价格:聊天回复 | $0.0038 | $0.0044 |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | $0.031 |
| 每项任务价格:代码编辑 | $0.027 | $0.030 |
| 每项任务价格:智能体编程会话 | $0.160 | $0.168 |
| 每项任务价格:结构化信息提取 | $0.0060 | $0.0064 |
| 智能体编程会话(输入大多命中缓存) | $0.074 | $0.087 |
| 每项基准测试任务成本(AA Index) | $10.02 | – |
| 每项任务输出 token(AA Index) | 285k | – |
| 其中推理部分 | 206k | – |
| 每项任务耗时(AA Index) | 31 min | – |
| 输出速度 | 152 tok/s | 111 tok/s |
| 首次回答时间 | 290.5 秒 | 15.2 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 487.7 秒 | 37.5 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 5.5 (max) 得分 64.2,首个回答 token 需 291 秒;Claude Sonnet 5.5 (xhigh) 为 62.5(27 秒),Claude Sonnet 5.5 (high) 为 59.5(9 秒)。Gemini 3.1 Pro (high) 得分 60.4,首个回答 token 需 15 秒;Gemini 3.1 Pro 为 59.9(15 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 209 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 5.5 (max) | Gemini 3.1 Pro (high) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 64.2 | 60.4 |
| 智能体与工具得分 | BenchLeader | 70.5 | 56.7 |
| 编程得分 | BenchLeader | 70.2 | 58.6 |
| 综合得分 | BenchLeader | 63.0 | – |
| 知识得分 | BenchLeader | 57.4 | 65.6 |
| 长上下文得分 | BenchLeader | 66.0 | – |
| 数学得分 | BenchLeader | 71.3 | 65.7 |
| 推理得分 | BenchLeader | 67.8 | 64.7 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | $4.50 |
| 输出速度 | BenchLeader | 152 tok/s | 111 tok/s |
| 首次回答时间 | BenchLeader | 290.5 秒 | 15.2 秒 |
| 上下文窗口 | BenchLeader | 1,000,000 token | 1,048,576 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 95.6% | 94.4% |
| Humanity's Last Exam | Scale AI / CAIS | 46.1%† | 46.4%† |
| SimpleBench | SimpleBench | 75.9%† | 79.6%† |
| Arena Hard Prompts | Arena (LMArena) | 1499† | 1508† |
| LiveBench 2.0 Reasoning | LiveBench | 91.6% | – |
| LiveBench 1.0 Reasoning | LiveBench | 91.6% | 84.0% |
| GPQA Diamond (AA) | Artificial Analysis | – | 94.1%† |
| Humanity's Last Exam (AA) | Artificial Analysis | 55.0% | 47.0%† |
| HLE-Diamond (AA) | Artificial Analysis | 53.3% | 31.4%† |
| GPQA Diamond (Vals) | Vals AI | – | 95.5% |
| EnigmaEval | Scale AI SEAL | – | 36.8% |
| ARC-AGI-1 | ARC Prize | 96.5% | 98.0%† |
| ARC-AGI-2 | ARC Prize | 83.9%† | 77.1%† |
| ARC-AGI-3 | ARC Prize | 72.4%† | 0.4%† |
| CritPt | Artificial Analysis | 31.4% | 17.7%† |
| CritPt v2 hard subset (AA) | Artificial Analysis | 59.0% | – |
| MysteryMechanism | Vals AI | 49.1% | 20.7% |
| HLE-Diamond (Scale) | Scale AI SEAL | 37.5%† | – |
| Arena Expert | Arena (LMArena) | 1512† | 1509† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 59.0% | 51.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 65.0% | 34.0% |
| CL-bench | Epoch AI Benchmarking Hub | – | 20.8%† |
| CL-bench Life | Epoch AI Benchmarking Hub | – | 16.9%† |
| LMCA | Epoch AI Benchmarking Hub | 68.3% | 53.8% |
| DTBench | Epoch AI Benchmarking Hub | 97.3% | 95.5% |
显示全部 209 项基准测试
| 指标 | 发布方 | Claude Sonnet 5.5 (max) | Gemini 3.1 Pro (high) |
|---|---|---|---|
| 推理 | |||
| ForecastBench | ForecastBench | – | 65.2% |
| 编程 | |||
| SciCode | SciCode | 61.0% | 58.7%† |
| WeirdML | WeirdML | – | 72.1%† |
| FrontierCode | Cognition | 52.1%† | – |
| GSO-Bench | GSO-Bench | – | 22.6%† |
| Arena Coding | Arena (LMArena) | 1517† | 1520† |
| Arena WebDev | Arena (LMArena) | 1772† | 1446† |
| LiveBench 2.0 Coding | LiveBench | 77.2% | – |
| LiveBench 1.0 Coding | LiveBench | 91.4% | 76.5% |
| LiveCodeBench | Vals AI | – | 88.5% |
| IOI | Vals AI | 83.1% | 51.8% |
| SWE-bench (Vals) | Vals AI | – | 78.8% |
| SWE-Bench Pro | Scale AI SEAL | – | 46.1%† |
| Code Migration | Vals AI | 69.8% | 17.3% |
| Code Migration v1.1 | Vals AI | 86.9% | – |
| ProgramBench | Vals AI | 6.5% | 0.0% |
| SWE-bench Multimodal | Vals AI | 58.3% | – |
| Vibe Code Bench 1-100 | Vals AI | – | 6.7% |
| Vibe Code Bench v1.1 | Vals AI | 92.4% | 32.0% |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 32.2%† |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 13.5%† |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | – | 33.8%† |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 29.8%† |
| SWE Atlas v1.1 | Scale AI SEAL | 68.3%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 74.2%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 67.8%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 62.9%† | – |
| SWE-Bench Pro V2 | Scale AI SEAL | 95.8%† | – |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | 70.6%† | – |
| MirrorCode | Epoch AI Benchmarking Hub | 97.8% | 8.9% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 11.7%† |
| CursorBench | Cursor | 55.5% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1819.1† | 1160.6† |
| AlgoTune | AlgoTune | – | 2.0† |
| FrontierSWE | Epoch AI Benchmarking Hub | 61.9% | – |
| WeirdML v3 | WeirdML | 19.9%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 63.6% | 4.0%† |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 73.8%† |
| Startrise Frontend | Startrise | 75.9%† | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 60.4† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 91.4† | – |
| Design Arena Website | Design Arena | 1309† | 1226† |
| FrontierCode 1.1 (AA) | Artificial Analysis | 45.8% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 41.7% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 63.9% | 80.2%† |
| APEX-Agents | Mercor | 75.5% | 35.1%† |
| Arena Agent | Arena (LMArena) | 16 | -4.5† |
| LiveBench Long Agentic | LiveBench | 63.4% | – |
| LiveBench Browser | LiveBench | 89.3% | – |
| LiveBench Agentic Coding | LiveBench | 56.3% | 44.1% |
| Terminal-Bench Hard | Artificial Analysis | – | 53.8%† |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 95.6%† |
| Terminal-Bench 2.1 (Vals) | Vals AI | 83.2%† | 70.8% |
| MCP Atlas | Scale AI SEAL | – | 78.2% |
| HiL-Bench | Scale AI SEAL | – | 35.3%† |
| τ³-bench Banking | τ²-bench | – | 26.0% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 66.9% | 14.6%† |
| GDPval-AA v2.1 | Artificial Analysis | 1838 | 799† |
| τ³-Banking (AA) | Artificial Analysis | – | 21.4%† |
| ITBench SRE (AA) | Artificial Analysis | – | 30.3%† |
| Analyst Agent (AA) | Artificial Analysis | 57.5% | 41.3%† |
| APEX-Agents (AA) | Artificial Analysis | – | 32.0%† |
| CyberBench | Vals AI | 59.6% | – |
| Finance Agent v2 | Vals AI | 58.1% | 43.0% |
| Finance Agent v2.1 | Vals AI | 67.3% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 10.4% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 2.9% | 0.0% |
| Legal Research Bench | Vals AI | 48.1% | 20.7% |
| SREBench | Vals AI | 30.1% | 0.0% |
| Tax Agent Bench | Vals AI | 42.0% | 9.3% |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 67.4% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 64.1% | 2.5% |
| Terminal-Bench Science | Vals AI | 47.1% | 1.4% |
| Arena Search | Arena (LMArena) | – | 1209† |
| Arena Agent Task Completion | Arena (LMArena) | 19.5 | -11.3† |
| BALROG | BALROG | – | 57.0%† |
| DeepResearch Bench | DeepResearch Bench | – | 47.8% |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 18.1%† |
| ExploitBench | Epoch AI Benchmarking Hub | – | 26.1%† |
| METR Time Horizons | METR | – | 77.0%† |
| GBAEval | Epoch AI Benchmarking Hub | – | 0.8%† |
| Vending-Bench 2 | Andon Labs | 11165.3† | 911.2† |
| SpireClimb | Epoch AI Benchmarking Hub | 1.3% | – |
| AutomationBench | Artificial Analysis | 71.8% | 35.4%† |
| GDP.pdf (AA) | Artificial Analysis | 25.8% | 17.8%† |
| Harvey LAB-AA v1.1 | Harvey | 2.8% | 0.0%† |
| EnterpriseOps-Gym | Artificial Analysis | – | 42.2%† |
| AA-Briefcase v1.1 | Artificial Analysis | 1816 | 457† |
| GDPx | GDPx by SemiAnalysis | 8.2% | – |
| Design Arena Agentic | Design Arena | 1293† | 1088† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 53.3% | – |
| MKA (AA) | Artificial Analysis | 52.0% | – |
| BrowseComp | OpenAI | – | 31.2%† |
| DeepSearchQA | – | 60.2%† | |
| FACTS Search | 86.8%† | 90.2%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 88.8% | 59.6%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 80.5% | 26.8%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | 95.6% |
| ProofBench | Vals AI | 100.0% | 26.0%† |
| LiveBench Mathematics | LiveBench | 96.1% | 91.0% |
| AIME (Vals) | Vals AI | – | 98.1% |
| AIME 2026 | MathArena | – | 98.3% |
| HMMT February 2026 | MathArena | – | 94.7% |
| USAMO 2026 | MathArena | – | 74.4% |
| MathArena Apex | MathArena | – | 60.9% |
| Arena Maths | Arena (LMArena) | 1486† | 1488† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 2.9% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 46.5% | 73.5% |
| LiveBench 2.0 Data Analysis | LiveBench | 59.5% | – |
| LiveBench Research | LiveBench | 88.0% | – |
| LiveBench 1.0 Data Analysis | LiveBench | 59.5% | 78.5% |
| AA-Omniscience v1.1 | Artificial Analysis | 30.5 | – |
| MMLU-Pro | Vals AI | – | 91.0% |
| LegalBench | Vals AI | – | 87.4% |
| CorpFin | Vals AI | – | 64.5% |
| TaxEval | Vals AI | – | 72.9% |
| MedQA | Vals AI | – | 96.4% |
| PRBench Finance | Scale AI SEAL | – | 41.9%† |
| PRBench Legal | Scale AI SEAL | – | 44.0%† |
| MultiNRC | Scale AI SEAL | – | 64.7%† |
| BioMysteryBench | Vals AI | 81.1% | 60.0% |
| CaseLaw v2 | Vals AI | – | 64.8% |
| ClaimBench | Vals AI | 100.0% | – |
| Excel Modeling Benchmark | Vals AI | 75.7% | 52.6% |
| Excel Modeling Benchmark v1.1 | Vals AI | 75.9% | – |
| MedCode | Vals AI | 52.9% | 59.1% |
| MedScribe | Vals AI | 91.1% | 76.1% |
| Public Benefits Bench v1.1 | Vals AI | 67.2% | 53.8% |
| Access to Justice Benchmark | Vals AI | 74.9% | – |
| Financial Coaching Bench | Vals AI | 74.9% | 66.7% |
| Immigration Bench | Vals AI | 69.0% | – |
| DrugDiscoveryBench | Scale AI SEAL | – | 41.9% |
| EBR-bench | Epoch AI Benchmarking Hub | – | 14.3%† |
| GDP.pdf | Epoch AI Benchmarking Hub | 31.4% | 17.0% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 51.5% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 56.7% | – |
| Global-MMLU-Lite (AA) | Artificial Analysis | – | 93.2%† |
| HealthBench Professional (AA) | OpenAI | 63.0% | – |
| FACTS Parametric | 35.1%† | 79.4%† | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 78.0% | 85.4% |
| LiveBench Instruction Following | LiveBench | 56.8% | 79.1% |
| IFBench | Artificial Analysis | – | 77.1%† |
| MultiChallenge | Scale AI SEAL | – | 71.4%† |
| TutorBench | Scale AI SEAL | – | 53.0%† |
| Arena Instruction Following | Arena (LMArena) | 1482† | 1480† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1473† | 1487† |
| EQ-Bench 4 | EQ-Bench | – | 1132† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1491† |
| Arena Creative Writing | Arena (LMArena) | 1464† | 1482† |
| Arena Multi-turn | Arena (LMArena) | 1469† | 1495† |
| Arena Longer Queries | Arena (LMArena) | 1491† | 1499† |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1284† | 1296† |
| LiveBench Design | LiveBench | 81.3% | – |
| MMMU-Pro | Artificial Analysis | – | 82.4%† |
| MMMU-Pro (Vals) | Vals AI | – | 88.2% |
| MortgageTax | Vals AI | – | 69.4% |
| SAGE | Vals AI | 88.0% | 83.2% |
| VTB | Scale AI SEAL | – | 29.0%† |
| GeoBench | GeoBench | – | 84.0%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 39.3%† | 26.5%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | 75.0% | 26.7% |
| VIALS-AA | Handshake AI | 59.6% | – |
| Code2Video-AA | Artificial Analysis | 1443 | – |
| AA-3D | Artificial Analysis | 1204 | – |
| FACTS Multimodal | 50.4%† | 50.4%† | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.7% | 82.0%† |
| Arena Document | Arena (LMArena) | – | 1459† |
| MLCR | Artificial Analysis | 41.7% | 11.1%† |
| FACTS Grounding | 62.5%† | 56.6%† | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 166.6† | 156.2† |
| LiveBench 2.0 | LiveBench | 77.0% | – |
| LiveBench 1.0 | LiveBench | 75.7% | 77.0% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 54.5 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 56 | 29.7† |
| AA Progress Index v1 | Artificial Analysis | 350.5 | 296.1† |
| Vals Index | Vals AI | 70.8 | – |
| Vals Finance Index | Vals AI | 64.5% | – |
| Vals Science Index | Vals AI | 59.1% | 27.4% |
| Vals Multimodal Index | Vals AI | – | 56.1% |
| Vals Router Index | Vals AI | 69.0%† | – |
| Vals Legal Index | Vals AI | 68.0% | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 29.8%† |
| MASK | Scale AI SEAL | – | 42.4%† |
| DistressBench | Scale AI SEAL | 74.6%† | 68.8%† |
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 5.5 (max):36 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
- Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
- Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
- Claude Sonnet 5.5 (max):2 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项分数修订。
- Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
- Claude Sonnet 5.5 (max):5 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);3 项分数修订;价格 $5.46/M → $10.02/M。
相关对比
- Claude Sonnet 5.5 vs Claude Fable 5.2
- Claude Sonnet 5.5 vs Gemini 4 Carbon
- Claude Sonnet 5.5 vs Claude Opus 5.5
- Claude Sonnet 5.5 vs GPT-6 Astra
- Gemini 3.1 Pro vs Gemini 4 Carbon
- Gemini 3.1 Pro vs Claude Opus 5.5
- Claude Sonnet 5.5 vs Gemini 3 Flash
- Claude Sonnet 5.5 vs Claude Fable 5.1
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 5.5 vs Gemini 3.1 Pro:常见问题
- Claude Sonnet 5.5 比 Gemini 3.1 Pro 更好吗?
- 质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 60.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Claude Sonnet 5.5 (max) 总体领先,但请结合你的用途查看各类别得分。
- Claude Sonnet 5.5 和 Gemini 3.1 Pro 哪个更便宜?价格会变吗?
- 目前 Claude Sonnet 5.5 更便宜:每百万 token $4.00 比 $4.50(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 5.5 还是 Gemini 3.1 Pro 更好?
- Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 IOI 上,Claude Sonnet 5.5 为 83.1%,Gemini 3.1 Pro 为 51.8%。
- Claude Sonnet 5.5 和 Gemini 3.1 Pro 哪个更快?
- Claude Sonnet 5.5 输出更快(输出 152 比 111 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Claude Sonnet 5.5 还是 Gemini 3.1 Pro 更好?
- Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 57,50 为平均水平)。
更多问题(4)
- 处理长文档哪个更好?
- 两者都约为 1M token(Claude Sonnet 5.5 为 1,000,000,Gemini 3.1 Pro 为 1,048,576)。
- 哪个延迟更低?
- Gemini 3.1 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.2 秒比 290.5 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 Sonnet 5.5 和 Gemini 3.1 Pro 的看法一致吗?
- 在两者都有结果的 38 项基准测试中,Claude Sonnet 5.5 领先 32 项,Gemini 3.1 Pro 领先 6 项。第三方来源看法不一:Claude Sonnet 5.5 在 BenchLeader Index 上领先;Gemini 3.1 Pro 在 Arena Text 上领先。
- Claude Sonnet 5.5 是什么时候发布的?
- Claude Sonnet 5.5 于 2026年9月28日 发布。