BenchLeader

Claude Sonnet 5.5 vs Gemini 4 Carbon

完整资料:Claude Sonnet 5.5(Anthropic)和 Gemini 4 Carbon(Google),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Claude Sonnet 5.5(BenchLeader Index 68.9 比 64.2)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.00)。看重长上下文(66 比 64)选 Claude Sonnet 5.5;看重知识(76 比 57)、推理(73 比 68)和编程(74 比 70)选 Gemini 4 Carbon。Gemini 4 Carbon 的首次回答更快(73.5 秒 比 290.5 秒)。Claude Sonnet 5.5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,Gemini 4 Carbon 为 68.9(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 4 Carbon 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 Gemini 4 Carbon 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 51 项基准测试中,Gemini 4 Carbon 领先 37 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Gemini 4 Carbon类别得分 74 比 70;SciCode 64.2% 比 61.0%中
智能体与工具调用均可类别得分 71 比 70;Terminal-Bench 63.9% 比 64.5%均可
数学均可类别得分 71 比 72;FrontierMath Tiers 1–3 88.8% 比 90.5%均可
推理Gemini 4 Carbon类别得分 73 比 68;GPQA Diamond 96.5% 比 95.6%中
知识Gemini 4 Carbon类别得分 76 比 57;SimpleQA Verified 77.7% 比 46.5%高
长文档Claude Sonnet 5.5类别得分 66 比 64;AA-LCR v1.1 82.7% 比 79.3%中
对话质量(人类偏好)–只有 Gemini 4 Carbon 有 Arena 评分(类别得分 73)无法比较
成本最低均可每百万 token 混合价格 $4.00 比 $4.00;智能体编程会话 $0.160 比 $0.160–
首次回答最快Gemini 4 Carbon首个回答 token 73.5 秒(Gemini 4 Carbon (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 Gemini 4 Carbon (high) 领先:68.9 比 64.2。
  • Claude Sonnet 5.5 (max) 在智能体与工具、长上下文方面更强。
  • Gemini 4 Carbon (high) 在编程、综合、知识、数学、推理方面更强。
  • 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 2.4 倍(152 比 64 token/秒)。

概览

规格Claude Sonnet 5.5Gemini 4 Carbon
提供商AnthropicGoogle
发布日期2026年9月28日2026年10月28日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Sonnet 5.5 (max)Gemini 4 Carbon (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 / $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 5.5 (max)Gemini 4 Carbon (high)领先者
推理67.873.2Gemini 4 Carbon
编程70.274.1Gemini 4 Carbon
智能体与工具70.570.3持平
数学71.371.9持平
知识57.476.1Gemini 4 Carbon
人类偏好–72.6无法比较
长上下文66.064.3Claude Sonnet 5.5
综合63.070.3Gemini 4 Carbon

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 Sonnet 5.5, 推理: 67.8Claude Sonnet 5.5, 编程: 70.2Claude Sonnet 5.5, 智能体与工具: 70.5Claude Sonnet 5.5, 数学: 71.3Claude Sonnet 5.5, 知识: 57.4Claude Sonnet 5.5, 长上下文: 66.0Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1Gemini 4 Carbon, 长上下文: 64.3

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 51 项基准测试中,Claude Sonnet 5.5 领先 13 项,Gemini 4 Carbon 领先 37 项,1 项持平。第三方来源看法不一:Claude Sonnet 5.5 在 Vals Index 上领先;Gemini 4 Carbon 在 BenchLeader Index、AA Intelligence Index v5.0.1和Arena Text 上领先。

综合 IndexClaude Sonnet 5.5 (max)Gemini 4 Carbon (high)领先者
BenchLeader Index64.268.9Gemini 4 Carbon
AA Intelligence Index v5.0.154.560.0Gemini 4 Carbon
Vals Index70.870.5Claude Sonnet 5.5
Arena Text1473†1526Gemini 4 Carbon

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 4 Carbon (high)
每百万 token 混合价格$4.00$4.00
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $10.00
每百万 token 缓存输入$0.100$0.100
每项任务价格:聊天回复$0.0038$0.0038
每项任务价格:总结一份 30 页的报告$0.030$0.030
每项任务价格:代码编辑$0.027$0.027
每项任务价格:智能体编程会话$0.160$0.160
每项任务价格:结构化信息提取$0.0060$0.0060
智能体编程会话(输入大多命中缓存)$0.074$0.074
每项基准测试任务成本(AA Index)$10.02$5.48
每项任务输出 token(AA Index)285k123k
其中推理部分206k72k
每项任务耗时(AA Index)31 min32 min
输出速度152 tok/s64 tok/s
首次回答时间290.5 秒73.5 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒160.6 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Claude Sonnet 5.5 (max) 上花费 $10.02,在 Gemini 4 Carbon (high) 上花费 $5.48;完成同样的工作,Claude Sonnet 5.5 (max) 输出的 token 是对方的 2.3 倍,这是只看 token 单价看不出来的。

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 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 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 152 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 4 Carbon (high)
BenchLeader IndexBenchLeader64.268.9
智能体与工具得分BenchLeader70.570.3
编程得分BenchLeader70.274.1
综合得分BenchLeader63.070.3
知识得分BenchLeader57.476.1
长上下文得分BenchLeader66.064.3
数学得分BenchLeader71.371.9
推理得分BenchLeader67.873.2
人类偏好得分BenchLeader–72.6
混合价格(美元/百万 token)BenchLeader$4.00$4.00
输出速度BenchLeader152 tok/s64 tok/s
首次回答时间BenchLeader290.5 秒73.5 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%96.5%
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†92.6%†
Arena Hard PromptsArena (LMArena)1499†1547
LiveBench 2.0 ReasoningLiveBench91.6%90.6%
LiveBench 1.0 ReasoningLiveBench91.6%–
Humanity's Last Exam (AA)Artificial Analysis55.0%–
HLE-Diamond (AA)Artificial Analysis53.3%69.1%
ARC-AGI-1ARC Prize96.5%97.5%
ARC-AGI-2ARC Prize83.9%†92.1%
ARC-AGI-3ARC Prize72.4%†96.9%
CritPtArtificial Analysis31.4%–
CritPt v2 hard subset (AA)Artificial Analysis59.0%69.0%
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1567
Chess PuzzlesEpoch AI Benchmarking Hub59.0%78.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%73.0%
LMCAEpoch AI Benchmarking Hub68.3%–
DTBenchEpoch AI Benchmarking Hub97.3%–
编程
SciCodeSciCode61.0%64.2%
FrontierCodeCognition52.1%†–
Arena CodingArena (LMArena)1517†1568
Arena WebDevArena (LMArena)1772†1768
LiveBench 2.0 CodingLiveBench77.2%91.0%
显示全部 152 项基准测试
指标发布方Claude Sonnet 5.5 (max)Gemini 4 Carbon (high)
编程
LiveBench 1.0 CodingLiveBench91.4%–
SciCode (AA)Artificial Analysis61.0%–
IOIVals AI83.1%–
Code MigrationVals AI69.8%–
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%–
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%89.1%
Vibe Code Bench 1-100 v1.1Vals AI–49.7%
SWE Atlas v1.1Scale AI SEAL68.3%†71.4%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL74.2%†73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL67.8%†76.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL62.9%†64.3%†
SWE-Bench Pro V2Scale AI SEAL95.8%†–
SWE-Bench Pro V2 HARDScale AI SEAL70.6%†–
MirrorCodeEpoch AI Benchmarking Hub97.8%–
CursorBenchCursor55.5%60.4%
ALE-BenchEpoch AI Benchmarking Hub1819.1†–
FrontierSWEEpoch AI Benchmarking Hub61.9%61.2%
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%65.2%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†–
GameBench 2 by reasoning settingDuelLab GameBench 291.4†–
Design Arena WebsiteDesign Arena1309†1319†
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%40.6%
智能体与工具
Terminal-BenchTerminal-Bench63.9%64.5%
APEX-AgentsMercor75.5%84.2%†
Arena AgentArena (LMArena)1617
LiveBench Long AgenticLiveBench63.4%72.7%
LiveBench BrowserLiveBench89.3%80.0%
LiveBench Agentic CodingLiveBench56.3%–
Terminal-Bench 2.1 (Vals)Vals AI83.2%†–
HiL-BenchScale AI SEAL–50.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381733
Analyst Agent (AA)Artificial Analysis57.5%–
CyberBenchVals AI59.6%–
Finance Agent v2Vals AI58.1%–
Finance Agent v2.1Vals AI67.3%67.2%
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%17.5%
Harvey's Legal Agent Benchmark v1Vals AI2.9%–
Legal Research BenchVals AI48.1%55.8%
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%51.8%
Terminal-Bench 4.0 (Vals)Vals AI64.1%63.1%
Terminal-Bench ScienceVals AI47.1%–
Arena Agent Task CompletionArena (LMArena)19.518.4
Vending-Bench 2Andon Labs11165.3†16484.2†
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%77.8%
GDP.pdf (AA)Artificial Analysis25.8%28.4%
Harvey LAB-AA v1.1Harvey2.8%–
AA-Briefcase v1.1Artificial Analysis18161611
GDPxGDPx by SemiAnalysis8.2%10.9%
Design Arena AgenticDesign Arena1293†1305†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%64.8%
MKA (AA)Artificial Analysis52.0%54.3%
FACTS SearchGoogle86.8%†94.4%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%90.5%
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%95.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench96.1%–
ArXivMathMathArena–94.3%
BrokenArXivMathArena–84.4%
Arena MathsArena (LMArena)1486†–
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%2.9%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%77.7%
LiveBench 2.0 Data AnalysisLiveBench59.5%86.5%
LiveBench ResearchLiveBench88.0%92.5%
LiveBench 1.0 Data AnalysisLiveBench59.5%–
AA-Omniscience v1.1Artificial Analysis30.553.5
PRBench LegalScale AI SEAL–53.4%†
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%–
Excel Modeling Benchmark v1.1Vals AI75.9%76.5%
MedCodeVals AI52.9%–
MedScribeVals AI91.1%–
Public Benefits Bench v1.1Vals AI67.2%–
Access to Justice BenchmarkVals AI74.9%–
Financial Coaching BenchVals AI74.9%–
Immigration BenchVals AI69.0%–
DrugDiscoveryBenchScale AI SEAL–71.5%
EBR-benchEpoch AI Benchmarking Hub–87.6%
GDP.pdfEpoch AI Benchmarking Hub31.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%58.3%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%88.6%
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†81.6%†
指令遵循
LiveBench LanguageLiveBench78.0%–
LiveBench Instruction FollowingLiveBench56.8%–
Arena Instruction FollowingArena (LMArena)1482†1525
人类偏好
Arena TextArena (LMArena)1473†1526
Arena Creative WritingArena (LMArena)1464†1516
Arena Multi-turnArena (LMArena)1469†1564
Arena Longer QueriesArena (LMArena)1491†1538
多模态
Arena VisionArena (LMArena)1284†–
LiveBench DesignLiveBench81.3%80.2%
MMMU-ProArtificial Analysis–89.3%†
SAGEVals AI88.0%–
Humanity's Sixth SenseScale AI SEAL–71.1%
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†58.6%†
Furniture AssemblyEpoch AI Benchmarking Hub75.0%77.5%
VIALS-AAHandshake AI59.6%64.0%
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†60.2%†
长上下文
AA-LCR v1.1Artificial Analysis82.7%79.3%
MLCRArtificial Analysis41.7%19.4%
FACTS GroundingGoogle62.5%†77.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†169.8†
LiveBench 2.0LiveBench77.0%83.5%
LiveBench 1.0LiveBench75.7%–
AA Intelligence Index v5.0.1Artificial Analysis54.560.0
AA Intelligence Index v4.3.2Artificial Analysis56–
AA Progress Index v1Artificial Analysis350.5350.8
Vals IndexVals AI70.870.5
Vals Finance IndexVals AI64.5%67.0%
Vals RSI IndexVals AI–27.7%
Vals Science IndexVals AI59.1%–
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%75.9%
安全与诚实
FORTRESSScale AI SEAL–16.4%†
DistressBenchScale AI SEAL74.6%†–

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…)。
  • Gemini 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
  • Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
  • Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
  • Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
  • Gemini 4 Carbon (high):13 项新结果(GPQA Diamond, FrontierMath Tiers 1–3, FrontierMath Tier 4…)。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。

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 4 Carbon:常见问题

Gemini 4 Carbon 比 Claude Sonnet 5.5 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 64.2。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 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 4 Carbon 哪个更便宜?价格会变吗?
两者价格相同:每百万 token 混合价格 $4.00。两者均未公布价格调整。
编程用 Claude Sonnet 5.5 还是 Gemini 4 Carbon 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 70,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Claude Sonnet 5.5 为 41.7%,Gemini 4 Carbon 为 40.6%。
Claude Sonnet 5.5 和 Gemini 4 Carbon 哪个更快?
Claude Sonnet 5.5 输出更快(约 2 倍;输出 152 比 64 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 4 Carbon 更好?
两者在智能体任务方面持平(类别得分 71 比 70)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,Claude Sonnet 5.5 为 63.9%,Gemini 4 Carbon 为 64.5%。
更多问题(4)
处理长文档哪个更好?
Claude Sonnet 5.5 在长上下文基准测试上得分更高(66 比 64)。两者都约为 1M token(Claude Sonnet 5.5 为 1,000,000,Gemini 4 Carbon 为 1,048,576)。
哪个延迟更低?
Gemini 4 Carbon 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 73.5 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 4 Carbon 的看法一致吗?
在两者都有结果的 51 项基准测试中,Claude Sonnet 5.5 领先 13 项,Gemini 4 Carbon 领先 37 项,1 项持平。第三方来源看法不一:Claude Sonnet 5.5 在 Vals Index 上领先;Gemini 4 Carbon 在 BenchLeader Index、AA Intelligence Index v5.0.1和Arena Text 上领先。
Gemini 4 Carbon 是什么时候发布的?
Gemini 4 Carbon 于 2026年10月28日 发布。