BenchLeader

Claude Sonnet 5.5 vs GPT-6.1 Terra

完整资料:Claude Sonnet 5.5(Anthropic)和 GPT-6.1 Terra(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,Claude Sonnet 5.5 与 GPT-6.1 Terra 的质量不相上下(BenchLeader Index 64.2 比 64.1,在 ±3.2 的误差范围内)。GPT-6.1 Terra 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。看重智能体与工具(71 比 63)选 Claude Sonnet 5.5;看重知识(61 比 57)选 GPT-6.1 Terra。GPT-6.1 Terra 的首次回答更快(150.9 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,GPT-6.1 Terra 为 64.1(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)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 GPT-6.1 Terra 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 52 项基准测试中,Claude Sonnet 5.5 领先 33 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
编程均可类别得分 70 比 69;FrontierCode 2.0 (AA) 41.7% 比 42.3%均可
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 63;Terminal-Bench 63.9% 比 53.3%中
数学均可类别得分 71 比 72;FrontierMath Tiers 1–3 88.8% 比 90.9%均可
推理均可类别得分 68 比 68;GPQA Diamond 95.6% 比 94.3%均可
知识GPT-6.1 Terra类别得分 61 比 57;SimpleQA Verified 57.3% 比 46.5%中
长文档均可类别得分 66 比 66;AA-LCR v1.1 82.7% 比 82.7%均可
成本最低GPT-6.1 Terra每百万 token 混合价格 $2.00 比 $4.00;智能体编程会话 $0.080 比 $0.160–
首次回答最快GPT-6.1 Terra首个回答 token 150.9 秒(GPT-6.1 Terra (max))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

  • Claude Sonnet 5.5 (max) 与 GPT-6.1 Terra (max) 的质量不相上下(64.2 比 64.1,在 ±3.2 的误差范围内)。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程方面更强。
  • GPT-6.1 Terra (max) 在综合、知识、数学、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。
  • Claude Sonnet 5.5 (max) 的输出速度是对方的 2.1 倍(152 比 72 token/秒)。

概览

规格Claude Sonnet 5.5GPT-6.1 Terra
提供商AnthropicOpenAI
发布日期2026年9月28日2026年10月26日
上下文窗口(token)1,000,0001,050,000
对比时的配置Claude Sonnet 5.5 (max)GPT-6.1 Terra (max)
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$1.00 / $5.00 / $0.050

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)GPT-6.1 Terra (max)领先者
推理67.868.4持平
编程70.269.3持平
智能体与工具70.563.4Claude Sonnet 5.5
数学71.371.7持平
知识57.461.4GPT-6.1 Terra
多模态–67.2无法比较
长上下文66.066.0持平
综合63.065.0GPT-6.1 Terra

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: 66.0GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 知识: 61.4GPT-6.1 Terra, 长上下文: 66.0

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 52 项基准测试中,Claude Sonnet 5.5 领先 33 项,GPT-6.1 Terra 领先 17 项,2 项持平。所有同时评测两者的综合评分都认为 Claude Sonnet 5.5 更强。

综合 IndexClaude Sonnet 5.5 (max)GPT-6.1 Terra (max)领先者
BenchLeader Index64.264.1不相上下
AA Intelligence Index v5.0.154.551.3Claude Sonnet 5.5
Vals Index70.860.5Claude Sonnet 5.5

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)GPT-6.1 Terra (max)
每百万 token 混合价格$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$1.00 / $5.00
每百万 token 缓存输入$0.100$0.050
每项任务价格:聊天回复$0.0038$0.0019
每项任务价格:总结一份 30 页的报告$0.030$0.015
每项任务价格:代码编辑$0.027$0.013
每项任务价格:智能体编程会话$0.160$0.080
每项任务价格:结构化信息提取$0.0060$0.0030
智能体编程会话(输入大多命中缓存)$0.074$0.037
每项基准测试任务成本(AA Index)$10.02$0.961
每项任务输出 token(AA Index)285k60k
其中推理部分206k39k
每项任务耗时(AA Index)31 min14 min
输出速度152 tok/s72 tok/s
首次回答时间290.5 秒150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒375.7 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 GPT-6.1 Terra (max) 上花费 $0.961;完成同样的工作,Claude Sonnet 5.5 (max) 输出的 token 是对方的 4.8 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)。GPT-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 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 145 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)GPT-6.1 Terra (max)
BenchLeader IndexBenchLeader64.264.1
智能体与工具得分BenchLeader70.563.4
编程得分BenchLeader70.269.3
综合得分BenchLeader63.065.0
知识得分BenchLeader57.461.4
长上下文得分BenchLeader66.066.0
数学得分BenchLeader71.371.7
推理得分BenchLeader67.868.4
多模态得分BenchLeader–67.2
混合价格(美元/百万 token)BenchLeader$4.00$2.00
输出速度BenchLeader152 tok/s72 tok/s
首次回答时间BenchLeader290.5 秒150.9 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%94.3%
Humanity's Last ExamScale AI / CAIS46.1%†–
SimpleBenchSimpleBench75.9%†72.2%†
Arena Hard PromptsArena (LMArena)1499†–
LiveBench 2.0 ReasoningLiveBench91.6%88.7%
LiveBench 1.0 ReasoningLiveBench91.6%–
Humanity's Last Exam (AA)Artificial Analysis55.0%46.3%
HLE-Diamond (AA)Artificial Analysis53.3%47.3%
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize83.9%†–
ARC-AGI-3ARC Prize72.4%†–
CritPtArtificial Analysis31.4%28.0%
CritPt v2 hard subset (AA)Artificial Analysis59.0%68.0%
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†35.7%†
Arena ExpertArena (LMArena)1512†–
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%74.0%
LMCAEpoch AI Benchmarking Hub68.3%–
DTBenchEpoch AI Benchmarking Hub97.3%–
编程
SciCodeSciCode61.0%55.1%
FrontierCodeCognition52.1%†–
Arena CodingArena (LMArena)1517†–
Arena WebDevArena (LMArena)1772†1678
LiveBench 2.0 CodingLiveBench77.2%89.2%
显示全部 145 项基准测试
指标发布方Claude Sonnet 5.5 (max)GPT-6.1 Terra (max)
编程
LiveBench 1.0 CodingLiveBench91.4%–
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%84.0%
SWE Atlas v1.1Scale AI SEAL68.3%†57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL74.2%†54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL67.8%†63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL62.9%†55.7%†
SWE-Bench Pro V2Scale AI SEAL95.8%†–
SWE-Bench Pro V2 HARDScale AI SEAL70.6%†–
MirrorCodeEpoch AI Benchmarking Hub97.8%76.7%
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†2608.8
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%55.6%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†81.2†
GameBench 2 by reasoning settingDuelLab GameBench 291.4†85.8†
Design Arena WebsiteDesign Arena1309†1286†
FrontierCode 1.1 (AA)Artificial Analysis45.8%36.0%
FrontierCode 2.0 (AA)Artificial Analysis41.7%42.3%
智能体与工具
Terminal-BenchTerminal-Bench63.9%53.3%
APEX-AgentsMercor75.5%68.3%
Arena AgentArena (LMArena)1612
LiveBench Long AgenticLiveBench63.4%56.2%
LiveBench BrowserLiveBench89.3%93.1%
LiveBench Agentic CodingLiveBench56.3%–
Terminal-Bench 2.1 (Vals)Vals AI83.2%†–
HiL-BenchScale AI SEAL–68.0%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381476
Analyst Agent (AA)Artificial Analysis57.5%–
CyberBenchVals AI59.6%–
Finance Agent v2Vals AI58.1%–
Finance Agent v2.1Vals AI67.3%56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%1.7%
Harvey's Legal Agent Benchmark v1Vals AI2.9%–
Legal Research BenchVals AI48.1%26.0%
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%17.1%
Terminal-Bench 4.0 (Vals)Vals AI64.1%49.5%
Terminal-Bench ScienceVals AI47.1%–
Arena Agent Task CompletionArena (LMArena)19.59.7
Vending-Bench 2Andon Labs11165.3†9107.5†
SpireClimbEpoch AI Benchmarking Hub1.3%22.3%
AutomationBenchArtificial Analysis71.8%60.2%
GDP.pdf (AA)Artificial Analysis25.8%28.6%
Harvey LAB-AA v1.1Harvey2.8%–
AA-Briefcase v1.1Artificial Analysis18161401
GDPxGDPx by SemiAnalysis8.2%8.5%
Design Arena AgenticDesign Arena1293†1192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%57.6%
MKA (AA)Artificial Analysis52.0%43.8%
FACTS SearchGoogle86.8%†92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench96.1%–
Arena MathsArena (LMArena)1486†–
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%57.3%
LiveBench 2.0 Data AnalysisLiveBench59.5%82.3%
LiveBench ResearchLiveBench88.0%79.1%
LiveBench 1.0 Data AnalysisLiveBench59.5%–
AA-Omniscience v1.1Artificial Analysis30.529.6
BioMysteryBenchVals AI81.1%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%–
Excel Modeling Benchmark v1.1Vals AI75.9%73.3%
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%–
EBR-benchEpoch AI Benchmarking Hub–78.1%
GDP.pdfEpoch AI Benchmarking Hub31.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%65.5%
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†70.8%†
指令遵循
LiveBench LanguageLiveBench78.0%–
LiveBench Instruction FollowingLiveBench56.8%–
MultiChallengeScale AI SEAL–74.2%†
Arena Instruction FollowingArena (LMArena)1482†–
人类偏好
Arena TextArena (LMArena)1473†–
Arena Creative WritingArena (LMArena)1464†–
Arena Multi-turnArena (LMArena)1469†–
Arena Longer QueriesArena (LMArena)1491†–
多模态
Arena VisionArena (LMArena)1284†–
LiveBench DesignLiveBench81.3%79.7%
MMMU-ProArtificial Analysis–84.7%
SAGEVals AI88.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub75.0%79.2%
VIALS-AAHandshake AI59.6%60.3%
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†48.8%†
长上下文
AA-LCR v1.1Artificial Analysis82.7%82.7%
MLCRArtificial Analysis41.7%30.6%
FACTS GroundingGoogle62.5%†84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†167.7†
LiveBench 2.0LiveBench77.0%78.8%
LiveBench 1.0LiveBench75.7%–
AA Intelligence Index v5.0.1Artificial Analysis54.551.3
AA Intelligence Index v4.3.2Artificial Analysis5648.1
AA Progress Index v1Artificial Analysis350.5345.2
Vals IndexVals AI70.860.5
Vals Finance IndexVals AI64.5%53.3%
Vals Science IndexVals AI59.1%–
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%58.8%
安全与诚实
FORTRESSScale AI SEAL–18.2%†
DistressBenchScale AI SEAL74.6%†65.9%†

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…)。
  • GPT-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • Claude Sonnet 5.5 (max):2 项分数修订。
  • GPT-6.1 Terra (max):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 Sonnet 5.5 vs GPT-6.1 Terra:常见问题

Claude Sonnet 5.5 比 GPT-6.1 Terra 更好吗?
Claude Sonnet 5.5 (max) 与 GPT-6.1 Terra (max) 的质量不相上下(64.2 比 64.1,在 ±3.2 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 Sonnet 5.5 和 GPT-6.1 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 比 $4.00(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 5.5 还是 GPT-6.1 Terra 更好?
两者在编程方面持平(类别得分 70 比 69)。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%,GPT-6.1 Terra 为 42.3%。
Claude Sonnet 5.5 和 GPT-6.1 Terra 哪个更快?
Claude Sonnet 5.5 输出更快(约 2 倍;输出 152 比 72 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5.5 还是 GPT-6.1 Terra 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 63,50 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 5.5 为 63.9%,GPT-6.1 Terra 为 53.3%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。两者都约为 1.1M token(Claude Sonnet 5.5 为 1,000,000,GPT-6.1 Terra 为 1,050,000)。
哪个延迟更低?
GPT-6.1 Terra 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 150.9 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 GPT-6.1 Terra 的看法一致吗?
在两者都有结果的 52 项基准测试中,Claude Sonnet 5.5 领先 33 项,GPT-6.1 Terra 领先 17 项,2 项持平。所有同时评测两者的综合评分都认为 Claude Sonnet 5.5 更强。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。