BenchLeader

Claude Sonnet 5.5 vs GPT-6 Sol

完整资料:Claude Sonnet 5.5(Anthropic)和 GPT-6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,Claude Sonnet 5.5 与 GPT-6 Sol 的质量不相上下(BenchLeader Index 64.2 比 62.6,在 ±4.1 的误差范围内)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.00)。看重智能体与工具(71 比 59)、编程(70 比 66)和数学(71 比 68)选 Claude Sonnet 5.5;看重知识(61 比 57)选 GPT-6 Sol。GPT-6 Sol 的首次回答更快(36.9 秒 比 290.5 秒)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,GPT-6 Sol 为 62.6(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 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 68 项基准测试中,Claude Sonnet 5.5 领先 52 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 66;FrontierCode 2.0 (AA) 41.7% 比 35.6%中
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 59;Terminal-Bench 63.9% 比 50.3%高
数学Claude Sonnet 5.5类别得分 71 比 68;FrontierMath Tiers 1–3 88.8% 比 89.8%中
推理Claude Sonnet 5.5类别得分 68 比 66;GPQA Diamond 95.6% 比 94.3%中
知识GPT-6 Sol类别得分 61 比 57;SimpleQA Verified 60.7% 比 46.5%中
长文档均可类别得分 66 比 67;AA-LCR v1.1 82.7% 比 83.7%均可
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)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GPT-6 Sol首个回答 token 36.9 秒(GPT-6 Sol (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 Sol (max) 的质量不相上下(64.2 比 62.6,在 ±4.1 的误差范围内)。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、数学、推理方面更强。
  • GPT-6 Sol (max) 在知识、长上下文方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。

概览

规格Claude Sonnet 5.5GPT-6 Sol
提供商AnthropicOpenAI
发布日期2026年9月28日2026年9月22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 Sol (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$2.00 / $10.00 / $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)GPT-6 Sol (max)领先者
推理67.866.0Claude Sonnet 5.5
编程70.266.3Claude Sonnet 5.5
智能体与工具70.558.8Claude Sonnet 5.5
数学71.368.0Claude Sonnet 5.5
知识57.460.6GPT-6 Sol
人类偏好–64.2无法比较
多模态–60.6无法比较
长上下文66.066.6持平
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。

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 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 长上下文: 66.6

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 68 项基准测试中,Claude Sonnet 5.5 领先 52 项,GPT-6 Sol 领先 14 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 Sol (max)领先者
BenchLeader Index64.262.6不相上下
AA Intelligence Index v5.0.154.544.2Claude Sonnet 5.5
Arena Text1473†1457Claude 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 Sol (max)
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$0.200
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$0.079
每项基准测试任务成本(AA Index)$10.02$2.47
每项任务输出 token(AA Index)285k54k
其中推理部分206k35k
每项任务耗时(AA Index)31 min7 min
输出速度152 tok/s127 tok/s
首次回答时间290.5 秒36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒143.8 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 Sol (max) 上花费 $2.47;完成同样的工作,Claude Sonnet 5.5 (max) 输出的 token 是对方的 5.3 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)。GPT-6 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 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 153 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 Sol (max)
BenchLeader IndexBenchLeader64.262.6
智能体与工具得分BenchLeader70.558.8
编程得分BenchLeader70.266.3
综合得分BenchLeader63.0–
知识得分BenchLeader57.460.6
长上下文得分BenchLeader66.066.6
数学得分BenchLeader71.368.0
推理得分BenchLeader67.866.0
人类偏好得分BenchLeader–64.2
多模态得分BenchLeader–60.6
混合价格(美元/百万 token)BenchLeader$4.00$4.00
输出速度BenchLeader152 tok/s127 tok/s
首次回答时间BenchLeader290.5 秒36.9 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%†73.1%†
Arena Hard PromptsArena (LMArena)1499†1483
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%88.7%
Humanity's Last Exam (AA)Artificial Analysis55.0%47.9%
HLE-Diamond (AA)Artificial Analysis53.3%45.2%
ARC-AGI-1ARC Prize96.5%95.5%
ARC-AGI-2ARC Prize83.9%†89.6%
ARC-AGI-3ARC Prize72.4%†23.0%
CritPtArtificial Analysis31.4%30.9%
CritPt v2 hard subset (AA)Artificial Analysis59.0%66.5%
MysteryMechanismVals AI49.1%30.2%
HLE-Diamond (Scale)Scale AI SEAL37.5%†33.8%†
Arena ExpertArena (LMArena)1512†1496
Chess PuzzlesEpoch AI Benchmarking Hub59.0%56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%56.0%
LMCAEpoch AI Benchmarking Hub68.3%59.1%
DTBenchEpoch AI Benchmarking Hub97.3%97.3%
编程
SciCodeSciCode61.0%57.6%
FrontierCodeCognition52.1%†49.3%
Arena CodingArena (LMArena)1517†1521
Arena WebDevArena (LMArena)1772†1673
LiveBench 2.0 CodingLiveBench77.2%–
显示全部 153 项基准测试
指标发布方Claude Sonnet 5.5 (max)GPT-6 Sol (max)
编程
LiveBench 1.0 CodingLiveBench91.4%81.8%
IOIVals AI83.1%82.6%
Code MigrationVals AI69.8%57.2%
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%2.0%
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%87.8%
SWE Atlas v1.1Scale AI SEAL68.3%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL74.2%†–
SWE Atlas v1.1: Test WritingScale AI SEAL67.8%†–
SWE Atlas v1.1: RefactoringScale AI SEAL62.9%†–
SWE-Bench Pro V2Scale AI SEAL95.8%†–
SWE-Bench Pro V2 HARDScale AI SEAL70.6%†–
MirrorCodeEpoch AI Benchmarking Hub97.8%48.9%
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†2462
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%43.9%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†73.0†
GameBench 2 by reasoning settingDuelLab GameBench 291.4†79.4†
Design Arena WebsiteDesign Arena1309†1290†
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%35.6%
智能体与工具
Terminal-BenchTerminal-Bench63.9%50.3%
APEX-AgentsMercor75.5%54.3%
Arena AgentArena (LMArena)166.9
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%52.9%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†83.2%
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis18381514
ITBench SRE (AA)Artificial Analysis–49.4%
Analyst Agent (AA)Artificial Analysis57.5%–
CyberBenchVals AI59.6%78.0%
Finance Agent v2Vals AI58.1%49.0%
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%1.7%
Legal Research BenchVals AI48.1%28.9%
SREBenchVals AI30.1%30.5%
Tax Agent BenchVals AI42.0%15.0%
Terminal-Bench 4.0 (Vals)Vals AI64.1%44.4%
Terminal-Bench ScienceVals AI47.1%30.0%
Arena SearchArena (LMArena)–1229
Arena Agent Task CompletionArena (LMArena)19.54.5
Vending-Bench 2Andon Labs11165.3†14427.9†
SpireClimbEpoch AI Benchmarking Hub1.3%9.2%
AutomationBenchArtificial Analysis71.8%61.6%
GDP.pdf (AA)Artificial Analysis25.8%25.2%
Harvey LAB-AA v1.1Harvey2.8%3.6%
AA-Briefcase v1.1Artificial Analysis18161476
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1218†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%30.0%
CWE-Bench (AA)Artificial Analysis–64.2%
DeepSec-Bench (AA)Artificial Analysis–46.3%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
MKA (AA)Artificial Analysis52.0%–
FACTS SearchGoogle86.8%†92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%
ProofBenchVals AI100.0%83.0%†
LiveBench MathematicsLiveBench96.1%96.4%
Arena MathsArena (LMArena)1486†1440
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%60.7%
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%81.2%
AA-Omniscience v1.1Artificial Analysis30.521.4
PRBench LegalScale AI SEAL–38.6%†
BioMysteryBenchVals AI81.1%74.8%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%71.5%
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%47.1%
MedScribeVals AI91.1%82.0%
Public Benefits Bench v1.1Vals AI67.2%56.6%
Access to Justice BenchmarkVals AI74.9%–
Financial Coaching BenchVals AI74.9%62.6%
Immigration BenchVals AI69.0%–
EBR-benchEpoch AI Benchmarking Hub–53.3%
GDP.pdfEpoch AI Benchmarking Hub31.4%26.4%
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%51.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%39.1%
HealthBench Professional (AA)OpenAI63.0%62.3%
FACTS ParametricGoogle35.1%†76.1%†
指令遵循
LiveBench LanguageLiveBench78.0%85.3%
LiveBench Instruction FollowingLiveBench56.8%68.6%
Arena Instruction FollowingArena (LMArena)1482†1449
人类偏好
Arena TextArena (LMArena)1473†1457
EQ-Bench Creative Writing v3EQ-Bench–2126†
Arena Creative WritingArena (LMArena)1464†1428
Arena Multi-turnArena (LMArena)1469†1468
Arena Longer QueriesArena (LMArena)1491†1466
多模态
Arena VisionArena (LMArena)1284†1233
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–83.0%
SAGEVals AI88.0%–
Humanity's Sixth SenseScale AI SEAL–31.2%
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub75.0%58.3%
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis12041131
FACTS MultimodalGoogle50.4%†43.9%†
长上下文
AA-LCR v1.1Artificial Analysis82.7%83.7%
MLCRArtificial Analysis41.7%33.9%
FACTS GroundingGoogle62.5%†83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†163.8†
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%79.3%
AA Intelligence Index v5.0.1Artificial Analysis54.544.2
AA Intelligence Index v4.3.2Artificial Analysis5647.6
AA Progress Index v1Artificial Analysis350.5334
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals RSI IndexVals AI–28.1%
Vals Science IndexVals AI59.1%45.0%
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL–13.5%†
DistressBenchScale AI SEAL74.6%†68.0%†

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • Claude Sonnet 5.5 (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • Claude Sonnet 5.5 (max):2 项分数修订。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • Claude Sonnet 5.5 (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 Sol:常见问题

Claude Sonnet 5.5 比 GPT-6 Sol 更好吗?
Claude Sonnet 5.5 (max) 与 GPT-6 Sol (max) 的质量不相上下(64.2 比 62.6,在 ±4.1 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 Sol 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 GPT-6 Sol 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 66,50 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%,GPT-6 Sol 为 35.6%。
Claude Sonnet 5.5 和 GPT-6 Sol 哪个更快?
Claude Sonnet 5.5 输出更快(输出 152 比 127 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 Sol 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 59,50 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 Sol 为 50.3%。
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 67)。两者都约为 1.1M token(Claude Sonnet 5.5 为 1,000,000,GPT-6 Sol 为 1,050,000)。
哪个延迟更低?
GPT-6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 36.9 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 Sol 的看法一致吗?
在两者都有结果的 68 项基准测试中,Claude Sonnet 5.5 领先 52 项,GPT-6 Sol 领先 14 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。
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。