BenchLeader

Claude Sonnet 5.5 vs Kimi K2.5

完整资料:Claude Sonnet 5.5(Anthropic)和 Kimi K2.5(Moonshot AI),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 Kimi K2.5(BenchLeader Index 64.2 比 59.4)。不过,Kimi K2.5 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $1.20 比 $4.00)。看重智能体与工具(71 比 45)、编程(70 比 55)和数学(71 比 65)选 Claude Sonnet 5.5;看重知识(60 比 57)选 Kimi K2.5。Kimi K2.5 的首次回答更快(42.0 秒 比 290.5 秒)。Claude Sonnet 5.5 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5.5 的 BenchLeader Index 为 64.2,Kimi K2.5 为 59.4(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)。
  • Kimi K2.5 每百万 token 混合价格为 $1.20(标价,2026年11月16日)。
  • Claude Sonnet 5.5 比 Kimi K2.5 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 13 项基准测试中,Claude Sonnet 5.5 领先 13 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 55;Code Migration 69.8% 比 7.0%高
智能体与工具调用Claude Sonnet 5.5类别得分 71 比 45;GDPval-AA v2.1 1838 比 847高
数学Claude Sonnet 5.5类别得分 71 比 65中
推理均可类别得分 68 比 67;Humanity's Last Exam (AA) 55.0% 比 30.7%均可
知识Kimi K2.5类别得分 60 比 57;Excel Modeling Benchmark 28.5% 比 75.7%中
长文档Claude Sonnet 5.5类别得分 66 比 64;AA-LCR v1.1 82.7% 比 78.0%中
对话质量(人类偏好)–只有 Kimi K2.5 有 Arena 评分(类别得分 63)无法比较
成本最低Kimi K2.5每百万 token 混合价格 $1.20 比 $4.00;智能体编程会话 $0.048 比 $0.160–
首次回答最快Kimi K2.5首个回答 token 42.0 秒(Kimi K2.5 (thinking))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 59.4。
  • Claude Sonnet 5.5 (max) 在智能体与工具、编程、长上下文、数学、推理方面更强。
  • Kimi K2.5 (thinking) 在知识方面更强。
  • Kimi K2.5 (thinking) 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $1.20 比 $4.00)。
  • Claude Sonnet 5.5 (max) 的输出速度是对方的 3.6 倍(152 比 43 token/秒)。

概览

规格Claude Sonnet 5.5Kimi K2.5
提供商AnthropicMoonshot AI
发布日期2026年9月28日2026年1月27日
上下文窗口(token)1,000,000262,144
对比时的配置Claude Sonnet 5.5 (max)Kimi K2.5 (thinking)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.100$0.600 / $3.00 / $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)Kimi K2.5 (thinking)领先者
推理67.867.3持平
编程70.255.4Claude Sonnet 5.5
智能体与工具70.545.1Claude Sonnet 5.5
数学71.365.1Claude Sonnet 5.5
知识57.460.1Kimi K2.5
指令遵循–69.1无法比较
人类偏好–63.2无法比较
多模态–59.1无法比较
长上下文66.063.6Claude Sonnet 5.5
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: 66.0Kimi K2.5, 推理: 67.3Kimi K2.5, 编程: 55.4Kimi K2.5, 智能体与工具: 45.1Kimi K2.5, 数学: 65.1Kimi K2.5, 知识: 60.1Kimi K2.5, 长上下文: 63.6

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 13 项基准测试中,Claude Sonnet 5.5 领先 13 项,Kimi K2.5 领先 0 项。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)Kimi K2.5 (thinking)领先者
BenchLeader Index64.259.4Claude Sonnet 5.5
Arena Text1473†1450Claude 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)Kimi K2.5 (thinking)
每百万 token 混合价格$4.00$1.20
每百万 token 输入 / 输出$2.00 / $10.00$0.600 / $3.00
每百万 token 缓存输入$0.100$0.100
每项任务价格:聊天回复$0.0038$0.0011
每项任务价格:总结一份 30 页的报告$0.030$0.0090
每项任务价格:代码编辑$0.027$0.0081
每项任务价格:智能体编程会话$0.160$0.048
每项任务价格:结构化信息提取$0.0060$0.0018
智能体编程会话(输入大多命中缓存)$0.074$0.025
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/s43 tok/s
首次回答时间290.5 秒42.0 秒
完整回答耗时(最近一次测量 2026年11月13日)487.7 秒129.1 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)。Kimi K2.5 (thinking) 得分 59.4,首个回答 token 需 42 秒;Kimi K2.5 为 54.6(1 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 5.5 (max)Kimi K2.5 (thinking)
BenchLeader IndexBenchLeader64.259.4
智能体与工具得分BenchLeader70.545.1
编程得分BenchLeader70.255.4
综合得分BenchLeader63.0–
知识得分BenchLeader57.460.1
长上下文得分BenchLeader66.063.6
数学得分BenchLeader71.365.1
推理得分BenchLeader67.867.3
人类偏好得分BenchLeader–63.2
指令遵循得分BenchLeader–69.1
多模态得分BenchLeader–59.1
混合价格(美元/百万 token)BenchLeader$4.00$1.20
输出速度BenchLeader152 tok/s43 tok/s
首次回答时间BenchLeader290.5 秒42.0 秒
上下文窗口BenchLeader1,000,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.6%87.6%†
Humanity's Last ExamScale AI / CAIS46.1%†24.4%†
SimpleBenchSimpleBench75.9%†46.8%†
Arena Hard PromptsArena (LMArena)1499†1471
LiveBench 2.0 ReasoningLiveBench91.6%–
LiveBench 1.0 ReasoningLiveBench91.6%–
GPQA Diamond (AA)Artificial Analysis–87.9%
Humanity's Last Exam (AA)Artificial Analysis55.0%30.7%
HLE-Diamond (AA)Artificial Analysis53.3%–
GPQA Diamond (Vals)Vals AI–84.1%
Kagi LLM BenchmarkKagi LLM Benchmark–78.5%
ARC-AGI-1ARC Prize96.5%65.3%†
ARC-AGI-2ARC Prize83.9%†11.8%†
ARC-AGI-3ARC Prize72.4%†–
CritPtArtificial Analysis31.4%3.1%
CritPt v2 hard subset (AA)Artificial Analysis59.0%–
MysteryMechanismVals AI49.1%–
HLE-Diamond (Scale)Scale AI SEAL37.5%†–
Arena ExpertArena (LMArena)1512†1482
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub65.0%–
CL-benchEpoch AI Benchmarking Hub–19.3%†
CL-bench LifeEpoch AI Benchmarking Hub–13.2%†
LMCAEpoch AI Benchmarking Hub68.3%–
DTBenchEpoch AI Benchmarking Hub97.3%–
显示全部 190 项基准测试
指标发布方Claude Sonnet 5.5 (max)Kimi K2.5 (thinking)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–73.8%†
SciCodeSciCode61.0%49.0%†
WeirdMLWeirdML–45.6%†
FrontierCodeCognition52.1%†–
Arena CodingArena (LMArena)1517†1502
Arena WebDevArena (LMArena)1772†1436
LiveBench 2.0 CodingLiveBench77.2%–
LiveBench 1.0 CodingLiveBench91.4%–
SciCode (AA)Artificial Analysis61.0%–
LiveCodeBenchVals AI–83.9%
IOIVals AI83.1%–
SWE-bench (Vals)Vals AI–70.0%
SWE-bench Verified (bash only)SWE-bench–70.8%†
SWE-bench Multilingual (bash only)SWE-bench–67.3%†
SWE-bench Verified (any scaffold)SWE-bench–70.8%†
Code MigrationVals AI69.8%7.0%
Code Migration v1.1Vals AI86.9%–
ProgramBenchVals AI6.5%–
SWE-bench MultimodalVals AI58.3%–
Vibe Code Bench v1.1Vals AI92.4%17.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–13.1%†
SWE Atlas v1.0: RefactoringScale AI SEAL–20.9%†
SWE Atlas v1.0: Test WritingScale AI SEAL–25.8%†
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%–
CursorBenchCursor55.5%–
ALE-BenchEpoch AI Benchmarking Hub1819.1†821.6†
FrontierSWEEpoch AI Benchmarking Hub61.9%–
WeirdML v3WeirdML19.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis63.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis–45.7%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 260.4†–
GameBench 2 by reasoning settingDuelLab GameBench 291.4†–
Design Arena WebsiteDesign Arena1309†1241
FrontierCode 1.1 (AA)Artificial Analysis45.8%–
FrontierCode 2.0 (AA)Artificial Analysis41.7%–
智能体与工具
Terminal-BenchTerminal-Bench63.9%43.2%†
APEX-AgentsMercor75.5%–
Arena AgentArena (LMArena)16–
LiveBench Long AgenticLiveBench63.4%–
LiveBench BrowserLiveBench89.3%–
LiveBench Agentic CodingLiveBench56.3%–
Terminal-Bench HardArtificial Analysis–34.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
Terminal-Bench 2.1 (Vals)Vals AI83.2%†42.0%
MCP AtlasScale AI SEAL–64.4%†
GDPval-AA v2.1, normalised scoreArtificial Analysis66.9%–
GDPval-AA v2.1Artificial Analysis1838847
τ³-Banking (AA)Artificial Analysis–14.2%
Analyst Agent (AA)Artificial Analysis57.5%–
APEX-Agents (AA)Artificial Analysis–11.5%
CyberBenchVals AI59.6%–
Finance Agent v2Vals AI58.1%35.8%
Finance Agent v2.1Vals AI67.3%–
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%–
Harvey's Legal Agent Benchmark v1Vals AI2.9%0.0%
Legal Research BenchVals AI48.1%15.9%
SREBenchVals AI30.1%–
Tax Agent BenchVals AI42.0%–
Terminal-Bench 2.0 (Vals)Vals AI–40.5%
Terminal-Bench 4.0 (Vals)Vals AI64.1%–
Terminal-Bench ScienceVals AI47.1%–
Arena Agent Task CompletionArena (LMArena)19.5–
Vending-Bench 2Andon Labs11165.3†1198.5†
SpireClimbEpoch AI Benchmarking Hub1.3%–
AutomationBenchArtificial Analysis71.8%–
GDP.pdf (AA)Artificial Analysis25.8%–
Harvey LAB-AA v1.1Harvey2.8%–
AA-Briefcase v1.1Artificial Analysis1816–
GDPxGDPx by SemiAnalysis8.2%–
Design Arena AgenticDesign Arena1293†1116
Terminal-Bench-Science 0.1 (AA)Artificial Analysis53.3%–
MKA (AA)Artificial Analysis52.0%–
FACTS SearchGoogle86.8%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub88.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub80.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%92.2%†
ProofBenchVals AI100.0%–
LiveBench MathematicsLiveBench96.1%–
AIME (Vals)Vals AI–95.6%
AIME 2026MathArena–95.8%†
HMMT February 2026MathArena–87.1%†
MathArena ApexMathArena–8.8%†
Arena MathsArena (LMArena)1486†1470
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.5%34.3%†
LiveBench 2.0 Data AnalysisLiveBench59.5%–
LiveBench ResearchLiveBench88.0%–
LiveBench 1.0 Data AnalysisLiveBench59.5%–
AA-Omniscience v1.1Artificial Analysis30.5–
MMLU-ProVals AI–85.9%
CorpFinVals AI–68.3%
TaxEvalVals AI–74.2%
MedQAVals AI–94.4%
PRBench FinanceScale AI SEAL–46.5%†
PRBench LegalScale AI SEAL–43.8%†
MultiNRCScale AI SEAL–35.2%†
BioMysteryBenchVals AI81.1%–
CaseLaw v2Vals AI–58.7%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI75.7%28.5%
Excel Modeling Benchmark v1.1Vals AI75.9%–
MedCodeVals AI52.9%39.3%
MedScribeVals AI91.1%76.4%
Public Benefits Bench v1.1Vals AI67.2%–
Access to Justice BenchmarkVals AI74.9%–
Financial Coaching BenchVals AI74.9%–
Immigration BenchVals AI69.0%–
GDP.pdfEpoch AI Benchmarking Hub31.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.5%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis56.7%–
Global-MMLU-Lite (AA)Artificial Analysis–84.0%†
HealthBench Professional (AA)OpenAI63.0%–
FACTS ParametricGoogle35.1%†–
指令遵循
LiveBench LanguageLiveBench78.0%–
LiveBench Instruction FollowingLiveBench56.8%–
IFBenchArtificial Analysis–70.2%
MultiChallengeScale AI SEAL–61.4%†
TutorBenchScale AI SEAL–54.6%†
Arena Instruction FollowingArena (LMArena)1482†1439
人类偏好
Arena TextArena (LMArena)1473†1450
EQ-Bench Creative Writing v3EQ-Bench–1579†
Arena Creative WritingArena (LMArena)1464†1422
Arena Multi-turnArena (LMArena)1469†1452
Arena Longer QueriesArena (LMArena)1491†1457
多模态
Arena VisionArena (LMArena)1284†1269
LiveBench DesignLiveBench81.3%–
MMMU-ProArtificial Analysis–75.4%
VISTAScale AI SEAL–41.9%†
MMMU-Pro (Vals)Vals AI–84.3%
MortgageTaxVals AI–66.5%
SAGEVals AI88.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub39.3%†–
Furniture AssemblyEpoch AI Benchmarking Hub75.0%–
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1443–
AA-3DArtificial Analysis1204–
FACTS MultimodalGoogle50.4%†–
长上下文
Fiction.LiveBench 120kFiction.live–78.1%†
AA-LCR v1.1Artificial Analysis82.7%78.0%
Arena DocumentArena (LMArena)–1438
MLCRArtificial Analysis41.7%–
FACTS GroundingGoogle62.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.6†148.8†
LiveBench 2.0LiveBench77.0%–
LiveBench 1.0LiveBench75.7%–
AA Intelligence Index v5.0.1Artificial Analysis54.5–
AA Intelligence Index v4.3.2Artificial Analysis5623.5
AA Progress Index v1Artificial Analysis350.5270.5
Vals IndexVals AI70.8–
Vals Finance IndexVals AI64.5%–
Vals RSI IndexVals AI–6.8%†
Vals Science IndexVals AI59.1%–
Vals Router IndexVals AI69.0%†–
Vals Legal IndexVals AI68.0%–
安全与诚实
FORTRESSScale AI SEAL–41.1%†
MASKScale AI SEAL–70.5%†
DistressBenchScale AI SEAL74.6%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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…)。
  • Kimi K2.5 (thinking):1 项分数修订。
  • Kimi K2.5 (thinking):1 项新结果(GDPval-AA v2.1)。
  • Claude Sonnet 5.5 (max):BenchLeader Index 65.1 → 64.6。
  • Kimi K2.5 (thinking):BenchLeader Index 58.9 → 59.4。
  • 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。

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 Kimi K2.5:常见问题

Claude Sonnet 5.5 比 Kimi K2.5 更好吗?
质量上 Claude Sonnet 5.5 (max) 领先:64.2 比 59.4。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 Kimi K2.5 哪个更便宜?价格会变吗?
目前 Kimi K2.5 更便宜:每百万 token $1.20 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 Kimi K2.5 更好?
Claude Sonnet 5.5 在编程方面得分更高(类别得分 70 比 55,50 为平均水平)。
Claude Sonnet 5.5 和 Kimi K2.5 哪个更快?
Claude Sonnet 5.5 输出更快(3 倍以上;输出 152 比 43 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Sonnet 5.5 还是 Kimi K2.5 更好?
Claude Sonnet 5.5 在智能体任务方面得分更高(类别得分 71 比 45,50 为平均水平)。
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)。Claude Sonnet 5.5 支持更长的上下文:1,000,000 token,Kimi K2.5 为 262,144 token。
哪个延迟更低?
Kimi K2.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 42.0 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 Kimi K2.5 的看法一致吗?
在两者都有结果的 13 项基准测试中,Claude Sonnet 5.5 领先 13 项,Kimi K2.5 领先 0 项。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。