BenchLeader

DeepSeek V4 Flash vs GPT-6.1 Sol

完整资料:DeepSeek V4 Flash(DeepSeek)和 GPT-6.1 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 DeepSeek V4 Flash(BenchLeader Index 66.6 比 57.2)。不过,DeepSeek V4 Flash 更便宜,对方的价格是它的 15 倍(每百万 token 混合价格 $0.262 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • DeepSeek V4 Flash 的 BenchLeader Index 为 57.2,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • DeepSeek V4 Flash 每百万 token 混合价格为 $0.262(标价,2026年11月16日)。
  • GPT-6.1 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 28 项基准测试中,GPT-6.1 Sol 领先 25 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,DeepSeek V4 Flash 的评分为 1582,GPT-6.1 Sol 为 1743(LMArena,截至 2026年11月16日 的公布数据)。

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GPT-6.1 Sol类别得分 71 比 55;Arena WebDev 1743 比 1582高
数学GPT-6.1 Sol类别得分 72 比 62;Arena Maths 1499 比 1441高
推理GPT-6.1 Sol类别得分 71 比 59;ARC-AGI-2 94.2% 比 56.0%高
知识GPT-6.1 Sol类别得分 72 比 55;BioMysteryBench 79.6% 比 64.4%高
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 62中
成本最低DeepSeek V4 Flash每百万 token 混合价格 $0.262 比 $4.00;智能体编程会话 $0.011 比 $0.160–
首次回答最快DeepSeek V4 Flash首个回答 token 0.7 秒(DeepSeek V4 Flash (high))比 166.7 秒(GPT-6.1 Sol (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 GPT-6.1 Sol (max) 领先:66.6 比 57.2。
  • GPT-6.1 Sol (max) 在编程、人类偏好、知识、数学、推理方面更强。
  • DeepSeek V4 Flash (high) 更便宜,对方的价格是它的 15 倍(每百万 token 混合价格 $0.262 比 $4.00)。
  • DeepSeek V4 Flash (high) 的输出速度是对方的 1.6 倍(82 比 50 token/秒)。

概览

规格DeepSeek V4 FlashGPT-6.1 Sol
提供商DeepSeekOpenAI
发布日期2026年7月31日2026年9月29日
上下文窗口(token)1,048,5761,050,000
对比时的配置DeepSeek V4 Flash (high)GPT-6.1 Sol (max)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.150 / $0.600 / $0.0030$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DeepSeek V4 Flash (high)GPT-6.1 Sol (max)领先者
推理59.271.4GPT-6.1 Sol
编程55.071.1GPT-6.1 Sol
智能体与工具–64.3无法比较
数学61.971.6GPT-6.1 Sol
知识54.871.5GPT-6.1 Sol
人类偏好62.067.1GPT-6.1 Sol
多模态–65.6无法比较
长上下文–66.2无法比较
综合–67.9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推理编程数学知识人类偏好DeepSeek V4 Flash, 推理: 59.2DeepSeek V4 Flash, 编程: 55.0DeepSeek V4 Flash, 数学: 61.9DeepSeek V4 Flash, 知识: 54.8DeepSeek V4 Flash, 人类偏好: 62.0GPT-6.1 Sol, 推理: 71.4GPT-6.1 Sol, 编程: 71.1GPT-6.1 Sol, 数学: 71.6GPT-6.1 Sol, 知识: 71.5GPT-6.1 Sol, 人类偏好: 67.1

未绘制(测得的模型少于两个):智能体与工具, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 28 项基准测试中,DeepSeek V4 Flash 领先 3 项,GPT-6.1 Sol 领先 25 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。

综合 IndexDeepSeek V4 Flash (high)GPT-6.1 Sol (max)领先者
BenchLeader Index57.266.6GPT-6.1 Sol
Arena Text14391481GPT-6.1 Sol

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DeepSeek V4 Flash (high)GPT-6.1 Sol (max)
每百万 token 混合价格$0.262$4.00
每百万 token 输入 / 输出$0.150 / $0.600$2.00 / $10.00
每百万 token 缓存输入$0.0030$0.100
每项任务价格:聊天回复$0.0002$0.0038
每项任务价格:总结一份 30 页的报告$0.0022$0.030
每项任务价格:代码编辑$0.0018$0.027
每项任务价格:智能体编程会话$0.011$0.160
每项任务价格:结构化信息提取$0.0004$0.0060
智能体编程会话(输入大多命中缓存)$0.0048$0.074
每项基准测试任务成本(AA Index)–$1.27
每项任务输出 token(AA Index)–68k
其中推理部分–49k
每项任务耗时(AA Index)–23 min
输出速度82 tok/s50 tok/s
首次回答时间0.7 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)–429.6 秒

每个模型都按其排名最高的推理强度设置进行对比。DeepSeek V4 Flash (high) 得分 57.2,首个回答 token 需 1 秒;DeepSeek V4 Flash (max) 为 56.8(28 秒),DeepSeek V4 Flash 为 53.8(1 秒)。GPT-6.1 Sol (max) 得分 66.6,首个回答 token 需 167 秒;GPT-6.1 Sol (xhigh) 为 63.6(68 秒),GPT-6.1 Sol (high) 为 63.4(33 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 168 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DeepSeek V4 Flash (high)GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader57.266.6
编程得分BenchLeader55.071.1
人类偏好得分BenchLeader62.067.1
知识得分BenchLeader54.871.5
数学得分BenchLeader61.971.6
推理得分BenchLeader59.271.4
智能体与工具得分BenchLeader–64.3
综合得分BenchLeader–67.9
长上下文得分BenchLeader–66.2
多模态得分BenchLeader–65.6
混合价格(美元/百万 token)BenchLeader$0.262$4.00
输出速度BenchLeader82 tok/s50 tok/s
首次回答时间BenchLeader0.7 秒166.7 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%†95.4%
SimpleBenchSimpleBench61.1%†82.9%†
Arena Hard PromptsArena (LMArena)14591505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench86.6%†92.6%
GPQA Diamond (AA)Artificial Analysis90.8%†–
Humanity's Last Exam (AA)Artificial Analysis38.5%†52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI89.9%–
Kagi LLM BenchmarkKagi LLM Benchmark52.2%†–
ARC-AGI-1ARC Prize87.0%96.5%
ARC-AGI-2ARC Prize56.0%94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis16.6%†31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
Arena ExpertArena (LMArena)14671525
Chess PuzzlesEpoch AI Benchmarking Hub32.0%†68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%†80.0%
LMCAEpoch AI Benchmarking Hub41.7%†62.8%
DTBenchEpoch AI Benchmarking Hub90.9%†96.5%
编程
SciCodeSciCode42.0%54.2%
WeirdMLWeirdML57.0%–
FrontierCodeCognition18.8%†50.2%†
Arena CodingArena (LMArena)14801540
显示全部 168 项基准测试
指标发布方DeepSeek V4 Flash (high)GPT-6.1 Sol (max)
编程
Arena WebDevArena (LMArena)15821743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench75.0%†80.4%
SciCode (AA)Artificial Analysis50.4%†54.2%
LiveCodeBenchVals AI87.3%–
IOIVals AI32.7%96.9%
SWE-bench (Vals)Vals AI88.8%–
Code MigrationVals AI38.6%65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI0.0%3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI74.7%88.9%
SWE Atlas v1.1Scale AI SEAL–65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%†
SWE-Bench Pro V2Scale AI SEAL–96.1%†
MirrorCodeEpoch AI Benchmarking Hub–61.1%
ALE-BenchEpoch AI Benchmarking Hub678.22743.8
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis12.1%†56.1%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%†–
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 234.1†84.9†
GameBench 2 by reasoning settingDuelLab GameBench 243.492.0†
Design Arena WebsiteDesign Arena1199†1315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
智能体与工具
Terminal-BenchTerminal-Bench–60.9%
APEX-AgentsMercor–60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench46.8%†54.5%
Terminal-Bench 2.1 (Vals)Vals AI67.0%†–
HiL-BenchScale AI SEAL47.8%†62.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis1437†1607
τ³-Banking (AA)Artificial Analysis39.4%†–
Analyst Agent (AA)Artificial Analysis–50.0%
CyberBenchVals AI72.1%39.3%
Finance Agent v2Vals AI49.5%52.0%
Finance Agent v2.1Vals AI–61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–6.3%
Harvey's Legal Agent Benchmark v1Vals AI8.3%5.4%
Legal Research BenchVals AI30.3%38.5%
Robo-benchVals AI–28.3%
SkillsBenchVals AI50.7%–
SREBenchVals AI–50.8%
Tax Agent BenchVals AI28.1%21.8%
Terminal-Bench 4.0 (Vals)Vals AI18.7%55.0%
Terminal-Bench ScienceVals AI4.3%52.9%
Arena SearchArena (LMArena)–1249
Arena Agent Task CompletionArena (LMArena)–11.7
PostTrainBenchEpoch AI Benchmarking Hub–38.8%
Vending-Bench 2Andon Labs–12860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis54.0%†64.9%
GDP.pdf (AA)Artificial Analysis11.0%†31.0%
Harvey LAB-AA v1.1Harvey–6.9%
AA-Briefcase v1.1Artificial Analysis1255†1555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena–1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–58.1%
MKA (AA)Artificial Analysis–47.7%
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub57.5%†93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub24.4%†100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†100.0%
ProofBenchVals AI56.0%†99.0%†
LiveBench MathematicsLiveBench86.8%†96.8%
AIME 2026MathArena95.8%†–
HMMT February 2026MathArena93.9%†–
MathArena ApexMathArena27.1%†–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)14411499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.6%†73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench79.3%†82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI86.2%–
LegalBenchVals AI77.7%–
CorpFinVals AI61.9%–
TaxEvalVals AI70.7%–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI64.4%79.6%
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI57.0%70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI41.4%48.8%
MedScribeVals AI80.4%86.5%
Public Benefits Bench v1.1Vals AI–59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub–35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench79.2%†90.1%
LiveBench Instruction FollowingLiveBench65.5%†74.2%
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)14341482
人类偏好
Arena TextArena (LMArena)14391481
EQ-Bench 4EQ-Bench–1272†
EQ-Bench Creative Writing v3EQ-Bench1559†–
Arena Creative WritingArena (LMArena)14111449
Arena Multi-turnArena (LMArena)14471486
Arena Longer QueriesArena (LMArena)14491488
多模态
Arena VisionArena (LMArena)–1286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis–86.0%
SAGEVals AI–90.5%
Humanity's Sixth SenseScale AI SEAL–46.6%
Blueprint-Bench 2Epoch AI Benchmarking Hub–43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–80.0%
VIALS-AAHandshake AI–59.0%
Code2Video-AAArtificial Analysis–1369
AA-3DArtificial Analysis–1121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis79.7%†83.0%
MLCRArtificial Analysis–38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub154.4†168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench74.2%†81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis34.3†51.8
AA Progress Index v1Artificial Analysis309.4†348.5
Vals IndexVals AI–63.9
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI–26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
DistressBenchScale AI SEAL–74.2%†
元数据
AA Openness IndexArtificial Analysis44.4†–

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

  • GPT-6.1 Sol (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…);1 项分数修订。
  • DeepSeek V4 Flash (high):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 项分数修订。
  • DeepSeek V4 Flash (high):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

DeepSeek V4 Flash vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 DeepSeek V4 Flash 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 57.2。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
DeepSeek V4 Flash 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 DeepSeek V4 Flash 更便宜:每百万 token $0.262 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 DeepSeek V4 Flash 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,DeepSeek V4 Flash 为 1582,GPT-6.1 Sol 为 1743。
DeepSeek V4 Flash 和 GPT-6.1 Sol 哪个更快?
DeepSeek V4 Flash 输出更快(输出 82 比 50 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
两者都约为 1.1M token(DeepSeek V4 Flash 为 1,048,576,GPT-6.1 Sol 为 1,050,000)。
更多问题(3)
哪个延迟更低?
DeepSeek V4 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.7 秒比 166.7 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 DeepSeek V4 Flash 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 28 项基准测试中,DeepSeek V4 Flash 领先 3 项,GPT-6.1 Sol 领先 25 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。
GPT-6.1 Sol 是什么时候发布的?
GPT-6.1 Sol 于 2026年9月29日 发布。