DeepSeek V4 Flash vs Grok 4.6
完整资料:DeepSeek V4 Flash(DeepSeek)和 Grok 4.6(SpaceXAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 9 个来源
截至 2026年11月16日,DeepSeek V4 Flash 与 Grok 4.6 的质量不相上下(BenchLeader Index 57.2 比 60.6,在 ±5.2 的误差范围内)。DeepSeek V4 Flash 更便宜,对方的价格是它的 11 倍(每百万 token 混合价格 $0.262 比 $3.00)。在两者都有成绩的所有类别中,Grok 4.6 均领先。
要点(截至 2026年11月16日)
- DeepSeek V4 Flash 的 BenchLeader Index 为 57.2,Grok 4.6 为 60.6(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)。
- Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
- 在两者都有结果的 36 项基准测试中,Grok 4.6 领先 33 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,DeepSeek V4 Flash 的评分为 1582,Grok 4.6 为 1618(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 | Grok 4.6 | 类别得分 61 比 55;Arena WebDev 1618 比 1582 | 中 |
| 数学 | Grok 4.6 | 类别得分 63 比 62;Arena Maths 1445 比 1441 | 中 |
| 推理 | Grok 4.6 | 类别得分 64 比 59;ARC-AGI-2 65.1% 比 56.0% | 中 |
| 知识 | Grok 4.6 | 类别得分 60 比 55;MMLU-Pro 89.4% 比 86.2% | 中 |
| 对话质量(人类偏好) | Grok 4.6 | Arena 投票 64 比 62 | 中 |
| 成本最低 | DeepSeek V4 Flash | 每百万 token 混合价格 $0.262 比 $3.00;智能体编程会话 $0.011 比 $0.144 | – |
| 首次回答最快 | DeepSeek V4 Flash | 首个回答 token 0.7 秒(DeepSeek V4 Flash (high))比 28.6 秒(Grok 4.6 (high)) | – |
| 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
- DeepSeek V4 Flash (high) 与 Grok 4.6 (high) 的质量不相上下(57.2 比 60.6,在 ±5.2 的误差范围内)。
- Grok 4.6 (high) 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 11 倍(每百万 token 混合价格 $0.262 比 $3.00)。
概览
| 规格 | DeepSeek V4 Flash | Grok 4.6 |
|---|---|---|
| 提供商 | DeepSeek | SpaceXAI |
| 发布日期 | 2026年7月31日 | 2026年8月11日 |
| 上下文窗口(token) | 1,048,576 | 500,000 |
| 对比时的配置 | DeepSeek V4 Flash (high) | Grok 4.6 (high) |
| 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 / $6.00 / $0.500 |
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) | Grok 4.6 (high) | 领先者 |
|---|---|---|---|
| 推理 | 59.2 | 63.5 | Grok 4.6 |
| 编程 | 55.0 | 61.1 | Grok 4.6 |
| 智能体与工具 | – | 59.2 | 无法比较 |
| 数学 | 61.9 | 63.4 | Grok 4.6 |
| 知识 | 54.8 | 59.5 | Grok 4.6 |
| 人类偏好 | 62.0 | 64.1 | Grok 4.6 |
| 多模态 | – | 60.0 | 无法比较 |
| 长上下文 | – | 64.8 | 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。
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。
各来源的分歧
在两者都有结果的 36 项基准测试中,DeepSeek V4 Flash 领先 2 项,Grok 4.6 领先 33 项,1 项持平。所有同时评测两者的综合评分都认为 Grok 4.6 更强。
| 综合 Index | DeepSeek V4 Flash (high) | Grok 4.6 (high) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.2 | 60.6 | 不相上下 |
| Arena Text | 1439 | 1457 | Grok 4.6 |
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) | Grok 4.6 (high) |
|---|---|---|
| 每百万 token 混合价格 | $0.262 | $3.00 |
| 每百万 token 输入 / 输出 | $0.150 / $0.600 | $2.00 / $6.00 |
| 每百万 token 缓存输入 | $0.0030 | $0.500 |
| 每项任务价格:聊天回复 | $0.0002 | $0.0026 |
| 每项任务价格:总结一份 30 页的报告 | $0.0022 | $0.028 |
| 每项任务价格:代码编辑 | $0.0018 | $0.021 |
| 每项任务价格:智能体编程会话 | $0.011 | $0.144 |
| 每项任务价格:结构化信息提取 | $0.0004 | $0.0052 |
| 智能体编程会话(输入大多命中缓存) | $0.0048 | $0.076 |
| 输出速度 | 82 tok/s | 73 tok/s |
| 首次回答时间 | 0.7 秒 | 28.6 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | – | 62.7 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)。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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 135 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) | Grok 4.6 (high) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.2 | 60.6 |
| 编程得分 | BenchLeader | 55.0 | 61.1 |
| 人类偏好得分 | BenchLeader | 62.0 | 64.1 |
| 知识得分 | BenchLeader | 54.8 | 59.5 |
| 数学得分 | BenchLeader | 61.9 | 63.4 |
| 推理得分 | BenchLeader | 59.2 | 63.5 |
| 智能体与工具得分 | BenchLeader | – | 59.2 |
| 长上下文得分 | BenchLeader | – | 64.8 |
| 多模态得分 | BenchLeader | – | 60.0 |
| 混合价格(美元/百万 token) | BenchLeader | $0.262 | $3.00 |
| 输出速度 | BenchLeader | 82 tok/s | 73 tok/s |
| 首次回答时间 | BenchLeader | 0.7 秒 | 28.6 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 500,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 91.0%† | 94.0% |
| SimpleBench | SimpleBench | 61.1%† | 75.9%† |
| Arena Hard Prompts | Arena (LMArena) | 1459 | 1481 |
| LiveBench 2.0 Reasoning | LiveBench | – | 91.2%† |
| LiveBench 1.0 Reasoning | LiveBench | 86.6%† | 90.5%† |
| GPQA Diamond (AA) | Artificial Analysis | 90.8%† | 95.0% |
| Humanity's Last Exam (AA) | Artificial Analysis | 38.5%† | 42.9% |
| HLE-Diamond (AA) | Artificial Analysis | – | 21.5%† |
| GPQA Diamond (Vals) | Vals AI | 89.9% | 94.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 52.2%† | – |
| ARC-AGI-1 | ARC Prize | 87.0% | 87.0% |
| ARC-AGI-2 | ARC Prize | 56.0% | 65.1% |
| ARC-AGI-3 | ARC Prize | – | 2.1%† |
| CritPt | Artificial Analysis | 16.6%† | 17.1% |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 40.0%† |
| MysteryMechanism | Vals AI | – | 30.6% |
| Arena Expert | Arena (LMArena) | 1467 | 1496 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 32.0%† | 33.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 34.0%† | 34.0%† |
| LMCA | Epoch AI Benchmarking Hub | 41.7%† | 48.5%† |
| DTBench | Epoch AI Benchmarking Hub | 90.9%† | 97.3%† |
| ForecastBench | ForecastBench | – | 65.4%† |
| 编程 | |||
| SciCode | SciCode | 42.0% | 56.5% |
| WeirdML | WeirdML | 57.0% | 67.3% |
| FrontierCode | Cognition | 18.8%† | 48.0%† |
显示全部 135 项基准测试
| 指标 | 发布方 | DeepSeek V4 Flash (high) | Grok 4.6 (high) |
|---|---|---|---|
| 编程 | |||
| Arena Coding | Arena (LMArena) | 1480 | 1508 |
| Arena WebDev | Arena (LMArena) | 1582 | 1618 |
| LiveBench 2.0 Coding | LiveBench | – | 76.7%† |
| LiveBench 1.0 Coding | LiveBench | 75.0%† | 76.8%† |
| SciCode (AA) | Artificial Analysis | 50.4%† | 56.5% |
| LiveCodeBench | Vals AI | 87.3% | 88.2% |
| IOI | Vals AI | 32.7% | 47.6% |
| SWE-bench (Vals) | Vals AI | 88.8% | 95.6% |
| Code Migration | Vals AI | 38.6% | 44.6% |
| ProgramBench | Vals AI | 0.0% | 1.0% |
| Vibe Code Bench 1-100 | Vals AI | – | 14.8% |
| Vibe Code Bench v1.1 | Vals AI | 74.7% | 76.2% |
| MirrorCode | Epoch AI Benchmarking Hub | – | 41.1%† |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 65.2% |
| CursorBench | Cursor | – | 40.4% |
| ALE-Bench | Epoch AI Benchmarking Hub | 678.2 | 1508.1† |
| FrontierSWE | Epoch AI Benchmarking Hub | – | 25.3%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 12.1%† | 21.2% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 78.7%† | 88.4% |
| Startrise Frontend | Startrise | – | 72.1%† |
| GameBench 2 Overall | DuelLab GameBench 2 | 34.1† | 59.4† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 43.4 | 68.7† |
| Design Arena Website | Design Arena | 1199† | 1277† |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 19.8%† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 19.7% |
| APEX-Agents | Mercor | – | 65.3%† |
| Arena Agent | Arena (LMArena) | – | -0.2† |
| LiveBench Long Agentic | LiveBench | – | 18.7%† |
| LiveBench Browser | LiveBench | – | 49.4%† |
| LiveBench Agentic Coding | LiveBench | 46.8%† | 57.0%† |
| Terminal-Bench 2.1 (Vals) | Vals AI | 67.0%† | 78.3% |
| HiL-Bench | Scale AI SEAL | 47.8%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 1437† | 1627 |
| τ³-Banking (AA) | Artificial Analysis | 39.4%† | 50.7% |
| Analyst Agent (AA) | Artificial Analysis | – | 41.3% |
| CyberBench | Vals AI | 72.1% | 67.7% |
| Finance Agent v2 | Vals AI | 49.5% | 53.7% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 8.3% | 15.8% |
| Legal Research Bench | Vals AI | 30.3% | 48.1% |
| SkillsBench | Vals AI | 50.7% | 55.8% |
| Tax Agent Bench | Vals AI | 28.1% | 33.7% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 18.7% | 17.2% |
| Terminal-Bench Science | Vals AI | 4.3% | 11.4% |
| Time Horizon Index: KSP | Vals AI | – | 5.8% |
| Arena Agent Task Completion | Arena (LMArena) | – | -2.6† |
| Vending-Bench 2 | Andon Labs | – | 9047.0† |
| AutomationBench | Artificial Analysis | 54.0%† | 66.7% |
| GDP.pdf (AA) | Artificial Analysis | 11.0%† | 17.0% |
| EnterpriseOps-Gym | Artificial Analysis | – | 48.3% |
| AA-Briefcase v1.1 | Artificial Analysis | 1255† | 1526 |
| Design Arena Agentic | Design Arena | – | 1239† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 6.2% |
| FACTS Search | – | 87.9%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 57.5%† | 66.0%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 24.4%† | 31.7%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 94.4%† | 97.8% |
| ProofBench | Vals AI | 56.0%† | 51.0%† |
| LiveBench Mathematics | LiveBench | 86.8%† | 92.6%† |
| AIME 2026 | MathArena | 95.8%† | – |
| HMMT February 2026 | MathArena | 93.9%† | – |
| MathArena Apex | MathArena | 27.1%† | – |
| Arena Maths | Arena (LMArena) | 1441 | 1445 |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 33.6%† | 49.3% |
| LiveBench 2.0 Data Analysis | LiveBench | – | 75.3%† |
| LiveBench Research | LiveBench | – | 88.8%† |
| LiveBench 1.0 Data Analysis | LiveBench | 79.3%† | 73.9%† |
| AA-Omniscience v1.1 | Artificial Analysis | – | 24.9† |
| MMLU-Pro | Vals AI | 86.2% | 89.4% |
| LegalBench | Vals AI | 77.7% | 86.3% |
| CorpFin | Vals AI | 61.9% | 66.2% |
| TaxEval | Vals AI | 70.7% | 71.1% |
| BioMysteryBench | Vals AI | 64.4% | 72.2% |
| Excel Modeling Benchmark | Vals AI | 57.0% | 62.7% |
| MedCode | Vals AI | 41.4% | 44.7% |
| MedScribe | Vals AI | 80.4% | 86.5% |
| Public Benefits Bench v1.1 | Vals AI | – | 66.8% |
| Access to Justice Benchmark | Vals AI | – | 71.3% |
| Immigration Bench | Vals AI | – | 66.0% |
| EBR-bench | Epoch AI Benchmarking Hub | – | 30.5%† |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 16.0% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 46.2%† |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 60.3%† |
| FACTS Parametric | – | 44.5%† | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 79.2%† | 83.7%† |
| LiveBench Instruction Following | LiveBench | 65.5%† | 71.9%† |
| Arena Instruction Following | Arena (LMArena) | 1434 | 1451 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1439 | 1457 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1559† | – |
| Arena Creative Writing | Arena (LMArena) | 1411 | 1442 |
| Arena Multi-turn | Arena (LMArena) | 1447 | 1449 |
| Arena Longer Queries | Arena (LMArena) | 1449 | 1476 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1264 |
| LiveBench Design | LiveBench | – | 76.3%† |
| MortgageTax | Vals AI | – | 64.2% |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 33.2%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 40.0%† |
| FACTS Multimodal | – | 39.3%† | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.7%† | 80.3% |
| Arena Document | Arena (LMArena) | – | 1450 |
| MLCR | Artificial Analysis | – | 15.6% |
| FACTS Grounding | – | 66.5%† | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 154.4† | 157.8† |
| LiveBench 2.0 | LiveBench | – | 63.5%† |
| LiveBench 1.0 | LiveBench | 74.2%† | 78.0%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 31.0† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 34.3† | 44.3 |
| AA Progress Index v1 | Artificial Analysis | 309.4† | 321.5 |
| Vals RSI Index | Vals AI | – | 25.5%† |
| Vals Science Index | Vals AI | – | 38.1% |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 44.4† | – |
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
- DeepSeek V4 Flash (high):1 项分数修订。
- Grok 4.6 (high):1 项新结果(GDPval-AA v2.1)。
- Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
- Grok 4.6 (high):2 项分数修订。
- Grok 4.6 (high):1 项分数修订。
- DeepSeek V4 Flash (high):1 项分数修订。
- DeepSeek V4 Flash (high):1 项新结果(GameBench 2 by reasoning setting)。
- Grok 4.6 (high):1 项新结果(AA Progress Index v1)。
- Grok 4.6 (high):BenchLeader Index 61.4 → 60.9。
- DeepSeek V4 Flash (high):1 项新结果(Harvey's Legal Agent Benchmark v1)。
相关对比
- DeepSeek V4 Flash vs Claude Fable 5.1
- DeepSeek V4 Flash vs GPT-6.1 Sol
- Grok 4.6 vs GPT-6 Astra
- DeepSeek V4 Flash vs Gemini 4 Argon
- DeepSeek V4 Flash vs Claude Sonnet 5.5
- DeepSeek V4 Flash vs Muse Spark 1.3
- DeepSeek V4 Flash vs Gemini 3 Pro
- DeepSeek V4 Flash vs GLM 5.3
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
DeepSeek V4 Flash vs Grok 4.6:常见问题
- DeepSeek V4 Flash 比 Grok 4.6 更好吗?
- DeepSeek V4 Flash (high) 与 Grok 4.6 (high) 的质量不相上下(57.2 比 60.6,在 ±5.2 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。
- DeepSeek V4 Flash 和 Grok 4.6 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 $3.00(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 Grok 4.6 更好?
- Grok 4.6 在编程方面得分更高(类别得分 61 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,Grok 4.6 为 1618。
- DeepSeek V4 Flash 和 Grok 4.6 哪个更快?
- DeepSeek V4 Flash 输出更快(输出 82 比 73 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- DeepSeek V4 Flash 支持更长的上下文:1,048,576 token,Grok 4.6 为 500,000 token。
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 28.6 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 Grok 4.6 的看法一致吗?
- 在两者都有结果的 36 项基准测试中,DeepSeek V4 Flash 领先 2 项,Grok 4.6 领先 33 项,1 项持平。所有同时评测两者的综合评分都认为 Grok 4.6 更强。
- Grok 4.6 是什么时候发布的?
- Grok 4.6 于 2026年8月11日 发布。