BenchLeader

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 4.6Arena 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 FlashGrok 4.6
提供商DeepSeekSpaceXAI
发布日期2026年7月31日2026年8月11日
上下文窗口(token)1,048,576500,000
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59.263.5Grok 4.6
编程55.061.1Grok 4.6
智能体与工具–59.2无法比较
数学61.963.4Grok 4.6
知识54.859.5Grok 4.6
人类偏好62.064.1Grok 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。

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: 62.0Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 数学: 63.4Grok 4.6, 知识: 59.5Grok 4.6, 人类偏好: 64.1

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 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 IndexDeepSeek V4 Flash (high)Grok 4.6 (high)领先者
BenchLeader Index57.260.6不相上下
Arena Text14391457Grok 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/s73 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 IndexBenchLeader57.260.6
编程得分BenchLeader55.061.1
人类偏好得分BenchLeader62.064.1
知识得分BenchLeader54.859.5
数学得分BenchLeader61.963.4
推理得分BenchLeader59.263.5
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BenchLeader82 tok/s73 tok/s
首次回答时间BenchLeader0.7 秒28.6 秒
上下文窗口BenchLeader1,048,576 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%†94.0%
SimpleBenchSimpleBench61.1%†75.9%†
Arena Hard PromptsArena (LMArena)14591481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench86.6%†90.5%†
GPQA Diamond (AA)Artificial Analysis90.8%†95.0%
Humanity's Last Exam (AA)Artificial Analysis38.5%†42.9%
HLE-Diamond (AA)Artificial Analysis–21.5%†
GPQA Diamond (Vals)Vals AI89.9%94.7%
Kagi LLM BenchmarkKagi LLM Benchmark52.2%†–
ARC-AGI-1ARC Prize87.0%87.0%
ARC-AGI-2ARC Prize56.0%65.1%
ARC-AGI-3ARC Prize–2.1%†
CritPtArtificial Analysis16.6%†17.1%
CritPt v2 hard subset (AA)Artificial Analysis–40.0%†
MysteryMechanismVals AI–30.6%
Arena ExpertArena (LMArena)14671496
Chess PuzzlesEpoch AI Benchmarking Hub32.0%†33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%†34.0%†
LMCAEpoch AI Benchmarking Hub41.7%†48.5%†
DTBenchEpoch AI Benchmarking Hub90.9%†97.3%†
ForecastBenchForecastBench–65.4%†
编程
SciCodeSciCode42.0%56.5%
WeirdMLWeirdML57.0%67.3%
FrontierCodeCognition18.8%†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 CodingArena (LMArena)14801508
Arena WebDevArena (LMArena)15821618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench75.0%†76.8%†
SciCode (AA)Artificial Analysis50.4%†56.5%
LiveCodeBenchVals AI87.3%88.2%
IOIVals AI32.7%47.6%
SWE-bench (Vals)Vals AI88.8%95.6%
Code MigrationVals AI38.6%44.6%
ProgramBenchVals AI0.0%1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI74.7%76.2%
MirrorCodeEpoch AI Benchmarking Hub–41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub678.21508.1†
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis12.1%†21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%†88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 234.1†59.4†
GameBench 2 by reasoning settingDuelLab GameBench 243.468.7†
Design Arena WebsiteDesign Arena1199†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
智能体与工具
Terminal-BenchTerminal-Bench–19.7%
APEX-AgentsMercor–65.3%†
Arena AgentArena (LMArena)–-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench46.8%†57.0%†
Terminal-Bench 2.1 (Vals)Vals AI67.0%†78.3%
HiL-BenchScale AI SEAL47.8%†–
GDPval-AA v2.1Artificial Analysis1437†1627
τ³-Banking (AA)Artificial Analysis39.4%†50.7%
Analyst Agent (AA)Artificial Analysis–41.3%
CyberBenchVals AI72.1%67.7%
Finance Agent v2Vals AI49.5%53.7%
Harvey's Legal Agent Benchmark v1Vals AI8.3%15.8%
Legal Research BenchVals AI30.3%48.1%
SkillsBenchVals AI50.7%55.8%
Tax Agent BenchVals AI28.1%33.7%
Terminal-Bench 4.0 (Vals)Vals AI18.7%17.2%
Terminal-Bench ScienceVals AI4.3%11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena Agent Task CompletionArena (LMArena)–-2.6†
Vending-Bench 2Andon Labs–9047.0†
AutomationBenchArtificial Analysis54.0%†66.7%
GDP.pdf (AA)Artificial Analysis11.0%†17.0%
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis1255†1526
Design Arena AgenticDesign Arena–1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
FACTS SearchGoogle–87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub57.5%†66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub24.4%†31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†97.8%
ProofBenchVals AI56.0%†51.0%†
LiveBench MathematicsLiveBench86.8%†92.6%†
AIME 2026MathArena95.8%†–
HMMT February 2026MathArena93.9%†–
MathArena ApexMathArena27.1%†–
Arena MathsArena (LMArena)14411445
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.6%†49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench79.3%†73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI86.2%89.4%
LegalBenchVals AI77.7%86.3%
CorpFinVals AI61.9%66.2%
TaxEvalVals AI70.7%71.1%
BioMysteryBenchVals AI64.4%72.2%
Excel Modeling BenchmarkVals AI57.0%62.7%
MedCodeVals AI41.4%44.7%
MedScribeVals AI80.4%86.5%
Public Benefits Bench v1.1Vals AI–66.8%
Access to Justice BenchmarkVals AI–71.3%
Immigration BenchVals AI–66.0%
EBR-benchEpoch AI Benchmarking Hub–30.5%†
GDP.pdfEpoch AI Benchmarking Hub–16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
FACTS ParametricGoogle–44.5%†
指令遵循
LiveBench LanguageLiveBench79.2%†83.7%†
LiveBench Instruction FollowingLiveBench65.5%†71.9%†
Arena Instruction FollowingArena (LMArena)14341451
人类偏好
Arena TextArena (LMArena)14391457
EQ-Bench Creative Writing v3EQ-Bench1559†–
Arena Creative WritingArena (LMArena)14111442
Arena Multi-turnArena (LMArena)14471449
Arena Longer QueriesArena (LMArena)14491476
多模态
Arena VisionArena (LMArena)–1264
LiveBench DesignLiveBench–76.3%†
MortgageTaxVals AI–64.2%
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–40.0%†
FACTS MultimodalGoogle–39.3%†
长上下文
AA-LCR v1.1Artificial Analysis79.7%†80.3%
Arena DocumentArena (LMArena)–1450
MLCRArtificial Analysis–15.6%
FACTS GroundingGoogle–66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub154.4†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench74.2%†78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis34.3†44.3
AA Progress Index v1Artificial Analysis309.4†321.5
Vals RSI IndexVals AI–25.5%†
Vals Science IndexVals AI–38.1%
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

  • 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)。

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。