BenchLeader

Gemini 2.5 Pro Preview 0325 vs GPT-5.6 Sol

完整资料:Gemini 2.5 Pro Preview 0325(Google)和 GPT-5.6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月22日,质量上 GPT-5.6 Sol 领先 Gemini 2.5 Pro Preview 0325(BenchLeader Index 65.1 比 59.7)。看重长上下文(73 比 67)和多模态(71 比 66)选 Gemini 2.5 Pro Preview 0325;看重指令遵循(71 比 58)、推理(64 比 52)和数学(69 比 59)选 GPT-5.6 Sol。

要点(截至 2026年11月22日)

  • Gemini 2.5 Pro Preview 0325 的 BenchLeader Index 为 59.7,GPT-5.6 Sol 为 65.1(BenchLeader,2026年11月22日)。
  • GPT-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月22日)。
  • 在两者都有结果的 14 项基准测试中,GPT-5.6 Sol 领先 14 项(BenchLeader,2026年11月22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GPT-5.6 Sol类别得分 66 比 61;LiveCodeBench 82.6% 比 79.2%中
数学GPT-5.6 Sol类别得分 69 比 59高
推理GPT-5.6 Sol类别得分 64 比 52;GPQA Diamond 93.5% 比 83.8%高
知识GPT-5.6 Sol类别得分 63 比 56;MMLU-Pro 89.1% 比 84.1%中
长文档Gemini 2.5 Pro Preview 0325类别得分 73 比 67中
图像及其他媒体Gemini 2.5 Pro Preview 0325类别得分 71 比 66;MMMU-Pro (Vals) 81.3% 比 88.8%中
指令遵循GPT-5.6 Sol类别得分 71 比 58高
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-5.6 Sol (max) 领先:65.1 比 59.7。
  • Gemini 2.5 Pro Preview 0325 在长上下文、多模态方面更强。
  • GPT-5.6 Sol (max) 在编程、指令遵循、知识、数学、推理方面更强。

概览

规格Gemini 2.5 Pro Preview 0325GPT-5.6 Sol
提供商GoogleOpenAI
发布日期2025年3月25日2026年7月9日
上下文窗口(token)1,000,0001,050,000
对比时的配置Gemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$4.00 / $20.00 / $0.400

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Gemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)领先者
推理52.163.8GPT-5.6 Sol
编程61.165.9GPT-5.6 Sol
智能体与工具–67.4无法比较
数学58.969.4GPT-5.6 Sol
知识56.263.4GPT-5.6 Sol
指令遵循57.971.3GPT-5.6 Sol
多模态70.865.5Gemini 2.5 Pro Preview 0325
长上下文72.866.8Gemini 2.5 Pro Preview 0325

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推理编程数学知识指令遵循长上下文多模态Gemini 2.5 Pro Preview 0325, 推理: 52.1Gemini 2.5 Pro Preview 0325, 编程: 61.1Gemini 2.5 Pro Preview 0325, 数学: 58.9Gemini 2.5 Pro Preview 0325, 知识: 56.2Gemini 2.5 Pro Preview 0325, 指令遵循: 57.9Gemini 2.5 Pro Preview 0325, 长上下文: 72.8Gemini 2.5 Pro Preview 0325, 多模态: 70.8GPT-5.6 Sol, 推理: 63.8GPT-5.6 Sol, 编程: 65.9GPT-5.6 Sol, 数学: 69.4GPT-5.6 Sol, 知识: 63.4GPT-5.6 Sol, 指令遵循: 71.3GPT-5.6 Sol, 长上下文: 66.8GPT-5.6 Sol, 多模态: 65.5

未绘制(测得的模型少于两个):智能体与工具, 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 14 项基准测试中,Gemini 2.5 Pro Preview 0325 领先 0 项,GPT-5.6 Sol 领先 14 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。

综合 IndexGemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)领先者
BenchLeader Index59.765.1GPT-5.6 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Gemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)
每百万 token 混合价格–$8.00
每百万 token 输入 / 输出– / –$4.00 / $20.00
每百万 token 缓存输入–$0.400
每项任务价格:聊天回复–$0.0076
每项任务价格:总结一份 30 页的报告–$0.060
每项任务价格:代码编辑–$0.054
每项任务价格:智能体编程会话–$0.320
每项任务价格:结构化信息提取–$0.012
智能体编程会话(输入大多命中缓存)–$0.158
输出速度–108 tok/s
首次回答时间–33.8 秒
完整回答耗时(最近一次测量 2026年11月13日)–157.3 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 2.5 Pro Preview 0325 得分 59.7。GPT-5.6 Sol (max) 得分 65.1,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.7(15 秒),GPT-5.6 Sol (high) 为 63.3(7 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 173 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Gemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)
BenchLeader IndexBenchLeader59.765.1
编程得分BenchLeader61.165.9
指令遵循得分BenchLeader57.971.3
知识得分BenchLeader56.263.4
长上下文得分BenchLeader72.866.8
数学得分BenchLeader58.969.4
多模态得分BenchLeader70.865.5
推理得分BenchLeader52.163.8
智能体与工具得分BenchLeader–67.4
混合价格(美元/百万 token)BenchLeader–$8.00
输出速度BenchLeader–108 tok/s
首次回答时间BenchLeader–33.8 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub83.8%93.5%
Humanity's Last ExamScale AI / CAIS18.2%–
SimpleBenchSimpleBench51.6%64.8%†
Arena Hard PromptsArena (LMArena)–1511†
LiveBench 1.0 ReasoningLiveBench–91.7%
GPQA Diamond (AA)Artificial Analysis83.6%94.1%
Humanity's Last Exam (AA)Artificial Analysis18.0%49.5%
GPQA Diamond (Vals)Vals AI80.8%95.2%
EnigmaEvalScale AI SEAL–37.1%†
GPQA Diamond (HELM)HELM Capabilities74.9%–
ARC-AGI-1ARC Prize–96.5%
ARC-AGI-2ARC Prize–92.5%
ARC-AGI-3ARC Prize–7.8%
CritPtArtificial Analysis–32.3%
CritPt v2 hard subset (AA)Artificial Analysis–60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
HLE Text-Only (Scale)Scale AI SEAL18.4%–
Arena ExpertArena (LMArena)–1532†
Chess PuzzlesEpoch AI Benchmarking Hub–59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–58.0%
LMCAEpoch AI Benchmarking Hub–58.4%
DTBenchEpoch AI Benchmarking Hub–95.5%
ForecastBenchForecastBench64.0%65.7%
BTF-3Epoch AI Benchmarking Hub–13.7%
显示全部 173 项基准测试
指标发布方Gemini 2.5 Pro Preview 0325GPT-5.6 Sol (max)
编程
SciCodeSciCode–57.1%
WeirdMLWeirdML–87.0%
FrontierCodeCognition–47.5%†
GSO-BenchGSO-Bench–76.5%†
Arena CodingArena (LMArena)–1533†
Arena WebDevArena (LMArena)–1615†
LiveBench 1.0 CodingLiveBench–83.9%
LiveCodeBenchVals AI79.2%82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI–96.2%
Aider PolyglotAider polyglot leaderboard72.9%–
Code MigrationVals AI–52.9%
ProgramBenchVals AI–1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI–80.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–46.0%†
SWE Atlas v1.0: Test WritingScale AI SEAL–45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub–20.0%†
CadEvalEpoch AI Benchmarking Hub64.0%–
Surface Evolver BenchEpoch AI Benchmarking Hub–93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–72.7%
CursorBenchCursor–40.9%
ALE-BenchEpoch AI Benchmarking Hub–2176.9
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis–39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 2–66.8†
GameBench 2 by reasoning settingDuelLab GameBench 2–80.1†
Design Arena WebsiteDesign Arena–1310†
Design Arena CodeDesign Arena–1331†
LiveCodeBench (AA)Artificial Analysis77.8%–
智能体与工具
Terminal-BenchTerminal-Bench–38.5%
OSWorld-Verified 2.0OSWorld–27.3%
APEX-AgentsMercor–51.4%†
Arena AgentArena (LMArena)–3.7†
LiveBench Agentic CodingLiveBench–56.2%
Terminal-Bench HardArtificial Analysis–65.9%
τ²-Bench Telecom (AA)Artificial Analysis–85.1%
Terminal-Bench 2.1 (Vals)Vals AI–85.8%
MCP AtlasScale AI SEAL–81.8%†
HiL-BenchScale AI SEAL–32.3%†
τ³-bench Bankingτ²-bench–46.9%†
GDPval-AA v2.1Artificial Analysis–1619
τ³-Banking (AA)Artificial Analysis–44.3%
ITBench SRE (AA)Artificial Analysis–56.2%
Analyst Agent (AA)Artificial Analysis–47.5%
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI–53.8%
Harvey's Legal Agent Benchmark v1Vals AI–2.5%
Legal Research BenchVals AI–48.1%
SkillsBenchVals AI–54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI–31.1%
Terminal-Bench 4.0 (Vals)Vals AI–37.9%
Terminal-Bench ScienceVals AI–20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)–1254†
Arena Agent Task CompletionArena (LMArena)–2.5†
Arena Search FactualityArena (LMArena)–1248†
BALROGBALROG43.3%60.0%
PostTrainBenchEpoch AI Benchmarking Hub–31.0%
GBAEvalEpoch AI Benchmarking Hub–52.6%†
Vending-Bench 2Andon Labs–9619.4†
AutomationBenchArtificial Analysis–60.1%
GDP.pdf (AA)Artificial Analysis–27.2%
EnterpriseOps-GymArtificial Analysis–42.9%
AA-Briefcase v1.1Artificial Analysis–1478
Design Arena AgenticDesign Arena–1226†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub–82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%
MATH Level 5Epoch AI Benchmarking Hub95.6%–
ProofBenchVals AI–83.0%
LiveBench MathematicsLiveBench–96.2%
AIME (Vals)Vals AI85.8%–
Omni-MATH (HELM)HELM Capabilities41.6%–
MATH 500Vals AI95.2%–
Arena MathsArena (LMArena)–1494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–69.7%
LiveBench 1.0 Data AnalysisLiveBench–79.8%
MMLU-ProVals AI84.1%89.1%
LegalBenchVals AI84.3%87.0%
CorpFinVals AI59.8%64.4%
TaxEvalVals AI72.9%74.8%
MedQAVals AI93.1%–
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
MMLU-Pro (HELM)HELM Capabilities86.3%–
BioMysteryBenchVals AI–71.1%
Excel Modeling BenchmarkVals AI–72.3%
MedCodeVals AI–44.0%
MedScribeVals AI–85.2%
Public Benefits Bench v1.1Vals AI–66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL–56.5%
Arena Text FactualityArena (LMArena)–1476†
EBR-benchEpoch AI Benchmarking Hub–44.8%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench–87.7%
LiveBench Instruction FollowingLiveBench–71.8%
IFBenchArtificial Analysis–72.7%
IFEval (HELM)HELM Capabilities84.0%–
WildBench (HELM)HELM Capabilities85.7%–
Arena Instruction FollowingArena (LMArena)–1490†
人类偏好
Arena TextArena (LMArena)–1485†
EQ-Bench 4EQ-Bench–1236†
EQ-Bench Creative Writing v3EQ-Bench13961974†
EQ-Bench Longform WritingEQ-Bench58.881.7†
Arena Creative WritingArena (LMArena)–1471†
Arena Multi-turnArena (LMArena)–1491†
Arena Longer QueriesArena (LMArena)–1498†
Lech Mazur Creative WritingLech Mazur80.5%–
多模态
Arena VisionArena (LMArena)–1282†
MMMU-ProArtificial Analysis–83.4%
VISTAScale AI SEAL54.6%–
MMMU-Pro (Vals)Vals AI81.3%88.8%
MortgageTaxVals AI67.2%67.3%
Humanity's Sixth SenseScale AI SEAL–30.0%
GeoBenchGeoBench84.0%73.0%†
VPCTEpoch AI Benchmarking Hub48.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub–56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
Fiction.LiveBench 120kFiction.live90.6%–
AA-LCR v1.1Artificial Analysis–84.0%
Arena DocumentArena (LMArena)–1487†
MLCRArtificial Analysis–30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub144.0163.0†
LiveBench 1.0LiveBench–81.0%
AA Intelligence Index v4.3.2Artificial Analysis15.047.0
AA Progress Index v1Artificial Analysis245.9331.5
HELM Capabilities meanHELM Capabilities74.5%–
Vals RSI IndexVals AI–23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI–72.6%
安全与诚实
FORTRESSScale AI SEAL54.9%20.1%†
MASKScale AI SEAL55.9%–
DistressBenchScale AI SEAL–73.6%†

数据截至 2026年11月22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 gb2-20261119-1d7fd529faf6 (https://benchmarks.duellab.org/releases/gb2-20261119-1d7fd529faf6/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):2 项新结果(AA Progress Index v1, CritPt v2 hard subset (AA))。
  • GPT-5.6 Sol (max):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.6 Sol (max):3 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index, Vals Science Index)。

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

Gemini 2.5 Pro Preview 0325 vs GPT-5.6 Sol:常见问题

GPT-5.6 Sol 比 Gemini 2.5 Pro Preview 0325 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.1 比 59.7。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月22日,GPT-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
编程用 Gemini 2.5 Pro Preview 0325 还是 GPT-5.6 Sol 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Gemini 2.5 Pro Preview 0325 为 79.2%,GPT-5.6 Sol 为 82.6%。
处理长文档哪个更好?
Gemini 2.5 Pro Preview 0325 在长上下文基准测试上得分更高(73 比 67)。两者都约为 1.1M token(Gemini 2.5 Pro Preview 0325 为 1,000,000,GPT-5.6 Sol 为 1,050,000)。
第三方基准测试对 Gemini 2.5 Pro Preview 0325 和 GPT-5.6 Sol 的看法一致吗?
在两者都有结果的 14 项基准测试中,Gemini 2.5 Pro Preview 0325 领先 0 项,GPT-5.6 Sol 领先 14 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。