BenchLeader

Gemini 3.1 Pro vs GPT-6.1 Terra

完整资料:Gemini 3.1 Pro(Google)和 GPT-6.1 Terra(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16日,质量上 GPT-6.1 Terra 领先 Gemini 3.1 Pro(BenchLeader Index 64.1 比 60.4)。GPT-6.1 Terra 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。看重知识(66 比 61)选 Gemini 3.1 Pro;看重编程(69 比 59)、智能体与工具(63 比 57)和数学(72 比 66)选 GPT-6.1 Terra。Gemini 3.1 Pro 的首次回答更快(15.2 秒 比 150.9 秒)。Gemini 3.1 Pro 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Gemini 3.1 Pro 的 BenchLeader Index 为 60.4,GPT-6.1 Terra 为 64.1(BenchLeader,2026年11月16日)。
  • Gemini 3.1 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Gemini 3.1 Pro 比 GPT-6.1 Terra 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 10 项基准测试中,GPT-6.1 Terra 领先 8 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GPT-6.1 Terra类别得分 69 比 59;Vibe Code Bench v1.1 84.0% 比 32.0%高
智能体与工具调用GPT-6.1 Terra类别得分 63 比 57;Legal Research Bench 26.0% 比 20.7%中
数学GPT-6.1 Terra类别得分 72 比 66;OTIS Mock AIME 100.0% 比 95.6%中
推理GPT-6.1 Terra类别得分 68 比 65;GPQA Diamond 94.3% 比 94.4%中
知识Gemini 3.1 Pro类别得分 66 比 61;SimpleQA Verified 73.5% 比 57.3%中
成本最低GPT-6.1 Terra每百万 token 混合价格 $2.00 比 $4.50;智能体编程会话 $0.080 比 $0.168–
首次回答最快Gemini 3.1 Pro首个回答 token 15.2 秒(Gemini 3.1 Pro (high))比 150.9 秒(GPT-6.1 Terra (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 Terra (max) 领先:64.1 比 60.4。
  • Gemini 3.1 Pro (high) 在知识方面更强。
  • GPT-6.1 Terra (max) 在智能体与工具、编程、数学、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。
  • Gemini 3.1 Pro (high) 的输出速度是对方的 1.5 倍(111 比 72 token/秒)。

概览

规格Gemini 3.1 ProGPT-6.1 Terra
提供商GoogleOpenAI
发布日期2026年2月19日2026年10月26日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 3.1 Pro (high)GPT-6.1 Terra (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $12.00 / $0.200$1.00 / $5.00 / $0.050

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 3.1 Pro (high)GPT-6.1 Terra (max)领先者
推理64.768.4GPT-6.1 Terra
编程58.669.3GPT-6.1 Terra
智能体与工具56.763.4GPT-6.1 Terra
数学65.771.7GPT-6.1 Terra
知识65.661.4Gemini 3.1 Pro
多模态–67.2无法比较
长上下文–66.0无法比较
综合–65.0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Gemini 3.1 Pro, 推理: 64.7Gemini 3.1 Pro, 编程: 58.6Gemini 3.1 Pro, 智能体与工具: 56.7Gemini 3.1 Pro, 数学: 65.7Gemini 3.1 Pro, 知识: 65.6GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 知识: 61.4

未绘制(测得的模型少于两个):指令遵循, 长上下文, 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 10 项基准测试中,Gemini 3.1 Pro 领先 2 项,GPT-6.1 Terra 领先 8 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。

综合 IndexGemini 3.1 Pro (high)GPT-6.1 Terra (max)领先者
BenchLeader Index60.464.1GPT-6.1 Terra

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 3.1 Pro (high)GPT-6.1 Terra (max)
每百万 token 混合价格$4.50$2.00
每百万 token 输入 / 输出$2.00 / $12.00$1.00 / $5.00
每百万 token 缓存输入$0.200$0.050
每项任务价格:聊天回复$0.0044$0.0019
每项任务价格:总结一份 30 页的报告$0.031$0.015
每项任务价格:代码编辑$0.030$0.013
每项任务价格:智能体编程会话$0.168$0.080
每项任务价格:结构化信息提取$0.0064$0.0030
智能体编程会话(输入大多命中缓存)$0.087$0.037
每项基准测试任务成本(AA Index)–$0.961
每项任务输出 token(AA Index)–60k
其中推理部分–39k
每项任务耗时(AA Index)–14 min
输出速度111 tok/s72 tok/s
首次回答时间15.2 秒150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)37.5 秒375.7 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.1 Pro (high) 得分 60.4,首个回答 token 需 15 秒;Gemini 3.1 Pro 为 59.9(15 秒)。GPT-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 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 192 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 3.1 Pro (high)GPT-6.1 Terra (max)
BenchLeader IndexBenchLeader60.464.1
智能体与工具得分BenchLeader56.763.4
编程得分BenchLeader58.669.3
知识得分BenchLeader65.661.4
数学得分BenchLeader65.771.7
推理得分BenchLeader64.768.4
综合得分BenchLeader–65.0
长上下文得分BenchLeader–66.0
多模态得分BenchLeader–67.2
混合价格(美元/百万 token)BenchLeader$4.50$2.00
输出速度BenchLeader111 tok/s72 tok/s
首次回答时间BenchLeader15.2 秒150.9 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.4%94.3%
Humanity's Last ExamScale AI / CAIS46.4%†–
SimpleBenchSimpleBench79.6%†72.2%†
Arena Hard PromptsArena (LMArena)1508†–
LiveBench 2.0 ReasoningLiveBench–88.7%
LiveBench 1.0 ReasoningLiveBench84.0%–
GPQA Diamond (AA)Artificial Analysis94.1%†–
Humanity's Last Exam (AA)Artificial Analysis47.0%†46.3%
HLE-Diamond (AA)Artificial Analysis31.4%†47.3%
GPQA Diamond (Vals)Vals AI95.5%–
EnigmaEvalScale AI SEAL36.8%–
ARC-AGI-1ARC Prize98.0%†–
ARC-AGI-2ARC Prize77.1%†–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis17.7%†28.0%
CritPt v2 hard subset (AA)Artificial Analysis–68.0%
MysteryMechanismVals AI20.7%–
HLE-Diamond (Scale)Scale AI SEAL–35.7%†
Arena ExpertArena (LMArena)1509†–
Chess PuzzlesEpoch AI Benchmarking Hub51.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%74.0%
CL-benchEpoch AI Benchmarking Hub20.8%†–
CL-bench LifeEpoch AI Benchmarking Hub16.9%†–
LMCAEpoch AI Benchmarking Hub53.8%–
DTBenchEpoch AI Benchmarking Hub95.5%–
显示全部 192 项基准测试
指标发布方Gemini 3.1 Pro (high)GPT-6.1 Terra (max)
推理
ForecastBenchForecastBench65.2%–
编程
SciCodeSciCode58.7%†55.1%
WeirdMLWeirdML72.1%†–
GSO-BenchGSO-Bench22.6%†–
Arena CodingArena (LMArena)1520†–
Arena WebDevArena (LMArena)1446†1678
LiveBench 2.0 CodingLiveBench–89.2%
LiveBench 1.0 CodingLiveBench76.5%–
LiveCodeBenchVals AI88.5%–
IOIVals AI51.8%–
SWE-bench (Vals)Vals AI78.8%–
SWE-Bench ProScale AI SEAL46.1%†–
Code MigrationVals AI17.3%–
ProgramBenchVals AI0.0%–
Vibe Code Bench 1-100Vals AI6.7%–
Vibe Code Bench v1.1Vals AI32.0%84.0%
SWE-Bench Pro (private)Scale AI SEAL32.2%†–
SWE Atlas v1.0: Codebase QnAScale AI SEAL13.5%†–
SWE Atlas v1.0: RefactoringScale AI SEAL33.8%†–
SWE Atlas v1.0: Test WritingScale AI SEAL29.8%†–
SWE Atlas v1.1Scale AI SEAL–57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL–55.7%†
MirrorCodeEpoch AI Benchmarking Hub8.9%76.7%
DeepSWE v1.1Epoch AI Benchmarking Hub11.7%†–
ALE-BenchEpoch AI Benchmarking Hub1160.6†2608.8
AlgoTuneAlgoTune2.0†–
WeirdML v3WeirdML–28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis4.0%†55.6%
Terminal-Bench 2.1 (AA)Artificial Analysis73.8%†–
GameBench 2 OverallDuelLab GameBench 2–81.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–85.8†
Design Arena WebsiteDesign Arena1226†1286†
FrontierCode 1.1 (AA)Artificial Analysis–36.0%
FrontierCode 2.0 (AA)Artificial Analysis–42.3%
智能体与工具
Terminal-BenchTerminal-Bench80.2%†53.3%
APEX-AgentsMercor35.1%†68.3%
Arena AgentArena (LMArena)-4.5†12
LiveBench Long AgenticLiveBench–56.2%
LiveBench BrowserLiveBench–93.1%
LiveBench Agentic CodingLiveBench44.1%–
Terminal-Bench HardArtificial Analysis53.8%†–
τ²-Bench Telecom (AA)Artificial Analysis95.6%†–
Terminal-Bench 2.1 (Vals)Vals AI70.8%–
MCP AtlasScale AI SEAL78.2%–
HiL-BenchScale AI SEAL35.3%†68.0%†
τ³-bench Bankingτ²-bench26.0%–
GDPval-AA v2.1, normalised scoreArtificial Analysis14.6%†–
GDPval-AA v2.1Artificial Analysis799†1476
τ³-Banking (AA)Artificial Analysis21.4%†–
ITBench SRE (AA)Artificial Analysis30.3%†–
Analyst Agent (AA)Artificial Analysis41.3%†–
APEX-Agents (AA)Artificial Analysis32.0%†–
Finance Agent v2Vals AI43.0%–
Finance Agent v2.1Vals AI–56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–1.7%
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
Legal Research BenchVals AI20.7%26.0%
SREBenchVals AI0.0%–
Tax Agent BenchVals AI9.3%17.1%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI2.5%49.5%
Terminal-Bench ScienceVals AI1.4%–
Arena SearchArena (LMArena)1209†–
Arena Agent Task CompletionArena (LMArena)-11.3†9.7
BALROGBALROG57.0%†–
DeepResearch BenchDeepResearch Bench47.8%–
PostTrainBenchEpoch AI Benchmarking Hub18.1%†–
ExploitBenchEpoch AI Benchmarking Hub26.1%†–
METR Time HorizonsMETR77.0%†–
GBAEvalEpoch AI Benchmarking Hub0.8%†–
Vending-Bench 2Andon Labs911.2†9107.5†
SpireClimbEpoch AI Benchmarking Hub–22.3%
AutomationBenchArtificial Analysis35.4%†60.2%
GDP.pdf (AA)Artificial Analysis17.8%†28.6%
Harvey LAB-AA v1.1Harvey0.0%†–
EnterpriseOps-GymArtificial Analysis42.2%†–
AA-Briefcase v1.1Artificial Analysis457†1401
GDPxGDPx by SemiAnalysis–8.5%
Design Arena AgenticDesign Arena1088†1192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–57.6%
MKA (AA)Artificial Analysis–43.8%
BrowseCompOpenAI31.2%†–
DeepSearchQAGoogle60.2%†–
FACTS SearchGoogle90.2%†92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.6%†90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%100.0%
ProofBenchVals AI26.0%†–
LiveBench MathematicsLiveBench91.0%–
AIME (Vals)Vals AI98.1%–
AIME 2026MathArena98.3%–
HMMT February 2026MathArena94.7%–
USAMO 2026MathArena74.4%–
MathArena ApexMathArena60.9%–
Arena MathsArena (LMArena)1488†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.5%57.3%
LiveBench 2.0 Data AnalysisLiveBench–82.3%
LiveBench ResearchLiveBench–79.1%
LiveBench 1.0 Data AnalysisLiveBench78.5%–
AA-Omniscience v1.1Artificial Analysis–29.6
MMLU-ProVals AI91.0%–
LegalBenchVals AI87.4%–
CorpFinVals AI64.5%–
TaxEvalVals AI72.9%–
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL41.9%†–
PRBench LegalScale AI SEAL44.0%†–
MultiNRCScale AI SEAL64.7%†–
BioMysteryBenchVals AI60.0%–
CaseLaw v2Vals AI64.8%–
Excel Modeling BenchmarkVals AI52.6%–
Excel Modeling Benchmark v1.1Vals AI–73.3%
MedCodeVals AI59.1%–
MedScribeVals AI76.1%–
Public Benefits Bench v1.1Vals AI53.8%–
Financial Coaching BenchVals AI66.7%–
DrugDiscoveryBenchScale AI SEAL41.9%–
EBR-benchEpoch AI Benchmarking Hub14.3%†78.1%
GDP.pdfEpoch AI Benchmarking Hub17.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
Global-MMLU-Lite (AA)Artificial Analysis93.2%†–
FACTS ParametricGoogle79.4%†70.8%†
指令遵循
LiveBench LanguageLiveBench85.4%–
LiveBench Instruction FollowingLiveBench79.1%–
IFBenchArtificial Analysis77.1%†–
MultiChallengeScale AI SEAL71.4%†74.2%†
TutorBenchScale AI SEAL53.0%†–
Arena Instruction FollowingArena (LMArena)1480†–
人类偏好
Arena TextArena (LMArena)1487†–
EQ-Bench 4EQ-Bench1132†–
EQ-Bench Creative Writing v3EQ-Bench1491†–
Arena Creative WritingArena (LMArena)1482†–
Arena Multi-turnArena (LMArena)1495†–
Arena Longer QueriesArena (LMArena)1499†–
多模态
Arena VisionArena (LMArena)1296†–
LiveBench DesignLiveBench–79.7%
MMMU-ProArtificial Analysis82.4%†84.7%
MMMU-Pro (Vals)Vals AI88.2%–
MortgageTaxVals AI69.4%–
SAGEVals AI83.2%–
VTBScale AI SEAL29.0%†–
GeoBenchGeoBench84.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub26.5%†42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%79.2%
VIALS-AAHandshake AI–60.3%
FACTS MultimodalGoogle50.4%†48.8%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%†82.7%
Arena DocumentArena (LMArena)1459†–
MLCRArtificial Analysis11.1%†30.6%
FACTS GroundingGoogle56.6%†84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†167.7†
LiveBench 2.0LiveBench–78.8%
LiveBench 1.0LiveBench77.0%–
AA Intelligence Index v5.0.1Artificial Analysis–51.3
AA Intelligence Index v4.3.2Artificial Analysis29.7†48.1
AA Progress Index v1Artificial Analysis296.1†345.2
Vals IndexVals AI–60.5
Vals Finance IndexVals AI–53.3%
Vals Science IndexVals AI27.4%–
Vals Multimodal IndexVals AI56.1%–
Vals Legal IndexVals AI–58.8%
安全与诚实
FORTRESSScale AI SEAL29.8%†18.2%†
MASKScale AI SEAL42.4%†–
DistressBenchScale AI SEAL68.8%†65.9%†

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 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (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

Gemini 3.1 Pro vs GPT-6.1 Terra:常见问题

GPT-6.1 Terra 比 Gemini 3.1 Pro 更好吗?
质量上 GPT-6.1 Terra (max) 领先:64.1 比 60.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Terra (max) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.1 Pro 和 GPT-6.1 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 比 $4.50(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 Gemini 3.1 Pro 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 59,50 为平均水平)。
Gemini 3.1 Pro 和 GPT-6.1 Terra 哪个更快?
Gemini 3.1 Pro 输出更快(约 1.5 倍;输出 111 比 72 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.1 Pro 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在智能体任务方面得分更高(类别得分 63 比 57,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(Gemini 3.1 Pro 为 1,048,576,GPT-6.1 Terra 为 1,050,000)。
哪个延迟更低?
Gemini 3.1 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.2 秒比 150.9 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 Gemini 3.1 Pro 和 GPT-6.1 Terra 的看法一致吗?
在两者都有结果的 10 项基准测试中,Gemini 3.1 Pro 领先 2 项,GPT-6.1 Terra 领先 8 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。