BenchLeader

Gemini 3.1 Pro vs GPT-6 Sol

完整资料:Gemini 3.1 Pro(Google)和 GPT-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16日,Gemini 3.1 Pro 与 GPT-6 Sol 的质量不相上下(BenchLeader Index 60.4 比 62.6,在 ±4.7 的误差范围内)。两者价格相近(每百万 token 混合价格 $4.50 比 $4.00)。看重知识(66 比 61)选 Gemini 3.1 Pro;看重编程(66 比 59)、数学(68 比 66)和智能体与工具(59 比 57)选 GPT-6 Sol。Gemini 3.1 Pro 的首次回答更快(15.2 秒 比 36.9 秒)。

要点(截至 2026年11月16日)

  • Gemini 3.1 Pro 的 BenchLeader Index 为 60.4,GPT-6 Sol 为 62.6(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 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 38 项基准测试中,GPT-6 Sol 领先 32 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 Sol类别得分 66 比 59;IOI 82.6% 比 51.8%高
智能体与工具调用GPT-6 Sol类别得分 59 比 57;Terminal-Bench 2.1 (Vals) 83.2% 比 70.8%中
数学GPT-6 Sol类别得分 68 比 66;OTIS Mock AIME 100.0% 比 95.6%中
推理GPT-6 Sol类别得分 66 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 60.7%中
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)无法比较
成本最低均可每百万 token 混合价格 $4.50 比 $4.00;智能体编程会话 $0.168 比 $0.160–
首次回答最快Gemini 3.1 Pro首个回答 token 15.2 秒(Gemini 3.1 Pro (high))比 36.9 秒(GPT-6 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

  • Gemini 3.1 Pro (high) 与 GPT-6 Sol (max) 的质量不相上下(60.4 比 62.6,在 ±4.7 的误差范围内)。
  • Gemini 3.1 Pro (high) 在知识方面更强。
  • GPT-6 Sol (max) 在智能体与工具、编程、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。

概览

规格Gemini 3.1 ProGPT-6 Sol
提供商GoogleOpenAI
发布日期2026年2月19日2026年9月22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 Sol (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$2.00 / $10.00 / $0.200

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 Sol (max)领先者
推理64.766.0GPT-6 Sol
编程58.666.3GPT-6 Sol
智能体与工具56.758.8GPT-6 Sol
数学65.768.0GPT-6 Sol
知识65.660.6Gemini 3.1 Pro
人类偏好–64.2无法比较
多模态–60.6无法比较
长上下文–66.6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 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6

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 38 项基准测试中,Gemini 3.1 Pro 领先 6 项,GPT-6 Sol 领先 32 项。所有同时评测两者的综合评分都认为 Gemini 3.1 Pro 更强。

综合 IndexGemini 3.1 Pro (high)GPT-6 Sol (max)领先者
BenchLeader Index60.462.6不相上下
Arena Text1487†1457Gemini 3.1 Pro

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 Sol (max)
每百万 token 混合价格$4.50$4.00
每百万 token 输入 / 输出$2.00 / $12.00$2.00 / $10.00
每百万 token 缓存输入$0.200$0.200
每项任务价格:聊天回复$0.0044$0.0038
每项任务价格:总结一份 30 页的报告$0.031$0.030
每项任务价格:代码编辑$0.030$0.027
每项任务价格:智能体编程会话$0.168$0.160
每项任务价格:结构化信息提取$0.0064$0.0060
智能体编程会话(输入大多命中缓存)$0.087$0.079
每项基准测试任务成本(AA Index)–$2.47
每项任务输出 token(AA Index)–54k
其中推理部分–35k
每项任务耗时(AA Index)–7 min
输出速度111 tok/s127 tok/s
首次回答时间15.2 秒36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)37.5 秒143.8 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 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 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 181 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 Sol (max)
BenchLeader IndexBenchLeader60.462.6
智能体与工具得分BenchLeader56.758.8
编程得分BenchLeader58.666.3
知识得分BenchLeader65.660.6
数学得分BenchLeader65.768.0
推理得分BenchLeader64.766.0
人类偏好得分BenchLeader–64.2
长上下文得分BenchLeader–66.6
多模态得分BenchLeader–60.6
混合价格(美元/百万 token)BenchLeader$4.50$4.00
输出速度BenchLeader111 tok/s127 tok/s
首次回答时间BenchLeader15.2 秒36.9 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%†73.1%†
Arena Hard PromptsArena (LMArena)1508†1483
LiveBench 1.0 ReasoningLiveBench84.0%88.7%
GPQA Diamond (AA)Artificial Analysis94.1%†–
Humanity's Last Exam (AA)Artificial Analysis47.0%†47.9%
HLE-Diamond (AA)Artificial Analysis31.4%†45.2%
GPQA Diamond (Vals)Vals AI95.5%–
EnigmaEvalScale AI SEAL36.8%–
ARC-AGI-1ARC Prize98.0%†95.5%
ARC-AGI-2ARC Prize77.1%†89.6%
ARC-AGI-3ARC Prize0.4%†23.0%
CritPtArtificial Analysis17.7%†30.9%
CritPt v2 hard subset (AA)Artificial Analysis–66.5%
MysteryMechanismVals AI20.7%30.2%
HLE-Diamond (Scale)Scale AI SEAL–33.8%†
Arena ExpertArena (LMArena)1509†1496
Chess PuzzlesEpoch AI Benchmarking Hub51.0%56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%56.0%
CL-benchEpoch AI Benchmarking Hub20.8%†–
CL-bench LifeEpoch AI Benchmarking Hub16.9%†–
LMCAEpoch AI Benchmarking Hub53.8%59.1%
DTBenchEpoch AI Benchmarking Hub95.5%97.3%
ForecastBenchForecastBench65.2%–
显示全部 181 项基准测试
指标发布方Gemini 3.1 Pro (high)GPT-6 Sol (max)
编程
SciCodeSciCode58.7%†57.6%
WeirdMLWeirdML72.1%†–
FrontierCodeCognition–49.3%
GSO-BenchGSO-Bench22.6%†–
Arena CodingArena (LMArena)1520†1521
Arena WebDevArena (LMArena)1446†1673
LiveBench 1.0 CodingLiveBench76.5%81.8%
LiveCodeBenchVals AI88.5%–
IOIVals AI51.8%82.6%
SWE-bench (Vals)Vals AI78.8%–
SWE-Bench ProScale AI SEAL46.1%†–
Code MigrationVals AI17.3%57.2%
ProgramBenchVals AI0.0%2.0%
Vibe Code Bench 1-100Vals AI6.7%–
Vibe Code Bench v1.1Vals AI32.0%87.8%
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%†–
MirrorCodeEpoch AI Benchmarking Hub8.9%48.9%
DeepSWE v1.1Epoch AI Benchmarking Hub11.7%†–
ALE-BenchEpoch AI Benchmarking Hub1160.6†2462
AlgoTuneAlgoTune2.0†–
WeirdML v3WeirdML–19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis4.0%†43.9%
Terminal-Bench 2.1 (AA)Artificial Analysis73.8%†–
GameBench 2 OverallDuelLab GameBench 2–73.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–79.4†
Design Arena WebsiteDesign Arena1226†1290†
FrontierCode 2.0 (AA)Artificial Analysis–35.6%
智能体与工具
Terminal-BenchTerminal-Bench80.2%†50.3%
APEX-AgentsMercor35.1%†54.3%
Arena AgentArena (LMArena)-4.5†6.9
LiveBench Agentic CodingLiveBench44.1%52.9%
Terminal-Bench HardArtificial Analysis53.8%†–
τ²-Bench Telecom (AA)Artificial Analysis95.6%†–
Terminal-Bench 2.1 (Vals)Vals AI70.8%83.2%
MCP AtlasScale AI SEAL78.2%–
HiL-BenchScale AI SEAL35.3%†–
τ³-bench Bankingτ²-bench26.0%–
GDPval-AA v2.1, normalised scoreArtificial Analysis14.6%†–
GDPval-AA v2.1Artificial Analysis799†1514
τ³-Banking (AA)Artificial Analysis21.4%†–
ITBench SRE (AA)Artificial Analysis30.3%†49.4%
Analyst Agent (AA)Artificial Analysis41.3%†–
APEX-Agents (AA)Artificial Analysis32.0%†–
CyberBenchVals AI–78.0%
Finance Agent v2Vals AI43.0%49.0%
Harvey's Legal Agent Benchmark v1Vals AI0.0%1.7%
Legal Research BenchVals AI20.7%28.9%
SREBenchVals AI0.0%30.5%
Tax Agent BenchVals AI9.3%15.0%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI2.5%44.4%
Terminal-Bench ScienceVals AI1.4%30.0%
Arena SearchArena (LMArena)1209†1229
Arena Agent Task CompletionArena (LMArena)-11.3†4.5
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†14427.9†
SpireClimbEpoch AI Benchmarking Hub–9.2%
AutomationBenchArtificial Analysis35.4%†61.6%
GDP.pdf (AA)Artificial Analysis17.8%†25.2%
Harvey LAB-AA v1.1Harvey0.0%†3.6%
EnterpriseOps-GymArtificial Analysis42.2%†–
AA-Briefcase v1.1Artificial Analysis457†1476
Design Arena AgenticDesign Arena1088†1218†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–30.0%
CWE-Bench (AA)Artificial Analysis–64.2%
DeepSec-Bench (AA)Artificial Analysis–46.3%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
BrowseCompOpenAI31.2%†–
DeepSearchQAGoogle60.2%†–
FACTS SearchGoogle90.2%†92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.6%†89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%100.0%
ProofBenchVals AI26.0%†83.0%†
LiveBench MathematicsLiveBench91.0%96.4%
AIME (Vals)Vals AI98.1%–
AIME 2026MathArena98.3%–
HMMT February 2026MathArena94.7%–
USAMO 2026MathArena74.4%–
MathArena ApexMathArena60.9%–
Arena MathsArena (LMArena)1488†1440
FrontierMath ErdősEpoch AI Benchmarking Hub–1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.5%60.7%
LiveBench 1.0 Data AnalysisLiveBench78.5%81.2%
AA-Omniscience v1.1Artificial Analysis–21.4
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%†38.6%†
MultiNRCScale AI SEAL64.7%†–
BioMysteryBenchVals AI60.0%74.8%
CaseLaw v2Vals AI64.8%–
Excel Modeling BenchmarkVals AI52.6%71.5%
MedCodeVals AI59.1%47.1%
MedScribeVals AI76.1%82.0%
Public Benefits Bench v1.1Vals AI53.8%56.6%
Financial Coaching BenchVals AI66.7%62.6%
DrugDiscoveryBenchScale AI SEAL41.9%–
EBR-benchEpoch AI Benchmarking Hub14.3%†53.3%
GDP.pdfEpoch AI Benchmarking Hub17.0%26.4%
AA-Omniscience v1.1: accuracyArtificial Analysis–51.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–39.1%
Global-MMLU-Lite (AA)Artificial Analysis93.2%†–
HealthBench Professional (AA)OpenAI–62.3%
FACTS ParametricGoogle79.4%†76.1%†
指令遵循
LiveBench LanguageLiveBench85.4%85.3%
LiveBench Instruction FollowingLiveBench79.1%68.6%
IFBenchArtificial Analysis77.1%†–
MultiChallengeScale AI SEAL71.4%†–
TutorBenchScale AI SEAL53.0%†–
Arena Instruction FollowingArena (LMArena)1480†1449
人类偏好
Arena TextArena (LMArena)1487†1457
EQ-Bench 4EQ-Bench1132†–
EQ-Bench Creative Writing v3EQ-Bench1491†2126†
Arena Creative WritingArena (LMArena)1482†1428
Arena Multi-turnArena (LMArena)1495†1468
Arena Longer QueriesArena (LMArena)1499†1466
多模态
Arena VisionArena (LMArena)1296†1233
MMMU-ProArtificial Analysis82.4%†83.0%
MMMU-Pro (Vals)Vals AI88.2%–
MortgageTaxVals AI69.4%–
SAGEVals AI83.2%–
Humanity's Sixth SenseScale AI SEAL–31.2%
VTBScale AI SEAL29.0%†–
GeoBenchGeoBench84.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub26.5%†36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%58.3%
AA-3DArtificial Analysis–1131
FACTS MultimodalGoogle50.4%†43.9%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%†83.7%
Arena DocumentArena (LMArena)1459†–
MLCRArtificial Analysis11.1%†33.9%
FACTS GroundingGoogle56.6%†83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†163.8†
LiveBench 1.0LiveBench77.0%79.3%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis29.7†47.6
AA Progress Index v1Artificial Analysis296.1†334
Vals RSI IndexVals AI–28.1%
Vals Science IndexVals AI27.4%45.0%
Vals Multimodal IndexVals AI56.1%–
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL29.8%†13.5%†
MASKScale AI SEAL42.4%†–
DistressBenchScale AI SEAL68.8%†68.0%†

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):6 项新结果(AA Intelligence Index v5.0.1, AA-Omniscience v1.1, CritPt v2 hard subset (AA)…)。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。

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 3.1 Pro vs GPT-6 Sol:常见问题

Gemini 3.1 Pro 比 GPT-6 Sol 更好吗?
Gemini 3.1 Pro (high) 与 GPT-6 Sol (max) 的质量不相上下(60.4 比 62.6,在 ±4.7 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。
Gemini 3.1 Pro 和 GPT-6 Sol 哪个更便宜?价格会变吗?
目前 GPT-6 Sol 更便宜:每百万 token $4.00 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 Sol 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 IOI 上,Gemini 3.1 Pro 为 51.8%,GPT-6 Sol 为 82.6%。
Gemini 3.1 Pro 和 GPT-6 Sol 哪个更快?
GPT-6 Sol 输出更快(输出 127 比 111 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 Sol 更好?
GPT-6 Sol 在智能体任务方面得分更高(类别得分 59 比 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 2.1 (Vals) 上,Gemini 3.1 Pro 为 70.8%,GPT-6 Sol 为 83.2%。
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 Sol 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 36.9 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 Sol 的看法一致吗?
在两者都有结果的 38 项基准测试中,Gemini 3.1 Pro 领先 6 项,GPT-6 Sol 领先 32 项。所有同时评测两者的综合评分都认为 Gemini 3.1 Pro 更强。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。