BenchLeader

Gemini 3.1 Pro vs Grok 4.6

完整资料:Gemini 3.1 Pro(Google)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 12 个来源

截至 2026年11月16日,Gemini 3.1 Pro 与 Grok 4.6 的质量不相上下(BenchLeader Index 60.4 比 60.6,在 ±4.8 的误差范围内)。Grok 4.6 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。看重知识(66 比 60)、数学(66 比 63)和推理(65 比 64)选 Gemini 3.1 Pro;看重编程(61 比 59)和智能体与工具(59 比 57)选 Grok 4.6。Gemini 3.1 Pro 的首次回答更快(15.2 秒 比 28.6 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,Grok 4.6 为 60.6(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)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Gemini 3.1 Pro 比 Grok 4.6 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 32 项基准测试中,Grok 4.6 领先 20 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Grok 4.6类别得分 61 比 59;LiveCodeBench 88.2% 比 88.5%中
智能体与工具调用Grok 4.6类别得分 59 比 57;Terminal-Bench 2.1 (Vals) 78.3% 比 70.8%中
数学Gemini 3.1 Pro类别得分 66 比 63;OTIS Mock AIME 95.6% 比 97.8%中
推理Gemini 3.1 Pro类别得分 65 比 64;GPQA Diamond 94.4% 比 94.0%中
知识Gemini 3.1 Pro类别得分 66 比 60;SimpleQA Verified 73.5% 比 49.3%中
对话质量(人类偏好)–只有 Grok 4.6 有 Arena 评分(类别得分 64)无法比较
成本最低Grok 4.6每百万 token 混合价格 $3.00 比 $4.50;智能体编程会话 $0.144 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 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

  • Gemini 3.1 Pro (high) 与 Grok 4.6 (high) 的质量不相上下(60.4 比 60.6,在 ±4.8 的误差范围内)。
  • Gemini 3.1 Pro (high) 在知识、数学、推理方面更强。
  • Grok 4.6 (high) 在智能体与工具、编程方面更强。
  • Grok 4.6 (high) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。
  • Gemini 3.1 Pro (high) 的输出速度是对方的 1.5 倍(111 比 73 token/秒)。

概览

规格Gemini 3.1 ProGrok 4.6
提供商GoogleSpaceXAI
发布日期2026年2月19日2026年8月11日
上下文窗口(token)1,048,576500,000
对比时的配置Gemini 3.1 Pro (high)Grok 4.6 (high)
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 / $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Gemini 3.1 Pro (high)Grok 4.6 (high)领先者
推理64.763.5Gemini 3.1 Pro
编程58.661.1Grok 4.6
智能体与工具56.759.2Grok 4.6
数学65.763.4Gemini 3.1 Pro
知识65.659.5Gemini 3.1 Pro
人类偏好–64.1无法比较
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: 65.6Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 智能体与工具: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 知识: 59.5

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 32 项基准测试中,Gemini 3.1 Pro 领先 12 项,Grok 4.6 领先 20 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)Grok 4.6 (high)领先者
BenchLeader Index60.460.6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)Grok 4.6 (high)
每百万 token 混合价格$4.50$3.00
每百万 token 输入 / 输出$2.00 / $12.00$2.00 / $6.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0044$0.0026
每项任务价格:总结一份 30 页的报告$0.031$0.028
每项任务价格:代码编辑$0.030$0.021
每项任务价格:智能体编程会话$0.168$0.144
每项任务价格:结构化信息提取$0.0064$0.0052
智能体编程会话(输入大多命中缓存)$0.087$0.076
输出速度111 tok/s73 tok/s
首次回答时间15.2 秒28.6 秒
完整回答耗时(最近一次测量 2026年11月13日)37.5 秒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。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)。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 185 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)Grok 4.6 (high)
BenchLeader IndexBenchLeader60.460.6
智能体与工具得分BenchLeader56.759.2
编程得分BenchLeader58.661.1
知识得分BenchLeader65.659.5
数学得分BenchLeader65.763.4
推理得分BenchLeader64.763.5
人类偏好得分BenchLeader–64.1
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$4.50$3.00
输出速度BenchLeader111 tok/s73 tok/s
首次回答时间BenchLeader15.2 秒28.6 秒
上下文窗口BenchLeader1,048,576 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.4%94.0%
Humanity's Last ExamScale AI / CAIS46.4%†–
SimpleBenchSimpleBench79.6%†75.9%†
Arena Hard PromptsArena (LMArena)1508†1481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench84.0%90.5%†
GPQA Diamond (AA)Artificial Analysis94.1%†95.0%
Humanity's Last Exam (AA)Artificial Analysis47.0%†42.9%
HLE-Diamond (AA)Artificial Analysis31.4%†21.5%†
GPQA Diamond (Vals)Vals AI95.5%94.7%
EnigmaEvalScale AI SEAL36.8%–
ARC-AGI-1ARC Prize98.0%†87.0%
ARC-AGI-2ARC Prize77.1%†65.1%
ARC-AGI-3ARC Prize0.4%†2.1%†
CritPtArtificial Analysis17.7%†17.1%
CritPt v2 hard subset (AA)Artificial Analysis–40.0%†
MysteryMechanismVals AI20.7%30.6%
Arena ExpertArena (LMArena)1509†1496
Chess PuzzlesEpoch AI Benchmarking Hub51.0%33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%34.0%†
CL-benchEpoch AI Benchmarking Hub20.8%†–
CL-bench LifeEpoch AI Benchmarking Hub16.9%†–
LMCAEpoch AI Benchmarking Hub53.8%48.5%†
DTBenchEpoch AI Benchmarking Hub95.5%97.3%†
ForecastBenchForecastBench65.2%65.4%†
显示全部 185 项基准测试
指标发布方Gemini 3.1 Pro (high)Grok 4.6 (high)
编程
SciCodeSciCode58.7%†56.5%
WeirdMLWeirdML72.1%†67.3%
FrontierCodeCognition–48.0%†
GSO-BenchGSO-Bench22.6%†–
Arena CodingArena (LMArena)1520†1508
Arena WebDevArena (LMArena)1446†1618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench76.5%76.8%†
LiveCodeBenchVals AI88.5%88.2%
IOIVals AI51.8%47.6%
SWE-bench (Vals)Vals AI78.8%95.6%
SWE-Bench ProScale AI SEAL46.1%†–
Code MigrationVals AI17.3%44.6%
ProgramBenchVals AI0.0%1.0%
Vibe Code Bench 1-100Vals AI6.7%14.8%
Vibe Code Bench v1.1Vals AI32.0%76.2%
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%41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub11.7%†65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub1160.6†1508.1†
AlgoTuneAlgoTune2.0†–
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis4.0%†21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis73.8%†88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 2–59.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–68.7†
Design Arena WebsiteDesign Arena1226†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
智能体与工具
Terminal-BenchTerminal-Bench80.2%†19.7%
APEX-AgentsMercor35.1%†65.3%†
Arena AgentArena (LMArena)-4.5†-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench44.1%57.0%†
Terminal-Bench HardArtificial Analysis53.8%†–
τ²-Bench Telecom (AA)Artificial Analysis95.6%†–
Terminal-Bench 2.1 (Vals)Vals AI70.8%78.3%
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†1627
τ³-Banking (AA)Artificial Analysis21.4%†50.7%
ITBench SRE (AA)Artificial Analysis30.3%†–
Analyst Agent (AA)Artificial Analysis41.3%†41.3%
APEX-Agents (AA)Artificial Analysis32.0%†–
CyberBenchVals AI–67.7%
Finance Agent v2Vals AI43.0%53.7%
Harvey's Legal Agent Benchmark v1Vals AI0.0%15.8%
Legal Research BenchVals AI20.7%48.1%
SkillsBenchVals AI–55.8%
SREBenchVals AI0.0%–
Tax Agent BenchVals AI9.3%33.7%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI2.5%17.2%
Terminal-Bench ScienceVals AI1.4%11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1209†–
Arena Agent Task CompletionArena (LMArena)-11.3†-2.6†
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†9047.0†
AutomationBenchArtificial Analysis35.4%†66.7%
GDP.pdf (AA)Artificial Analysis17.8%†17.0%
Harvey LAB-AA v1.1Harvey0.0%†–
EnterpriseOps-GymArtificial Analysis42.2%†48.3%
AA-Briefcase v1.1Artificial Analysis457†1526
Design Arena AgenticDesign Arena1088†1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
BrowseCompOpenAI31.2%†–
DeepSearchQAGoogle60.2%†–
FACTS SearchGoogle90.2%†87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.6%†66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%97.8%
ProofBenchVals AI26.0%†51.0%†
LiveBench MathematicsLiveBench91.0%92.6%†
AIME (Vals)Vals AI98.1%–
AIME 2026MathArena98.3%–
HMMT February 2026MathArena94.7%–
USAMO 2026MathArena74.4%–
MathArena ApexMathArena60.9%–
Arena MathsArena (LMArena)1488†1445
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.5%49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench78.5%73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI91.0%89.4%
LegalBenchVals AI87.4%86.3%
CorpFinVals AI64.5%66.2%
TaxEvalVals AI72.9%71.1%
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL41.9%†–
PRBench LegalScale AI SEAL44.0%†–
MultiNRCScale AI SEAL64.7%†–
BioMysteryBenchVals AI60.0%72.2%
CaseLaw v2Vals AI64.8%–
Excel Modeling BenchmarkVals AI52.6%62.7%
MedCodeVals AI59.1%44.7%
MedScribeVals AI76.1%86.5%
Public Benefits Bench v1.1Vals AI53.8%66.8%
Access to Justice BenchmarkVals AI–71.3%
Financial Coaching BenchVals AI66.7%–
Immigration BenchVals AI–66.0%
DrugDiscoveryBenchScale AI SEAL41.9%–
EBR-benchEpoch AI Benchmarking Hub14.3%†30.5%†
GDP.pdfEpoch AI Benchmarking Hub17.0%16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
Global-MMLU-Lite (AA)Artificial Analysis93.2%†–
FACTS ParametricGoogle79.4%†44.5%†
指令遵循
LiveBench LanguageLiveBench85.4%83.7%†
LiveBench Instruction FollowingLiveBench79.1%71.9%†
IFBenchArtificial Analysis77.1%†–
MultiChallengeScale AI SEAL71.4%†–
TutorBenchScale AI SEAL53.0%†–
Arena Instruction FollowingArena (LMArena)1480†1451
人类偏好
Arena TextArena (LMArena)1487†1457
EQ-Bench 4EQ-Bench1132†–
EQ-Bench Creative Writing v3EQ-Bench1491†–
Arena Creative WritingArena (LMArena)1482†1442
Arena Multi-turnArena (LMArena)1495†1449
Arena Longer QueriesArena (LMArena)1499†1476
多模态
Arena VisionArena (LMArena)1296†1264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis82.4%†–
MMMU-Pro (Vals)Vals AI88.2%–
MortgageTaxVals AI69.4%64.2%
SAGEVals AI83.2%–
VTBScale AI SEAL29.0%†–
GeoBenchGeoBench84.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub26.5%†33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%40.0%†
FACTS MultimodalGoogle50.4%†39.3%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%†80.3%
Arena DocumentArena (LMArena)1459†1450
MLCRArtificial Analysis11.1%†15.6%
FACTS GroundingGoogle56.6%†66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench77.0%78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis29.7†44.3
AA Progress Index v1Artificial Analysis296.1†321.5
Vals RSI IndexVals AI–25.5%†
Vals Science IndexVals AI27.4%38.1%
Vals Multimodal IndexVals AI56.1%–
安全与诚实
FORTRESSScale AI SEAL29.8%†–
MASKScale AI SEAL42.4%†–
DistressBenchScale AI SEAL68.8%†–

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

  • Grok 4.6 (high):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…)。
  • 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。
  • Gemini 3.1 Pro (high):1 项分数修订。
  • Grok 4.6 (high):1 项新结果(AA Progress Index v1)。
  • Grok 4.6 (high):BenchLeader Index 61.4 → 60.9。
  • Gemini 3.1 Pro (high):价格 $1.30/M → $1.44/M。
  • Gemini 3.1 Pro (high):2 项新结果(Harvey's Legal Agent Benchmark v1, 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 3.1 Pro vs Grok 4.6:常见问题

Gemini 3.1 Pro 比 Grok 4.6 更好吗?
Gemini 3.1 Pro (high) 与 Grok 4.6 (high) 的质量不相上下(60.4 比 60.6,在 ±4.8 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 Grok 4.6 哪个更便宜?价格会变吗?
目前 Grok 4.6 更便宜:每百万 token $3.00 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 Grok 4.6 更好?
Grok 4.6 在编程方面得分更高(类别得分 61 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Gemini 3.1 Pro 为 88.5%,Grok 4.6 为 88.2%。
Gemini 3.1 Pro 和 Grok 4.6 哪个更快?
Gemini 3.1 Pro 输出更快(约 1.5 倍;输出 111 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.1 Pro 还是 Grok 4.6 更好?
Grok 4.6 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%,Grok 4.6 为 78.3%。
更多问题(4)
处理长文档哪个更好?
Gemini 3.1 Pro 支持更长的上下文:1,048,576 token,Grok 4.6 为 500,000 token。
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 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 Gemini 3.1 Pro 和 Grok 4.6 的看法一致吗?
在两者都有结果的 32 项基准测试中,Gemini 3.1 Pro 领先 12 项,Grok 4.6 领先 20 项。所有同时评测两者的综合评分都认为 Gemini 3.1 Pro 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。