Gemini 3.1 Pro vs Grok 4.7
完整资料:Gemini 3.1 Pro(Google)和 Grok 4.7(SpaceXAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 14 个来源
截至 2026年11月16日,Gemini 3.1 Pro 与 Grok 4.7 的质量不相上下(BenchLeader Index 60.4 比 57.4,在 ±4.3 的误差范围内)。Grok 4.7 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)。看重数学(66 比 56)、推理(65 比 56)和知识(66 比 60)选 Gemini 3.1 Pro;看重编程(61 比 59)选 Grok 4.7。Gemini 3.1 Pro 的首次回答更快(15.2 秒 比 55.9 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,Grok 4.7 为 57.4(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 4.7 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 4.7 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 40 项基准测试中,Grok 4.7 领先 28 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 4.7 | 类别得分 61 比 59;IOI 57.7% 比 51.8% | 中 |
| 智能体与工具调用 | 均可 | 类别得分 57 比 57;Terminal-Bench 2.1 (Vals) 70.8% 比 73.4% | 均可 |
| 数学 | Gemini 3.1 Pro | 类别得分 66 比 56;OTIS Mock AIME 95.6% 比 98.1% | 高 |
| 推理 | Gemini 3.1 Pro | 类别得分 65 比 56;GPQA Diamond 94.4% 比 92.7% | 高 |
| 知识 | Gemini 3.1 Pro | 类别得分 66 比 60;SimpleQA Verified 73.5% 比 56.0% | 中 |
| 对话质量(人类偏好) | – | 只有 Grok 4.7 有 Arena 评分(类别得分 63) | 无法比较 |
| 成本最低 | Grok 4.7 | 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 55.9 秒(Grok 4.7 (xhigh)) | – |
| 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 4.7 (xhigh) 的质量不相上下(60.4 比 57.4,在 ±4.3 的误差范围内)。
- Gemini 3.1 Pro (high) 在知识、数学、推理方面更强。
- Grok 4.7 (xhigh) 在智能体与工具、编程方面更强。
- Grok 4.7 (xhigh) 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 1.6 倍(111 比 68 token/秒)。
概览
| 规格 | Gemini 3.1 Pro | Grok 4.7 |
|---|---|---|
| 提供商 | SpaceXAI | |
| 发布日期 | 2026年2月19日 | 2026年9月21日 |
| 上下文窗口(token) | 1,048,576 | 500,000 |
| 对比时的配置 | Gemini 3.1 Pro (high) | Grok 4.7 (xhigh) |
| 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 4.7 (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 64.7 | 55.6 | Gemini 3.1 Pro |
| 编程 | 58.6 | 60.9 | Grok 4.7 |
| 智能体与工具 | 56.7 | 56.9 | 持平 |
| 数学 | 65.7 | 55.8 | Gemini 3.1 Pro |
| 知识 | 65.6 | 59.9 | Gemini 3.1 Pro |
| 人类偏好 | – | 62.5 | 无法比较 |
| 多模态 | – | 55.5 | 无法比较 |
| 长上下文 | – | 62.9 | 无法比较 |
| 综合 | – | 52.8 | 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。
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。
各来源的分歧
在两者都有结果的 40 项基准测试中,Gemini 3.1 Pro 领先 12 项,Grok 4.7 领先 28 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 Index | Gemini 3.1 Pro (high) | Grok 4.7 (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 60.4 | 57.4 | 不相上下 |
| Arena Text | 1487† | 1443 | Gemini 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 4.7 (xhigh) |
|---|---|---|
| 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 |
| 每项基准测试任务成本(AA Index) | – | $7.77 |
| 每项任务输出 token(AA Index) | – | 105k |
| 其中推理部分 | – | 69k |
| 每项任务耗时(AA Index) | – | 26 min |
| 输出速度 | 111 tok/s | 68 tok/s |
| 首次回答时间 | 15.2 秒 | 55.9 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 37.5 秒 | 145.5 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 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(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 212 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 4.7 (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 60.4 | 57.4 |
| 智能体与工具得分 | BenchLeader | 56.7 | 56.9 |
| 编程得分 | BenchLeader | 58.6 | 60.9 |
| 知识得分 | BenchLeader | 65.6 | 59.9 |
| 数学得分 | BenchLeader | 65.7 | 55.8 |
| 推理得分 | BenchLeader | 64.7 | 55.6 |
| 综合得分 | BenchLeader | – | 52.8 |
| 人类偏好得分 | BenchLeader | – | 62.5 |
| 长上下文得分 | BenchLeader | – | 62.9 |
| 多模态得分 | BenchLeader | – | 55.5 |
| 混合价格(美元/百万 token) | BenchLeader | $4.50 | $3.00 |
| 输出速度 | BenchLeader | 111 tok/s | 68 tok/s |
| 首次回答时间 | BenchLeader | 15.2 秒 | 55.9 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 500,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 94.4% | 92.7% |
| Humanity's Last Exam | Scale AI / CAIS | 46.4%† | – |
| SimpleBench | SimpleBench | 79.6%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1508† | 1466 |
| LiveBench 2.0 Reasoning | LiveBench | – | 82.7% |
| LiveBench 1.0 Reasoning | LiveBench | 84.0% | 82.7% |
| GPQA Diamond (AA) | Artificial Analysis | 94.1%† | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 47.0%† | 43.1% |
| HLE-Diamond (AA) | Artificial Analysis | 31.4%† | 23.2% |
| GPQA Diamond (Vals) | Vals AI | 95.5% | – |
| EnigmaEval | Scale AI SEAL | 36.8% | – |
| ARC-AGI-1 | ARC Prize | 98.0%† | 89.5% |
| ARC-AGI-2 | ARC Prize | 77.1%† | 61.4% |
| ARC-AGI-3 | ARC Prize | 0.4%† | 7.0% |
| CritPt | Artificial Analysis | 17.7%† | 17.7% |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 33.5% |
| MysteryMechanism | Vals AI | 20.7% | 25.2% |
| HLE-Diamond (Scale) | Scale AI SEAL | – | 23.4%† |
| Arena Expert | Arena (LMArena) | 1509† | 1478 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 51.0% | 41.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 34.0% | 29.0% |
| CL-bench | Epoch AI Benchmarking Hub | 20.8%† | – |
| CL-bench Life | Epoch AI Benchmarking Hub | 16.9%† | – |
| LMCA | Epoch AI Benchmarking Hub | 53.8% | 49.4% |
| DTBench | Epoch AI Benchmarking Hub | 95.5% | 96.0% |
显示全部 212 项基准测试
| 指标 | 发布方 | Gemini 3.1 Pro (high) | Grok 4.7 (xhigh) |
|---|---|---|---|
| 推理 | |||
| ForecastBench | ForecastBench | 65.2% | – |
| 编程 | |||
| SciCode | SciCode | 58.7%† | 57.4% |
| WeirdML | WeirdML | 72.1%† | – |
| FrontierCode | Cognition | – | 47.6%† |
| GSO-Bench | GSO-Bench | 22.6%† | – |
| Arena Coding | Arena (LMArena) | 1520† | 1493 |
| Arena WebDev | Arena (LMArena) | 1446† | 1641 |
| LiveBench 2.0 Coding | LiveBench | – | 73.1% |
| LiveBench 1.0 Coding | LiveBench | 76.5% | 77.2% |
| LiveCodeBench | Vals AI | 88.5% | – |
| IOI | Vals AI | 51.8% | 57.7% |
| SWE-bench (Vals) | Vals AI | 78.8% | – |
| SWE-Bench Pro | Scale AI SEAL | 46.1%† | – |
| Code Migration | Vals AI | 17.3% | 44.8% |
| Code Migration v1.1 | Vals AI | – | 53.2% |
| ProgramBench | Vals AI | 0.0% | 0.5% |
| SWE-bench Multimodal | Vals AI | – | 42.9% |
| Vibe Code Bench 1-100 | Vals AI | 6.7% | – |
| Vibe Code Bench v1.1 | Vals AI | 32.0% | 86.2% |
| Vibe Code Bench 1-100 v1.1 | Vals AI | – | 26.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | 32.2%† | – |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 13.5%† | – |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | 33.8%† | – |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 29.8%† | – |
| SWE Atlas v1.1 | Scale AI SEAL | – | 62.1%† |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 73.4%† |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 64.4%† |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 48.6%† |
| MirrorCode | Epoch AI Benchmarking Hub | 8.9% | 54.4% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 11.7%† | – |
| CursorBench | Cursor | – | 46.3% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1160.6† | 1545.8 |
| AlgoTune | AlgoTune | 2.0† | – |
| FrontierSWE | Epoch AI Benchmarking Hub | – | 29.5% |
| WeirdML v3 | WeirdML | – | 8.4% |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 4.0%† | 25.8% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 73.8%† | – |
| Startrise Frontend | Startrise | – | 75.9%† |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 63.6† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 71.2 |
| Design Arena Website | Design Arena | 1226† | 1244† |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 33.8% |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 28.7% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 80.2%† | 38.8% |
| APEX-Agents | Mercor | 35.1%† | 54.6%† |
| Arena Agent | Arena (LMArena) | -4.5† | 2.6 |
| LiveBench Long Agentic | LiveBench | – | 45.3% |
| LiveBench Browser | LiveBench | – | 49.3% |
| LiveBench Agentic Coding | LiveBench | 44.1% | 54.0% |
| Terminal-Bench Hard | Artificial Analysis | 53.8%† | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 95.6%† | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 70.8% | 73.4% |
| MCP Atlas | Scale AI SEAL | 78.2% | – |
| HiL-Bench | Scale AI SEAL | 35.3%† | – |
| τ³-bench Banking | τ²-bench | 26.0% | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 14.6%† | 60.7% |
| GDPval-AA v2.1 | Artificial Analysis | 799† | 1717 |
| τ³-Banking (AA) | Artificial Analysis | 21.4%† | – |
| ITBench SRE (AA) | Artificial Analysis | 30.3%† | 42.1% |
| Analyst Agent (AA) | Artificial Analysis | 41.3%† | 52.5% |
| APEX-Agents (AA) | Artificial Analysis | 32.0%† | – |
| CyberBench | Vals AI | – | 69.5% |
| Finance Agent v2 | Vals AI | 43.0% | 52.3% |
| Finance Agent v2.1 | Vals AI | – | 60.6% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 18.3% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 0.0% | 12.5% |
| Legal Research Bench | Vals AI | 20.7% | 47.1% |
| Robo-bench | Vals AI | – | 0.2% |
| SREBench | Vals AI | 0.0% | 3.8% |
| Tax Agent Bench | Vals AI | 9.3% | 35.8% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 67.4% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 2.5% | 28.8% |
| Terminal-Bench Science | Vals AI | 1.4% | 10.0% |
| Arena Search | Arena (LMArena) | 1209† | – |
| Arena Agent Task Completion | Arena (LMArena) | -11.3† | 5.1 |
| BALROG | BALROG | 57.0%† | – |
| DeepResearch Bench | DeepResearch Bench | 47.8% | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 18.1%† | – |
| ExploitBench | Epoch AI Benchmarking Hub | 26.1%† | – |
| METR Time Horizons | METR | 77.0%† | – |
| GBAEval | Epoch AI Benchmarking Hub | 0.8%† | – |
| Vending-Bench 2 | Andon Labs | 911.2† | 10536.8† |
| AutomationBench | Artificial Analysis | 35.4%† | 65.6% |
| GDP.pdf (AA) | Artificial Analysis | 17.8%† | 20.0% |
| Harvey LAB-AA v1.1 | Harvey | 0.0%† | 9.4% |
| EnterpriseOps-Gym | Artificial Analysis | 42.2%† | – |
| AA-Briefcase v1.1 | Artificial Analysis | 457† | 1636 |
| GDPx | GDPx by SemiAnalysis | – | 3.9% |
| Design Arena Agentic | Design Arena | 1088† | 1277† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 11.4% |
| CWE-Bench (AA) | Artificial Analysis | – | 68.3% |
| DeepSec-Bench (AA) | Artificial Analysis | – | 26.9% |
| CyberGym end-to-end (AA) | Artificial Analysis | – | 74.0% |
| MKA (AA) | Artificial Analysis | – | 40.1% |
| BrowseComp | OpenAI | 31.2%† | – |
| DeepSearchQA | 60.2%† | – | |
| FACTS Search | 90.2%† | 85.6%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 59.6%† | 53.0% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 26.8%† | 17.1% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 95.6% | 98.1% |
| ProofBench | Vals AI | 26.0%† | 26.0%† |
| LiveBench Mathematics | LiveBench | 91.0% | 95.7% |
| AIME (Vals) | Vals AI | 98.1% | – |
| AIME 2026 | MathArena | 98.3% | – |
| HMMT February 2026 | MathArena | 94.7% | – |
| USAMO 2026 | MathArena | 74.4% | – |
| MathArena Apex | MathArena | 60.9% | – |
| Arena Maths | Arena (LMArena) | 1488† | 1447 |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | – | 0.0% |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 73.5% | 56.0% |
| LiveBench 2.0 Data Analysis | LiveBench | – | 76.9% |
| LiveBench Research | LiveBench | – | 89.5% |
| LiveBench 1.0 Data Analysis | LiveBench | 78.5% | 76.9% |
| AA-Omniscience v1.1 | Artificial Analysis | – | 31.2 |
| MMLU-Pro | Vals AI | 91.0% | – |
| LegalBench | Vals AI | 87.4% | 84.4% |
| CorpFin | Vals AI | 64.5% | – |
| TaxEval | Vals AI | 72.9% | – |
| MedQA | Vals AI | 96.4% | – |
| PRBench Finance | Scale AI SEAL | 41.9%† | – |
| PRBench Legal | Scale AI SEAL | 44.0%† | 47.6% |
| MultiNRC | Scale AI SEAL | 64.7%† | – |
| BioMysteryBench | Vals AI | 60.0% | 69.3% |
| CaseLaw v2 | Vals AI | 64.8% | – |
| Excel Modeling Benchmark | Vals AI | 52.6% | 67.0% |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 71.5% |
| MedCode | Vals AI | 59.1% | 49.5% |
| MedScribe | Vals AI | 76.1% | 89.4% |
| Public Benefits Bench v1.1 | Vals AI | 53.8% | 65.6% |
| Access to Justice Benchmark | Vals AI | – | 73.7% |
| Financial Coaching Bench | Vals AI | 66.7% | 74.1% |
| Immigration Bench | Vals AI | – | 68.0% |
| DrugDiscoveryBench | Scale AI SEAL | 41.9% | – |
| EBR-bench | Epoch AI Benchmarking Hub | 14.3%† | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 17.0% | 22.8% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 42.7% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 80.0% |
| Global-MMLU-Lite (AA) | Artificial Analysis | 93.2%† | – |
| HealthBench Professional (AA) | OpenAI | – | 55.8% |
| FACTS Parametric | 79.4%† | 54.3%† | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 85.4% | 80.1% |
| LiveBench Instruction Following | LiveBench | 79.1% | 75.3% |
| IFBench | Artificial Analysis | 77.1%† | – |
| MultiChallenge | Scale AI SEAL | 71.4%† | – |
| TutorBench | Scale AI SEAL | 53.0%† | – |
| Arena Instruction Following | Arena (LMArena) | 1480† | 1435 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1487† | 1443 |
| EQ-Bench 4 | EQ-Bench | 1132† | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1491† | 2012† |
| Arena Creative Writing | Arena (LMArena) | 1482† | 1421 |
| Arena Multi-turn | Arena (LMArena) | 1495† | 1435 |
| Arena Longer Queries | Arena (LMArena) | 1499† | 1454 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1296† | 1230 |
| LiveBench Design | LiveBench | – | 75.0% |
| MMMU-Pro | Artificial Analysis | 82.4%† | 78.2%† |
| MMMU-Pro (Vals) | Vals AI | 88.2% | – |
| MortgageTax | Vals AI | 69.4% | – |
| SAGE | Vals AI | 83.2% | 88.7% |
| VTB | Scale AI SEAL | 29.0%† | – |
| GeoBench | GeoBench | 84.0%† | 61.0%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 26.5%† | 32.5%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | 26.7% | 20.8% |
| VIALS-AA | Handshake AI | – | 37.9% |
| Code2Video-AA | Artificial Analysis | – | 1127 |
| AA-3D | Artificial Analysis | – | 992 |
| FACTS Multimodal | 50.4%† | 40.9%† | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.0%† | 76.7% |
| Arena Document | Arena (LMArena) | 1459† | – |
| MLCR | Artificial Analysis | 11.1%† | 20.0% |
| FACTS Grounding | 56.6%† | 68.6%† | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 156.2† | 156.2† |
| LiveBench 2.0 | LiveBench | – | 67.9% |
| LiveBench 1.0 | LiveBench | 77.0% | 77.4% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 35.5 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 29.7† | 46.5 |
| AA Progress Index v1 | Artificial Analysis | 296.1† | 322.7 |
| Vals Index | Vals AI | – | 58.6 |
| Vals Finance Index | Vals AI | – | 58.8% |
| Vals RSI Index | Vals AI | – | 20.2% |
| Vals Science Index | Vals AI | 27.4% | 34.8% |
| Vals Multimodal Index | Vals AI | 56.1% | – |
| Vals Router Index | Vals AI | – | 58.6%† |
| Vals Legal Index | Vals AI | – | 72.7% |
| AA Cyber Index | Artificial Analysis | – | 56.4 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 29.8%† | – |
| MASK | Scale AI SEAL | 42.4%† | – |
| DistressBench | Scale AI SEAL | 68.8%† | 52.4%† |
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
- Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
- Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
- Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
- Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
- Grok 4.7 (xhigh):2 项分数修订。
- Grok 4.7 (xhigh):2 项分数修订。
- Grok 4.7 (xhigh):2 项分数修订。
- Grok 4.7 (xhigh):1 项分数修订。
- Grok 4.7 (xhigh):BenchLeader Index 59.5 → 58.0。
相关对比
- Gemini 3.1 Pro vs Gemini 4 Carbon
- Gemini 3.1 Pro vs Claude Opus 5.5
- Grok 4.7 vs Claude Opus 5.5
- Grok 4.7 vs GPT-6 Astra
- Grok 4.7 vs Claude Fable 5.1
- Grok 4.7 vs GPT-6.1 Sol
- Gemini 3.1 Pro vs Grok 4.6
- Gemini 3.1 Pro vs GPT-6.1 Sol
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 4.7:常见问题
- Gemini 3.1 Pro 比 Grok 4.7 更好吗?
- Gemini 3.1 Pro (high) 与 Grok 4.7 (xhigh) 的质量不相上下(60.4 比 57.4,在 ±4.3 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 4.7 哪个更便宜?价格会变吗?
- 目前 Grok 4.7 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 4.7 更好?
- Grok 4.7 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 IOI 上,Gemini 3.1 Pro 为 51.8%,Grok 4.7 为 57.7%。
- Gemini 3.1 Pro 和 Grok 4.7 哪个更快?
- Gemini 3.1 Pro 输出更快(约 1.5 倍;输出 111 比 68 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 4.7 更好?
- 两者在智能体任务方面持平(类别得分 57 比 57)。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 4.7 为 73.4%。
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 4.7 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 55.9 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 Grok 4.7 的看法一致吗?
- 在两者都有结果的 40 项基准测试中,Gemini 3.1 Pro 领先 12 项,Grok 4.7 领先 28 项。所有同时评测两者的综合评分都认为 Gemini 3.1 Pro 更强。
- Grok 4.7 是什么时候发布的?
- Grok 4.7 于 2026年9月21日 发布。