Gemini 3.5 Flash vs GPT-5.4 Pro
完整资料:Gemini 3.5 Flash(Google)和 GPT-5.4 Pro(OpenAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 11 个来源
截至 2026年11月16日,Gemini 3.5 Flash 与 GPT-5.4 Pro 的质量不相上下(BenchLeader Index 62.5 比 63.1,在 ±4.4 的误差范围内)。Gemini 3.5 Flash 更便宜,对方的价格是它的 20 倍(每百万 token 混合价格 $3.38 比 $67.50)。看重指令遵循(74 比 64)选 Gemini 3.5 Flash;看重知识(74 比 63)、推理(70 比 61)和多模态(70 比 66)选 GPT-5.4 Pro。Gemini 3.5 Flash 的输出更快(3 倍以上)。
要点(截至 2026年11月16日)
- Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,GPT-5.4 Pro 为 63.1(BenchLeader,2026年11月16日)。
- Gemini 3.5 Flash 每百万 token 混合价格为 $3.38(标价,2026年11月16日)。
- GPT-5.4 Pro 每百万 token 混合价格为 $67.50(标价,2026年11月16日)。
- Gemini 3.5 Flash 比 GPT-5.4 Pro 输出更快(3 倍以上;Artificial Analysis,7 日中位数,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 |
|---|---|---|---|
| 推理 | GPT-5.4 Pro | 类别得分 70 比 61 | 高 |
| 知识 | GPT-5.4 Pro | 类别得分 74 比 63 | 高 |
| 图像及其他媒体 | GPT-5.4 Pro | 类别得分 70 比 66 | 中 |
| 指令遵循 | Gemini 3.5 Flash | 类别得分 74 比 64 | 高 |
| 对话质量(人类偏好) | – | 只有 Gemini 3.5 Flash 有 Arena 评分(类别得分 67) | 无法比较 |
| 成本最低 | Gemini 3.5 Flash | 每百万 token 混合价格 $3.38 比 $67.50;智能体编程会话 $0.126 比 $2.52 | – |
| 首次回答最快 | 均可 | 首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 7.9 秒(GPT-5.4 Pro) | – |
| 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 3.5 Flash (high) 与 GPT-5.4 Pro 的质量不相上下(62.5 比 63.1,在 ±4.4 的误差范围内)。
- Gemini 3.5 Flash (high) 在指令遵循方面更强。
- GPT-5.4 Pro 在知识、多模态、推理方面更强。
- Gemini 3.5 Flash (high) 更便宜,对方的价格是它的 20 倍(每百万 token 混合价格 $3.38 比 $67.50)。
- Gemini 3.5 Flash (high) 的输出速度是对方的 27.0 倍(176 比 7 token/秒)。
概览
| 规格 | Gemini 3.5 Flash | GPT-5.4 Pro |
|---|---|---|
| 提供商 | OpenAI | |
| 发布日期 | 2026年5月19日 | 2026年3月4日 |
| 上下文窗口(token) | 1,048,576 | 1,050,000 |
| 对比时的配置 | Gemini 3.5 Flash (high) | GPT-5.4 Pro |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $1.50 / $9.00 / $0.150 | $30.00 / $180.00 / – |
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 3.5 Flash (high) | GPT-5.4 Pro | 领先者 |
|---|---|---|---|
| 推理 | 60.6 | 70.1 | GPT-5.4 Pro |
| 编程 | 59.5 | – | 无法比较 |
| 智能体与工具 | 62.8 | – | 无法比较 |
| 数学 | 57.7 | – | 无法比较 |
| 知识 | 63.3 | 74.0 | GPT-5.4 Pro |
| 指令遵循 | 74.4 | 64.4 | Gemini 3.5 Flash |
| 人类偏好 | 66.8 | – | 无法比较 |
| 多模态 | 66.2 | 69.8 | GPT-5.4 Pro |
| 长上下文 | 61.2 | – | 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):编程, 智能体与工具, 数学, 长上下文, 人类偏好。
各来源的分歧
在两者都有结果的 0 项基准测试中,Gemini 3.5 Flash 领先 0 项,GPT-5.4 Pro 领先 0 项。
| 综合 Index | Gemini 3.5 Flash (high) | GPT-5.4 Pro | 领先者 |
|---|---|---|---|
| BenchLeader Index | 62.5 | 63.1 | 不相上下 |
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 3.5 Flash (high) | GPT-5.4 Pro |
|---|---|---|
| 每百万 token 混合价格 | $3.38 | $67.50 |
| 每百万 token 输入 / 输出 | $1.50 / $9.00 | $30.00 / $180.00 |
| 每百万 token 缓存输入 | $0.150 | – |
| 每项任务价格:聊天回复 | $0.0033 | $0.066 |
| 每项任务价格:总结一份 30 页的报告 | $0.023 | $0.468 |
| 每项任务价格:代码编辑 | $0.022 | $0.450 |
| 每项任务价格:智能体编程会话 | $0.126 | $2.52 |
| 每项任务价格:结构化信息提取 | $0.0048 | $0.096 |
| 智能体编程会话(输入大多命中缓存) | $0.065 | – |
| 输出速度 | 176 tok/s | 7 tok/s |
| 首次回答时间 | 9.9 秒 | 7.9 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 27.6 秒 | – |
每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.5 Flash (high) 得分 62.5,首个回答 token 需 10 秒;Gemini 3.5 Flash (medium) 为 61.8(9 秒),Gemini 3.5 Flash (minimal) 为 55.6(3 秒)。GPT-5.4 Pro 得分 63.1,首个回答 token 需 8 秒;GPT-5.4 Pro (xhigh) 为 59.5(8 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 119 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 3.5 Flash (high) | GPT-5.4 Pro |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.5 | 63.1 |
| 智能体与工具得分 | BenchLeader | 62.8 | – |
| 编程得分 | BenchLeader | 59.5 | – |
| 人类偏好得分 | BenchLeader | 66.8 | – |
| 指令遵循得分 | BenchLeader | 74.4 | 64.4 |
| 知识得分 | BenchLeader | 63.3 | 74.0 |
| 长上下文得分 | BenchLeader | 61.2 | – |
| 数学得分 | BenchLeader | 57.7 | – |
| 多模态得分 | BenchLeader | 66.2 | 69.8 |
| 推理得分 | BenchLeader | 60.6 | 70.1 |
| 混合价格(美元/百万 token) | BenchLeader | $3.38 | $67.50 |
| 输出速度 | BenchLeader | 176 tok/s | 7 tok/s |
| 首次回答时间 | BenchLeader | 9.9 秒 | 7.9 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 92.8% | 94.6%† |
| Humanity's Last Exam | Scale AI / CAIS | – | 44.3% |
| SimpleBench | SimpleBench | 76.7%† | 74.1% |
| Arena Hard Prompts | Arena (LMArena) | 1496 | – |
| LiveBench 1.0 Reasoning | LiveBench | 82.0% | – |
| GPQA Diamond (AA) | Artificial Analysis | 92.2% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.7% | – |
| GPQA Diamond (Vals) | Vals AI | 92.7% | – |
| EnigmaEval | Scale AI SEAL | 25.4% | – |
| ARC-AGI-1 | ARC Prize | 92.5% | 94.5%† |
| ARC-AGI-2 | ARC Prize | 72.1% | 83.3%† |
| CritPt | Artificial Analysis | 13.1% | 30.0%† |
| Arena Expert | Arena (LMArena) | 1491 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 45.0% | 59.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 32.0% | – |
| LMCA | Epoch AI Benchmarking Hub | 47.1% | – |
| DTBench | Epoch AI Benchmarking Hub | 94.7% | – |
| ForecastBench | ForecastBench | 64.0%† | – |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 79.3% | – |
| SciCode | SciCode | 53.9% | – |
| WeirdML | WeirdML | 62.6% | 57.4%† |
| Arena Coding | Arena (LMArena) | 1508 | – |
| Arena WebDev | Arena (LMArena) | 1500 | – |
| LiveBench 1.0 Coding | LiveBench | 78.2% | – |
| LiveCodeBench | Vals AI | 87.6% | – |
显示全部 119 项基准测试
| 指标 | 发布方 | Gemini 3.5 Flash (high) | GPT-5.4 Pro |
|---|---|---|---|
| 编程 | |||
| SWE-bench (Vals) | Vals AI | 78.8% | – |
| Code Migration | Vals AI | 26.8% | – |
| ProgramBench | Vals AI | 0.0% | – |
| Vibe Code Bench v1.1 | Vals AI | 48.7% | – |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | 58.1%† | – |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 36.1% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 911.0 | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 6.6% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 78.7% | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 49.4† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 63.2 | – |
| Design Arena Website | Design Arena | 1260† | – |
| 智能体与工具 | |||
| APEX-Agents | Mercor | 27.5%† | – |
| LiveBench Agentic Coding | LiveBench | 49.0% | – |
| Terminal-Bench Hard | Artificial Analysis | 40.9% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 95.3% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 74.2% | – |
| MCP Atlas | Scale AI SEAL | 83.6% | – |
| HiL-Bench | Scale AI SEAL | 27.7%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 1211 | – |
| τ³-Banking (AA) | Artificial Analysis | 32.2% | – |
| ITBench SRE (AA) | Artificial Analysis | 40.4% | – |
| Analyst Agent (AA) | Artificial Analysis | 45.0% | – |
| APEX-Agents (AA) | Artificial Analysis | 47.0% | – |
| Finance Agent v2 | Vals AI | 57.9% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 2.5% | – |
| Legal Research Bench | Vals AI | 30.8% | – |
| SkillsBench | Vals AI | 52.7% | – |
| Tax Agent Bench | Vals AI | 21.6% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | 67.4% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 6.1% | – |
| Terminal-Bench Science | Vals AI | 5.7% | – |
| Web Search Index | Vals AI | 37.0% | – |
| GBAEval | Epoch AI Benchmarking Hub | 6.7%† | – |
| Vending-Bench 2 | Andon Labs | 5396.4† | – |
| AutomationBench | Artificial Analysis | 42.1% | – |
| GDP.pdf (AA) | Artificial Analysis | 19.8% | – |
| EnterpriseOps-Gym | Artificial Analysis | 50.1% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 876 | – |
| Design Arena Agentic | Design Arena | 1174† | – |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 62.8% | 82.5%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 26.8% | 58.5%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 95.6% | – |
| ProofBench | Vals AI | 31.0% | – |
| LiveBench Mathematics | LiveBench | 88.2% | – |
| AIME 2026 | MathArena | 95.0% | – |
| HMMT February 2026 | MathArena | 95.5% | – |
| MathArena Apex | MathArena | 32.3% | 69.8%† |
| Arena Maths | Arena (LMArena) | 1497 | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 66.2% | 46.3%† |
| LiveBench 1.0 Data Analysis | LiveBench | 64.9% | – |
| MMLU-Pro | Vals AI | 89.5% | – |
| LegalBench | Vals AI | 83.6% | – |
| CorpFin | Vals AI | 64.7% | – |
| TaxEval | Vals AI | 74.4% | – |
| MultiNRC | Scale AI SEAL | – | 62.3% |
| Excel Modeling Benchmark | Vals AI | 63.5% | – |
| MedCode | Vals AI | 55.8% | – |
| MedScribe | Vals AI | 76.6% | – |
| Public Benefits Bench v1.1 | Vals AI | 59.5% | – |
| Financial Coaching Bench | Vals AI | 63.0% | – |
| DrugDiscoveryBench | Scale AI SEAL | 50.0% | – |
| EBR-bench | Epoch AI Benchmarking Hub | 4.8% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 14.0%† | – |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 84.6% | – |
| LiveBench Instruction Following | LiveBench | 75.6% | – |
| IFBench | Artificial Analysis | 76.3% | – |
| MultiChallenge | Scale AI SEAL | – | 69.2% |
| TutorBench | Scale AI SEAL | – | 56.6% |
| Arena Instruction Following | Arena (LMArena) | 1465 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1478 | – |
| EQ-Bench 4 | EQ-Bench | 1077† | – |
| Arena Creative Writing | Arena (LMArena) | 1465 | – |
| Arena Multi-turn | Arena (LMArena) | 1480 | – |
| Arena Longer Queries | Arena (LMArena) | 1483 | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1308 | – |
| MMMU-Pro | Artificial Analysis | 84.3% | – |
| VISTA | Scale AI SEAL | – | 53.9% |
| MMMU-Pro (Vals) | Vals AI | 88.3% | – |
| MortgageTax | Vals AI | 68.1% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 32.6% | – |
| GeoBench | GeoBench | 85.0%† | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 33.6%† | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 73.3% | – |
| Arena Document | Arena (LMArena) | 1455 | – |
| MLCR | Artificial Analysis | 10.0% | – |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 155.3† | 160.2 |
| LiveBench 1.0 | LiveBench | 74.6% | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 32.6 | – |
| AA Progress Index v1 | Artificial Analysis | 305.1 | – |
| Vals Multimodal Index | Vals AI | 62.9% | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 14.8% |
| MASK | Scale AI SEAL | – | 91.7% |
| DistressBench | Scale AI SEAL | 66.9%† | – |
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
- Gemini 3.5 Flash (high):1 项新结果(GDPval-AA v2.1);1 项分数修订。
- Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
- Gemini 3.5 Flash (high):1 项分数修订。
- Gemini 3.5 Flash (high):BenchLeader Index 63.2 → 62.6。
- Gemini 3.5 Flash (high):1 项新结果(AA Progress Index v1)。
- GPT-5.4 Pro:BenchLeader Index 63.6 → 63.1。
- Gemini 3.5 Flash (high):价格 $3.69/M → $2.98/M。
- Gemini 3.5 Flash (high):1 项新结果(Harvey's Legal Agent Benchmark v1)。
- Gemini 3.5 Flash (high):1 项分数修订。
- GPT-5.4 Pro:1 项分数修订。
相关对比
- Gemini 3.5 Flash vs Claude Fable 5.2
- Gemini 3.5 Flash vs Gemini 4 Carbon
- Gemini 3.5 Flash vs Claude Opus 5.5
- GPT-5.4 Pro vs Claude Fable 5.2
- GPT-5.4 Pro vs Gemini 4 Carbon
- GPT-5.4 Pro vs Claude Opus 5.5
- GPT-5.4 Pro vs GPT-6 Astra
- Gemini 3.5 Flash vs GPT-5.3-Codex
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 3.5 Flash vs GPT-5.4 Pro:常见问题
- Gemini 3.5 Flash 比 GPT-5.4 Pro 更好吗?
- Gemini 3.5 Flash (high) 与 GPT-5.4 Pro 的质量不相上下(62.5 比 63.1,在 ±4.4 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 3.5 Flash 和 GPT-5.4 Pro 哪个更便宜?价格会变吗?
- 目前 Gemini 3.5 Flash 更便宜:每百万 token $3.38 比 $67.50(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。
- Gemini 3.5 Flash 和 GPT-5.4 Pro 哪个更快?
- Gemini 3.5 Flash 输出更快(3 倍以上;输出 176 比 7 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- 两者都约为 1.1M token(Gemini 3.5 Flash 为 1,048,576,GPT-5.4 Pro 为 1,050,000)。
- 哪个延迟更低?
- GPT-5.4 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 7.9 秒比 9.9 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
更多问题(1)
- Gemini 3.5 Flash 是什么时候发布的?
- Gemini 3.5 Flash 于 2026年5月19日 发布。