BenchLeader

Gemini 3.5 Flash vs GPT-5.5

完整资料:Gemini 3.5 Flash(Google)和 GPT-5.5(OpenAI),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 3.5 Flash 与 GPT-5.5 的质量不相上下(BenchLeader Index 62.5 比 64.1,在 ±4.7 的误差范围内)。Gemini 3.5 Flash 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.38 比 $11.25)。看重多模态(66 比 62)和智能体与工具(63 比 62)选 Gemini 3.5 Flash;看重数学(69 比 58)、推理(68 比 61)和长上下文(67 比 61)选 GPT-5.5。Gemini 3.5 Flash 的首次回答更快(9.9 秒 比 38.3 秒)。Gemini 3.5 Flash 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,GPT-5.5 为 64.1(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-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • Gemini 3.5 Flash 比 GPT-5.5 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 73 项基准测试中,GPT-5.5 领先 59 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3.5 Flash 的评分为 1500,GPT-5.5 为 1512(LMArena,截至 2026年11月16日 的公布数据)。

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-5.5类别得分 61 比 60;Arena WebDev 1512 比 1500中
智能体与工具调用Gemini 3.5 Flash类别得分 63 比 62;MCP Atlas 83.6% 比 75.3%中
数学GPT-5.5类别得分 69 比 58;FrontierMath Tiers 1–3 85.3% 比 62.8%高
推理GPT-5.5类别得分 68 比 61;ARC-AGI-2 85.0% 比 72.1%中
知识均可类别得分 63 比 64;SimpleQA Verified 66.2% 比 63.0%均可
长文档GPT-5.5类别得分 67 比 61;AA-LCR v1.1 84.3% 比 73.3%中
图像及其他媒体Gemini 3.5 Flash类别得分 66 比 62;MMMU-Pro 84.3% 比 79.9%中
指令遵循均可类别得分 74 比 74;IFBench 76.3% 比 75.8%均可
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 $11.25;智能体编程会话 $0.126 比 $0.420–
首次回答最快Gemini 3.5 Flash首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 38.3 秒(GPT-5.5 (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 3.5 Flash (high) 与 GPT-5.5 (xhigh) 的质量不相上下(62.5 比 64.1,在 ±4.7 的误差范围内)。
  • Gemini 3.5 Flash (high) 在智能体与工具、指令遵循、多模态方面更强。
  • GPT-5.5 (xhigh) 在编程、知识、长上下文、数学、推理方面更强。
  • Gemini 3.5 Flash (high) 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $3.38 比 $11.25)。
  • Gemini 3.5 Flash (high) 的输出速度是对方的 2.2 倍(176 比 81 token/秒)。

概览

规格Gemini 3.5 FlashGPT-5.5
提供商GoogleOpenAI
发布日期2026年5月19日2026年4月23日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 3.5 Flash (high)GPT-5.5 (xhigh)
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$5.00 / $30.00 / $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 3.5 Flash (high)GPT-5.5 (xhigh)领先者
推理60.668.1GPT-5.5
编程59.560.7GPT-5.5
智能体与工具62.861.8Gemini 3.5 Flash
数学57.769.3GPT-5.5
知识63.363.6持平
指令遵循74.474.0持平
人类偏好66.8–无法比较
多模态66.262.3Gemini 3.5 Flash
长上下文61.266.9GPT-5.5

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指令遵循长上下文多模态Gemini 3.5 Flash, 推理: 60.6Gemini 3.5 Flash, 编程: 59.5Gemini 3.5 Flash, 智能体与工具: 62.8Gemini 3.5 Flash, 数学: 57.7Gemini 3.5 Flash, 知识: 63.3Gemini 3.5 Flash, 指令遵循: 74.4Gemini 3.5 Flash, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6GPT-5.5, 指令遵循: 74.0GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3

未绘制(测得的模型少于两个):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 73 项基准测试中,Gemini 3.5 Flash 领先 13 项,GPT-5.5 领先 59 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.5 更强。

综合 IndexGemini 3.5 Flash (high)GPT-5.5 (xhigh)领先者
BenchLeader Index62.564.1不相上下
Arena Text14781481†GPT-5.5

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-5.5 (xhigh)
每百万 token 混合价格$3.38$11.25
每百万 token 输入 / 输出$1.50 / $9.00$5.00 / $30.00
每百万 token 缓存输入$0.150$0.500
每项任务价格:聊天回复$0.0033$0.011
每项任务价格:总结一份 30 页的报告$0.023$0.078
每项任务价格:代码编辑$0.022$0.075
每项任务价格:智能体编程会话$0.126$0.420
每项任务价格:结构化信息提取$0.0048$0.016
智能体编程会话(输入大多命中缓存)$0.065$0.217
输出速度176 tok/s81 tok/s
首次回答时间9.9 秒38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 秒104.3 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-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 141 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-5.5 (xhigh)
BenchLeader IndexBenchLeader62.564.1
智能体与工具得分BenchLeader62.861.8
编程得分BenchLeader59.560.7
人类偏好得分BenchLeader66.8–
指令遵循得分BenchLeader74.474.0
知识得分BenchLeader63.363.6
长上下文得分BenchLeader61.266.9
数学得分BenchLeader57.769.3
多模态得分BenchLeader66.262.3
推理得分BenchLeader60.668.1
混合价格(美元/百万 token)BenchLeader$3.38$11.25
输出速度BenchLeader176 tok/s81 tok/s
首次回答时间BenchLeader9.9 秒38.3 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%90.7%†
SimpleBenchSimpleBench76.7%†69.0%†
Arena Hard PromptsArena (LMArena)14961499†
LiveBench 1.0 ReasoningLiveBench82.0%89.7%
GPQA Diamond (AA)Artificial Analysis92.2%93.5%
Humanity's Last Exam (AA)Artificial Analysis42.7%45.8%
GPQA Diamond (Vals)Vals AI92.7%93.2%
EnigmaEvalScale AI SEAL25.4%–
Kagi LLM BenchmarkKagi LLM Benchmark–88.8%†
ARC-AGI-1ARC Prize92.5%95.0%
ARC-AGI-2ARC Prize72.1%85.0%
ARC-AGI-3ARC Prize–0.4%†
CritPtArtificial Analysis13.1%27.1%
Arena ExpertArena (LMArena)14911510†
Chess PuzzlesEpoch AI Benchmarking Hub45.0%63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%56.0%
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub47.1%54.3%
DTBenchEpoch AI Benchmarking Hub94.7%96.0%
ForecastBenchForecastBench64.0%†64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%55.8%
WeirdMLWeirdML62.6%84.9%
FrontierCodeCognition–43.0%†
显示全部 141 项基准测试
指标发布方Gemini 3.5 Flash (high)GPT-5.5 (xhigh)
编程
GSO-BenchGSO-Bench–40.2%
Arena CodingArena (LMArena)15081510†
Arena WebDevArena (LMArena)15001512
LiveBench 1.0 CodingLiveBench78.2%82.2%
LiveCodeBenchVals AI87.6%85.3%
SWE-bench (Vals)Vals AI78.8%82.6%
Code MigrationVals AI26.8%45.2%
ProgramBenchVals AI0.0%0.5%
Vibe Code Bench v1.1Vals AI48.7%69.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL–42.6%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%67.0%
ALE-BenchEpoch AI Benchmarking Hub911.01943.0
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%84.3%
GameBench 2 OverallDuelLab GameBench 249.4†49.2†
GameBench 2 by reasoning settingDuelLab GameBench 263.259.9
Design Arena WebsiteDesign Arena1260†1248†
智能体与工具
Terminal-BenchTerminal-Bench–84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
Remote Labor IndexScale AI / CAIS–6.3%†
APEX-AgentsMercor27.5%†55.1%†
LiveBench Agentic CodingLiveBench49.0%54.0%
Terminal-Bench HardArtificial Analysis40.9%60.6%
τ²-Bench Telecom (AA)Artificial Analysis95.3%93.9%
Terminal-Bench 2.1 (Vals)Vals AI74.2%57.3%†
MCP AtlasScale AI SEAL83.6%75.3%
HiL-BenchScale AI SEAL27.7%†39.7%†
τ³-bench Bankingτ²-bench–44.6%
GDPval-AA v2.1Artificial Analysis12111357
τ³-Banking (AA)Artificial Analysis32.2%39.0%
ITBench SRE (AA)Artificial Analysis40.4%45.8%
Analyst Agent (AA)Artificial Analysis45.0%50.0%
APEX-Agents (AA)Artificial Analysis47.0%37.7%
Finance Agent v2Vals AI57.9%51.8%
Harvey's Legal Agent Benchmark v1Vals AI2.5%3.8%
Legal Research BenchVals AI30.8%40.4%
SkillsBenchVals AI52.7%62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI21.6%21.8%
Terminal-Bench 2.0 (Vals)Vals AI67.4%73.2%†
Terminal-Bench 4.0 (Vals)Vals AI6.1%–
Terminal-Bench ScienceVals AI5.7%–
Time Horizon Index: KSPVals AI–8.3%
Web Search IndexVals AI37.0%–
Arena SearchArena (LMArena)–1226†
DeepResearch BenchDeepResearch Bench–54.0%†
PostTrainBenchEpoch AI Benchmarking Hub–23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
GBAEvalEpoch AI Benchmarking Hub6.7%†53.2%†
Vending-Bench 2Andon Labs5396.4†7523.8†
AutomationBenchArtificial Analysis42.1%47.3%
GDP.pdf (AA)Artificial Analysis19.8%21.2%
EnterpriseOps-GymArtificial Analysis50.1%46.6%
AA-Briefcase v1.1Artificial Analysis8761135
Design Arena AgenticDesign Arena1174†1113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%84.4%†
ProofBenchVals AI31.0%50.0%
LiveBench MathematicsLiveBench88.2%95.9%
AIME 2026MathArena95.0%100.0%
HMMT February 2026MathArena95.5%98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena32.3%80.2%
Arena MathsArena (LMArena)14971500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%63.0%
LiveBench 1.0 Data AnalysisLiveBench64.9%81.6%
MMLU-ProVals AI89.5%88.1%
LegalBenchVals AI83.6%86.5%
CorpFinVals AI64.7%68.4%
TaxEvalVals AI74.4%75.0%
CaseLaw v2Vals AI–66.2%
Excel Modeling BenchmarkVals AI63.5%64.5%
MedCodeVals AI55.8%49.1%
MedScribeVals AI76.6%86.9%
Public Benefits Bench v1.1Vals AI59.5%60.9%
Financial Coaching BenchVals AI63.0%–
DrugDiscoveryBenchScale AI SEAL50.0%51.6%
EBR-benchEpoch AI Benchmarking Hub4.8%34.3%
GDP.pdfEpoch AI Benchmarking Hub14.0%†26.0%
指令遵循
LiveBench LanguageLiveBench84.6%87.4%
LiveBench Instruction FollowingLiveBench75.6%70.7%
IFBenchArtificial Analysis76.3%75.8%
Arena Instruction FollowingArena (LMArena)14651475†
人类偏好
Arena TextArena (LMArena)14781476†
EQ-Bench 4EQ-Bench1077†1295†
EQ-Bench Creative Writing v3EQ-Bench–1845†
Arena Creative WritingArena (LMArena)14651448†
Arena Multi-turnArena (LMArena)14801484†
Arena Longer QueriesArena (LMArena)14831486†
多模态
Arena VisionArena (LMArena)13081296†
MMMU-ProArtificial Analysis84.3%79.9%
MMMU-Pro (Vals)Vals AI88.3%88.3%
MortgageTaxVals AI68.1%68.8%
Humanity's Sixth SenseScale AI SEAL32.6%–
GeoBenchGeoBench85.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis73.3%84.3%
Arena DocumentArena (LMArena)14551479†
MLCRArtificial Analysis10.0%28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†160.1†
LiveBench 1.0LiveBench74.6%80.2%
AA Intelligence Index v4.3.2Artificial Analysis32.638.4
AA Progress Index v1Artificial Analysis305.1320
Vals RSI IndexVals AI–16.5%
Vals Multimodal IndexVals AI62.9%68.1%
安全与诚实
FORTRESSScale AI SEAL–16.3%
DistressBenchScale AI SEAL66.9%†–

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。
  • GPT-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • Gemini 3.5 Flash (high):1 项分数修订。
  • GPT-5.5 (xhigh):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)。

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-5.5:常见问题

Gemini 3.5 Flash 比 GPT-5.5 更好吗?
Gemini 3.5 Flash (high) 与 GPT-5.5 (xhigh) 的质量不相上下(62.5 比 64.1,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 3.5 Flash 和 GPT-5.5 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 $11.25(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 3.5 Flash 还是 GPT-5.5 更好?
GPT-5.5 在编程方面得分更高(类别得分 61 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 3.5 Flash 为 1500,GPT-5.5 为 1512。
Gemini 3.5 Flash 和 GPT-5.5 哪个更快?
Gemini 3.5 Flash 输出更快(约 2 倍;输出 176 比 81 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.5 Flash 还是 GPT-5.5 更好?
Gemini 3.5 Flash 在智能体任务方面得分更高(类别得分 63 比 62,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,Gemini 3.5 Flash 为 83.6%,GPT-5.5 为 75.3%。
更多问题(4)
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 61)。两者都约为 1.1M token(Gemini 3.5 Flash 为 1,048,576,GPT-5.5 为 1,050,000)。
哪个延迟更低?
Gemini 3.5 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 9.9 秒比 38.3 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 3.5 Flash 和 GPT-5.5 的看法一致吗?
在两者都有结果的 73 项基准测试中,Gemini 3.5 Flash 领先 13 项,GPT-5.5 领先 59 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.5 更强。
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。