BenchLeader

Gemini 3.5 Flash vs GPT-5.6 Sol

完整资料:Gemini 3.5 Flash(Google)和 GPT-5.6 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,质量上 GPT-5.6 Sol 领先 Gemini 3.5 Flash(BenchLeader Index 65.3 比 62.5)。不过,Gemini 3.5 Flash 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $3.38 比 $8.00)。看重指令遵循(74 比 71)选 Gemini 3.5 Flash;看重数学(70 比 58)、编程(66 比 60)和长上下文(67 比 61)选 GPT-5.6 Sol。Gemini 3.5 Flash 的首次回答更快(9.9 秒 比 33.5 秒)。Gemini 3.5 Flash 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,GPT-5.6 Sol 为 65.3(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-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • Gemini 3.5 Flash 比 GPT-5.6 Sol 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 74 项基准测试中,GPT-5.6 Sol 领先 61 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-5.6 Sol类别得分 66 比 60;SciCode 57.1% 比 53.9%中
智能体与工具调用GPT-5.6 Sol类别得分 68 比 63;τ³-Banking (AA) 44.3% 比 32.2%中
数学GPT-5.6 Sol类别得分 70 比 58;FrontierMath Tiers 1–3 89.1% 比 62.8%高
推理GPT-5.6 Sol类别得分 65 比 61;GPQA Diamond 93.5% 比 92.8%中
知识均可类别得分 63 比 64;SimpleQA Verified 66.2% 比 69.7%均可
长文档GPT-5.6 Sol类别得分 67 比 61;AA-LCR v1.1 84.0% 比 73.3%中
图像及其他媒体均可类别得分 66 比 66;MMMU-Pro 84.3% 比 83.4%均可
指令遵循Gemini 3.5 Flash类别得分 74 比 71;IFBench 76.3% 比 72.7%中
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 $8.00;智能体编程会话 $0.126 比 $0.320–
首次回答最快Gemini 3.5 Flash首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 33.5 秒(GPT-5.6 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

  • 质量上 GPT-5.6 Sol (max) 领先:65.3 比 62.5。
  • Gemini 3.5 Flash (high) 在指令遵循、多模态方面更强。
  • GPT-5.6 Sol (max) 在智能体与工具、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 2.4 倍(每百万 token 混合价格 $3.38 比 $8.00)。
  • Gemini 3.5 Flash (high) 的输出速度是对方的 1.8 倍(176 比 100 token/秒)。

概览

规格Gemini 3.5 FlashGPT-5.6 Sol
提供商GoogleOpenAI
发布日期2026年5月19日2026年7月9日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 3.5 Flash (high)GPT-5.6 Sol (max)
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$4.00 / $20.00 / $0.400

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-5.6 Sol (max)领先者
推理60.664.7GPT-5.6 Sol
编程59.565.8GPT-5.6 Sol
智能体与工具62.867.5GPT-5.6 Sol
数学57.770.0GPT-5.6 Sol
知识63.363.8持平
指令遵循74.471.2Gemini 3.5 Flash
人类偏好66.8–无法比较
多模态66.265.9持平
长上下文61.266.7GPT-5.6 Sol

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-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知识: 63.8GPT-5.6 Sol, 指令遵循: 71.2GPT-5.6 Sol, 长上下文: 66.7GPT-5.6 Sol, 多模态: 65.9

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 74 项基准测试中,Gemini 3.5 Flash 领先 12 项,GPT-5.6 Sol 领先 61 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。

综合 IndexGemini 3.5 Flash (high)GPT-5.6 Sol (max)领先者
BenchLeader Index62.565.3GPT-5.6 Sol
Arena Text14781485†GPT-5.6 Sol

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-5.6 Sol (max)
每百万 token 混合价格$3.38$8.00
每百万 token 输入 / 输出$1.50 / $9.00$4.00 / $20.00
每百万 token 缓存输入$0.150$0.400
每项任务价格:聊天回复$0.0033$0.0076
每项任务价格:总结一份 30 页的报告$0.023$0.060
每项任务价格:代码编辑$0.022$0.054
每项任务价格:智能体编程会话$0.126$0.320
每项任务价格:结构化信息提取$0.0048$0.012
智能体编程会话(输入大多命中缓存)$0.065$0.158
输出速度176 tok/s100 tok/s
首次回答时间9.9 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 秒157.3 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-5.6 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(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 157 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-5.6 Sol (max)
BenchLeader IndexBenchLeader62.565.3
智能体与工具得分BenchLeader62.867.5
编程得分BenchLeader59.565.8
人类偏好得分BenchLeader66.8–
指令遵循得分BenchLeader74.471.2
知识得分BenchLeader63.363.8
长上下文得分BenchLeader61.266.7
数学得分BenchLeader57.770.0
多模态得分BenchLeader66.265.9
推理得分BenchLeader60.664.7
混合价格(美元/百万 token)BenchLeader$3.38$8.00
输出速度BenchLeader176 tok/s100 tok/s
首次回答时间BenchLeader9.9 秒33.5 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%93.5%
SimpleBenchSimpleBench76.7%†64.8%†
Arena Hard PromptsArena (LMArena)14961511†
LiveBench 1.0 ReasoningLiveBench82.0%91.7%
GPQA Diamond (AA)Artificial Analysis92.2%94.1%
Humanity's Last Exam (AA)Artificial Analysis42.7%49.5%
GPQA Diamond (Vals)Vals AI92.7%95.2%
EnigmaEvalScale AI SEAL25.4%37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.0%†
ARC-AGI-1ARC Prize92.5%96.5%
ARC-AGI-2ARC Prize72.1%92.5%
ARC-AGI-3ARC Prize–7.8%
CritPtArtificial Analysis13.1%32.3%
CritPt v2 hard subset (AA)Artificial Analysis–60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
Arena ExpertArena (LMArena)14911532†
Chess PuzzlesEpoch AI Benchmarking Hub45.0%59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%58.0%
LMCAEpoch AI Benchmarking Hub47.1%58.4%
DTBenchEpoch AI Benchmarking Hub94.7%95.5%
ForecastBenchForecastBench64.0%†65.7%
BTF-3Epoch AI Benchmarking Hub–13.7%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%57.1%
显示全部 157 项基准测试
指标发布方Gemini 3.5 Flash (high)GPT-5.6 Sol (max)
编程
WeirdMLWeirdML62.6%87.0%
FrontierCodeCognition–47.5%†
GSO-BenchGSO-Bench–76.5%†
Arena CodingArena (LMArena)15081533†
Arena WebDevArena (LMArena)15001615†
LiveBench 1.0 CodingLiveBench78.2%83.9%
LiveCodeBenchVals AI87.6%82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI78.8%96.2%
Code MigrationVals AI26.8%52.9%
ProgramBenchVals AI0.0%1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI48.7%80.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–46.0%†
SWE Atlas v1.0: Test WritingScale AI SEAL–45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub–20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub911.02176.9
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 249.4†67.0†
GameBench 2 by reasoning settingDuelLab GameBench 263.280.0†
Design Arena WebsiteDesign Arena1260†1319†
智能体与工具
Terminal-BenchTerminal-Bench–38.5%
OSWorld-Verified 2.0OSWorld–27.3%
APEX-AgentsMercor27.5%†51.4%†
Arena AgentArena (LMArena)–4.6†
LiveBench Agentic CodingLiveBench49.0%56.2%
Terminal-Bench HardArtificial Analysis40.9%65.9%
τ²-Bench Telecom (AA)Artificial Analysis95.3%85.1%
Terminal-Bench 2.1 (Vals)Vals AI74.2%85.8%
MCP AtlasScale AI SEAL83.6%–
HiL-BenchScale AI SEAL27.7%†32.3%†
τ³-bench Bankingτ²-bench–46.9%†
GDPval-AA v2.1Artificial Analysis12111619
τ³-Banking (AA)Artificial Analysis32.2%44.3%
ITBench SRE (AA)Artificial Analysis40.4%56.2%
Analyst Agent (AA)Artificial Analysis45.0%47.5%
APEX-Agents (AA)Artificial Analysis47.0%–
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI57.9%53.8%
Harvey's Legal Agent Benchmark v1Vals AI2.5%2.5%
Legal Research BenchVals AI30.8%48.1%
SkillsBenchVals AI52.7%54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI21.6%31.1%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI6.1%37.9%
Terminal-Bench ScienceVals AI5.7%20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI37.0%43.6%
Arena SearchArena (LMArena)–1255†
Arena Agent Task CompletionArena (LMArena)–2.3†
BALROGBALROG–60.0%
PostTrainBenchEpoch AI Benchmarking Hub–31.0%
GBAEvalEpoch AI Benchmarking Hub6.7%†52.6%†
Vending-Bench 2Andon Labs5396.4†9619.4†
AutomationBenchArtificial Analysis42.1%60.1%
GDP.pdf (AA)Artificial Analysis19.8%27.2%
EnterpriseOps-GymArtificial Analysis50.1%42.9%
AA-Briefcase v1.1Artificial Analysis8761479
Design Arena AgenticDesign Arena1174†1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%100.0%
ProofBenchVals AI31.0%83.0%
LiveBench MathematicsLiveBench88.2%96.2%
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
Arena MathsArena (LMArena)14971494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%69.7%
LiveBench 1.0 Data AnalysisLiveBench64.9%79.8%
MMLU-ProVals AI89.5%89.1%
LegalBenchVals AI83.6%87.0%
CorpFinVals AI64.7%64.4%
TaxEvalVals AI74.4%74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
BioMysteryBenchVals AI–71.1%
Excel Modeling BenchmarkVals AI63.5%72.3%
MedCodeVals AI55.8%44.0%
MedScribeVals AI76.6%85.2%
Public Benefits Bench v1.1Vals AI59.5%66.5%
Financial Coaching BenchVals AI63.0%74.9%
DrugDiscoveryBenchScale AI SEAL50.0%56.5%
EBR-benchEpoch AI Benchmarking Hub4.8%44.8%
GDP.pdfEpoch AI Benchmarking Hub14.0%†30.7%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench84.6%87.7%
LiveBench Instruction FollowingLiveBench75.6%71.8%
IFBenchArtificial Analysis76.3%72.7%
Arena Instruction FollowingArena (LMArena)14651490†
人类偏好
Arena TextArena (LMArena)14781485†
EQ-Bench 4EQ-Bench1077†1236†
EQ-Bench Creative Writing v3EQ-Bench–1974†
Arena Creative WritingArena (LMArena)14651471†
Arena Multi-turnArena (LMArena)14801491†
Arena Longer QueriesArena (LMArena)14831498†
多模态
Arena VisionArena (LMArena)13081282†
MMMU-ProArtificial Analysis84.3%83.4%
MMMU-Pro (Vals)Vals AI88.3%88.8%
MortgageTaxVals AI68.1%67.3%
Humanity's Sixth SenseScale AI SEAL32.6%30.0%
GeoBenchGeoBench85.0%†73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub–56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis73.3%84.0%
Arena DocumentArena (LMArena)14551487†
MLCRArtificial Analysis10.0%30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†163.0†
LiveBench 1.0LiveBench74.6%81.0%
AA Intelligence Index v4.3.2Artificial Analysis32.647.0
AA Progress Index v1Artificial Analysis305.1331.5
Vals RSI IndexVals AI–23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI62.9%72.6%
安全与诚实
FORTRESSScale AI SEAL–20.1%†
DistressBenchScale AI SEAL66.9%†73.6%†

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Gemini 3.5 Flash (high):1 项分数修订。
  • GPT-5.6 Sol (max):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-5.6 Sol:常见问题

GPT-5.6 Sol 比 Gemini 3.5 Flash 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 62.5。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.5 Flash 和 GPT-5.6 Sol 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 $8.00(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-5.6 Sol 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Gemini 3.5 Flash 为 87.6%,GPT-5.6 Sol 为 82.6%。
Gemini 3.5 Flash 和 GPT-5.6 Sol 哪个更快?
Gemini 3.5 Flash 输出更快(约 1.5 倍;输出 176 比 100 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-5.6 Sol 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 比 63,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,Gemini 3.5 Flash 为 32.2%,GPT-5.6 Sol 为 44.3%。
更多问题(4)
处理长文档哪个更好?
GPT-5.6 Sol 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-5.6 Sol 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 33.5 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-5.6 Sol 的看法一致吗?
在两者都有结果的 74 项基准测试中,Gemini 3.5 Flash 领先 12 项,GPT-5.6 Sol 领先 61 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。