BenchLeader

Gemini 3.5 Flash vs Grok 4.7

完整资料:Gemini 3.5 Flash(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 13 个来源

截至 2026年11月16日,质量上 Gemini 3.5 Flash 领先 Grok 4.7(BenchLeader Index 62.5 比 57.4)。两者价格相近(每百万 token 混合价格 $3.38 比 $3.00)。看重多模态(66 比 56)、智能体与工具(63 比 57)和推理(61 比 56)选 Gemini 3.5 Flash;看重长上下文(63 比 61)和编程(61 比 60)选 Grok 4.7。Gemini 3.5 Flash 的首次回答更快(9.9 秒 比 55.9 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,Grok 4.7 为 57.4(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)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Gemini 3.5 Flash 比 Grok 4.7 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 60 项基准测试中,Grok 4.7 领先 37 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3.5 Flash 的评分为 1500,Grok 4.7 为 1641(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Grok 4.7类别得分 61 比 60;Arena WebDev 1641 比 1500中
智能体与工具调用Gemini 3.5 Flash类别得分 63 比 57;Terminal-Bench 2.1 (Vals) 74.2% 比 73.4%中
数学Gemini 3.5 Flash类别得分 58 比 56;FrontierMath Tiers 1–3 62.8% 比 53.0%中
推理Gemini 3.5 Flash类别得分 61 比 56;GPQA Diamond 92.8% 比 92.7%中
知识Gemini 3.5 Flash类别得分 63 比 60;SimpleQA Verified 66.2% 比 56.0%中
长文档Grok 4.7类别得分 63 比 61;AA-LCR v1.1 76.7% 比 73.3%中
图像及其他媒体Gemini 3.5 Flash类别得分 66 比 56;Arena Vision 1308 比 1230高
对话质量(人类偏好)Gemini 3.5 FlashArena 投票 67 比 63中
成本最低均可每百万 token 混合价格 $3.38 比 $3.00;智能体编程会话 $0.126 比 $0.144–
首次回答最快Gemini 3.5 Flash首个回答 token 9.9 秒(Gemini 3.5 Flash (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

  • 质量上 Gemini 3.5 Flash (high) 领先:62.5 比 57.4。
  • Gemini 3.5 Flash (high) 在智能体与工具、人类偏好、知识、数学、多模态、推理方面更强。
  • Grok 4.7 (xhigh) 在编程、长上下文方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.00)。
  • Gemini 3.5 Flash (high) 的输出速度是对方的 2.6 倍(176 比 68 token/秒)。

概览

规格Gemini 3.5 FlashGrok 4.7
提供商GoogleSpaceXAI
发布日期2026年5月19日2026年9月21日
上下文窗口(token)1,048,576500,000
对比时的配置Gemini 3.5 Flash (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)$1.50 / $9.00 / $0.150$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 3.5 Flash (high)Grok 4.7 (xhigh)领先者
推理60.655.6Gemini 3.5 Flash
编程59.560.9Grok 4.7
智能体与工具62.856.9Gemini 3.5 Flash
数学57.755.8Gemini 3.5 Flash
知识63.359.9Gemini 3.5 Flash
指令遵循74.4–无法比较
人类偏好66.862.5Gemini 3.5 Flash
多模态66.255.5Gemini 3.5 Flash
长上下文61.262.9Grok 4.7
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。

2550 avg75推理编程智能体与工具数学知识长上下文多模态人类偏好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, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2Gemini 3.5 Flash, 人类偏好: 66.8Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5Grok 4.7, 人类偏好: 62.5

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 60 项基准测试中,Gemini 3.5 Flash 领先 23 项,Grok 4.7 领先 37 项。所有同时评测两者的综合评分都认为 Gemini 3.5 Flash 更强。

综合 IndexGemini 3.5 Flash (high)Grok 4.7 (xhigh)领先者
BenchLeader Index62.557.4Gemini 3.5 Flash
Arena Text14781443Gemini 3.5 Flash

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)Grok 4.7 (xhigh)
每百万 token 混合价格$3.38$3.00
每百万 token 输入 / 输出$1.50 / $9.00$2.00 / $6.00
每百万 token 缓存输入$0.150$0.500
每项任务价格:聊天回复$0.0033$0.0026
每项任务价格:总结一份 30 页的报告$0.023$0.028
每项任务价格:代码编辑$0.022$0.021
每项任务价格:智能体编程会话$0.126$0.144
每项任务价格:结构化信息提取$0.0048$0.0052
智能体编程会话(输入大多命中缓存)$0.065$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176 tok/s68 tok/s
首次回答时间9.9 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 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 3.5 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)。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 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 3.5 Flash (high)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader62.557.4
智能体与工具得分BenchLeader62.856.9
编程得分BenchLeader59.560.9
人类偏好得分BenchLeader66.862.5
指令遵循得分BenchLeader74.4–
知识得分BenchLeader63.359.9
长上下文得分BenchLeader61.262.9
数学得分BenchLeader57.755.8
多模态得分BenchLeader66.255.5
推理得分BenchLeader60.655.6
综合得分BenchLeader–52.8
混合价格(美元/百万 token)BenchLeader$3.38$3.00
输出速度BenchLeader176 tok/s68 tok/s
首次回答时间BenchLeader9.9 秒55.9 秒
上下文窗口BenchLeader1,048,576 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%92.7%
SimpleBenchSimpleBench76.7%†–
Arena Hard PromptsArena (LMArena)14961466
LiveBench 2.0 ReasoningLiveBench–82.7%
LiveBench 1.0 ReasoningLiveBench82.0%82.7%
GPQA Diamond (AA)Artificial Analysis92.2%–
Humanity's Last Exam (AA)Artificial Analysis42.7%43.1%
HLE-Diamond (AA)Artificial Analysis–23.2%
GPQA Diamond (Vals)Vals AI92.7%–
EnigmaEvalScale AI SEAL25.4%–
ARC-AGI-1ARC Prize92.5%89.5%
ARC-AGI-2ARC Prize72.1%61.4%
ARC-AGI-3ARC Prize–7.0%
CritPtArtificial Analysis13.1%17.7%
CritPt v2 hard subset (AA)Artificial Analysis–33.5%
MysteryMechanismVals AI–25.2%
HLE-Diamond (Scale)Scale AI SEAL–23.4%†
Arena ExpertArena (LMArena)14911478
Chess PuzzlesEpoch AI Benchmarking Hub45.0%41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%29.0%
LMCAEpoch AI Benchmarking Hub47.1%49.4%
DTBenchEpoch AI Benchmarking Hub94.7%96.0%
ForecastBenchForecastBench64.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%57.4%
显示全部 185 项基准测试
指标发布方Gemini 3.5 Flash (high)Grok 4.7 (xhigh)
编程
WeirdMLWeirdML62.6%–
FrontierCodeCognition–47.6%†
Arena CodingArena (LMArena)15081493
Arena WebDevArena (LMArena)15001641
LiveBench 2.0 CodingLiveBench–73.1%
LiveBench 1.0 CodingLiveBench78.2%77.2%
LiveCodeBenchVals AI87.6%–
IOIVals AI–57.7%
SWE-bench (Vals)Vals AI78.8%–
Code MigrationVals AI26.8%44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI0.0%0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench v1.1Vals AI48.7%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE Atlas v1.1Scale AI SEAL–62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL–64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL–48.6%†
MirrorCodeEpoch AI Benchmarking Hub–54.4%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%–
CursorBenchCursor–46.3%
ALE-BenchEpoch AI Benchmarking Hub911.01545.8
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML–8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%25.8%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%–
Startrise FrontendStartrise–75.9%†
GameBench 2 OverallDuelLab GameBench 249.4†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 263.271.2
Design Arena WebsiteDesign Arena1260†1244†
FrontierCode 1.1 (AA)Artificial Analysis–33.8%
FrontierCode 2.0 (AA)Artificial Analysis–28.7%
智能体与工具
Terminal-BenchTerminal-Bench–38.8%
APEX-AgentsMercor27.5%†54.6%†
Arena AgentArena (LMArena)–2.6
LiveBench Long AgenticLiveBench–45.3%
LiveBench BrowserLiveBench–49.3%
LiveBench Agentic CodingLiveBench49.0%54.0%
Terminal-Bench HardArtificial Analysis40.9%–
τ²-Bench Telecom (AA)Artificial Analysis95.3%–
Terminal-Bench 2.1 (Vals)Vals AI74.2%73.4%
MCP AtlasScale AI SEAL83.6%–
HiL-BenchScale AI SEAL27.7%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–60.7%
GDPval-AA v2.1Artificial Analysis12111717
τ³-Banking (AA)Artificial Analysis32.2%–
ITBench SRE (AA)Artificial Analysis40.4%42.1%
Analyst Agent (AA)Artificial Analysis45.0%52.5%
APEX-Agents (AA)Artificial Analysis47.0%–
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI57.9%52.3%
Finance Agent v2.1Vals AI–60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–18.3%
Harvey's Legal Agent Benchmark v1Vals AI2.5%12.5%
Legal Research BenchVals AI30.8%47.1%
Robo-benchVals AI–0.2%
SkillsBenchVals AI52.7%–
SREBenchVals AI–3.8%
Tax Agent BenchVals AI21.6%35.8%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI6.1%28.8%
Terminal-Bench ScienceVals AI5.7%10.0%
Web Search IndexVals AI37.0%–
Arena Agent Task CompletionArena (LMArena)–5.1
GBAEvalEpoch AI Benchmarking Hub6.7%†–
Vending-Bench 2Andon Labs5396.4†10536.8†
AutomationBenchArtificial Analysis42.1%65.6%
GDP.pdf (AA)Artificial Analysis19.8%20.0%
Harvey LAB-AA v1.1Harvey–9.4%
EnterpriseOps-GymArtificial Analysis50.1%–
AA-Briefcase v1.1Artificial Analysis8761636
GDPxGDPx by SemiAnalysis–3.9%
Design Arena AgenticDesign Arena1174†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%
FACTS SearchGoogle–85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%98.1%
ProofBenchVals AI31.0%26.0%†
LiveBench MathematicsLiveBench88.2%95.7%
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
Arena MathsArena (LMArena)14971447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%56.0%
LiveBench 2.0 Data AnalysisLiveBench–76.9%
LiveBench ResearchLiveBench–89.5%
LiveBench 1.0 Data AnalysisLiveBench64.9%76.9%
AA-Omniscience v1.1Artificial Analysis–31.2
MMLU-ProVals AI89.5%–
LegalBenchVals AI83.6%84.4%
CorpFinVals AI64.7%–
TaxEvalVals AI74.4%–
PRBench LegalScale AI SEAL–47.6%
BioMysteryBenchVals AI–69.3%
Excel Modeling BenchmarkVals AI63.5%67.0%
Excel Modeling Benchmark v1.1Vals AI–71.5%
MedCodeVals AI55.8%49.5%
MedScribeVals AI76.6%89.4%
Public Benefits Bench v1.1Vals AI59.5%65.6%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI63.0%74.1%
Immigration BenchVals AI–68.0%
DrugDiscoveryBenchScale AI SEAL50.0%–
EBR-benchEpoch AI Benchmarking Hub4.8%–
GDP.pdfEpoch AI Benchmarking Hub14.0%†22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis–42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–80.0%
HealthBench Professional (AA)OpenAI–55.8%
FACTS ParametricGoogle–54.3%†
指令遵循
LiveBench LanguageLiveBench84.6%80.1%
LiveBench Instruction FollowingLiveBench75.6%75.3%
IFBenchArtificial Analysis76.3%–
Arena Instruction FollowingArena (LMArena)14651435
人类偏好
Arena TextArena (LMArena)14781443
EQ-Bench 4EQ-Bench1077†–
EQ-Bench Creative Writing v3EQ-Bench–2012†
Arena Creative WritingArena (LMArena)14651421
Arena Multi-turnArena (LMArena)14801435
Arena Longer QueriesArena (LMArena)14831454
多模态
Arena VisionArena (LMArena)13081230
LiveBench DesignLiveBench–75.0%
MMMU-ProArtificial Analysis84.3%78.2%†
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.1%–
SAGEVals AI–88.7%
Humanity's Sixth SenseScale AI SEAL32.6%–
GeoBenchGeoBench85.0%†61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub–20.8%
VIALS-AAHandshake AI–37.9%
Code2Video-AAArtificial Analysis–1127
AA-3DArtificial Analysis–992
FACTS MultimodalGoogle–40.9%†
长上下文
AA-LCR v1.1Artificial Analysis73.3%76.7%
Arena DocumentArena (LMArena)1455–
MLCRArtificial Analysis10.0%20.0%
FACTS GroundingGoogle–68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†156.2†
LiveBench 2.0LiveBench–67.9%
LiveBench 1.0LiveBench74.6%77.4%
AA Intelligence Index v5.0.1Artificial Analysis–35.5
AA Intelligence Index v4.3.2Artificial Analysis32.646.5
AA Progress Index v1Artificial Analysis305.1322.7
Vals IndexVals AI–58.6
Vals Finance IndexVals AI–58.8%
Vals RSI IndexVals AI–20.2%
Vals Science IndexVals AI–34.8%
Vals Multimodal IndexVals AI62.9%–
Vals Router IndexVals AI–58.6%†
Vals Legal IndexVals AI–72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
DistressBenchScale AI SEAL66.9%†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 3.5 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)。
  • 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。
  • Gemini 3.5 Flash (high):1 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。

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 Grok 4.7:常见问题

Gemini 3.5 Flash 比 Grok 4.7 更好吗?
质量上 Gemini 3.5 Flash (high) 领先:62.5 比 57.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 3.5 Flash (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3.5 Flash 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 $3.38(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 Grok 4.7 更好?
Grok 4.7 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,Grok 4.7 为 1641。
Gemini 3.5 Flash 和 Grok 4.7 哪个更快?
Gemini 3.5 Flash 输出更快(约 2 倍;输出 176 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.5 Flash 还是 Grok 4.7 更好?
Gemini 3.5 Flash 在智能体任务方面得分更高(类别得分 63 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 3.5 Flash 为 74.2%,Grok 4.7 为 73.4%。
更多问题(4)
处理长文档哪个更好?
Grok 4.7 在长上下文基准测试上得分更高(63 比 61)。Gemini 3.5 Flash 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 3.5 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 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 3.5 Flash 和 Grok 4.7 的看法一致吗?
在两者都有结果的 60 项基准测试中,Gemini 3.5 Flash 领先 23 项,Grok 4.7 领先 37 项。所有同时评测两者的综合评分都认为 Gemini 3.5 Flash 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。