BenchLeader

Gemini 3.7 Flash vs GPT-5.4

完整资料:Gemini 3.7 Flash(Google)和 GPT-5.4(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,Gemini 3.7 Flash 与 GPT-5.4 的质量不相上下(BenchLeader Index 62.1 比 63.1,在 ±4.4 的误差范围内)。Gemini 3.7 Flash 更便宜,对方的价格是它的 3.8 倍(每百万 token 混合价格 $1.50 比 $5.63)。看重知识(66 比 59)、多模态(67 比 61)和推理(68 比 66)选 Gemini 3.7 Flash;看重智能体与工具(63 比 49)、编程(65 比 62)和数学(65 比 63)选 GPT-5.4。Gemini 3.7 Flash 的首次回答更快(2.2 秒 比 144.9 秒)。Gemini 3.7 Flash 的输出更快。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,GPT-5.4 为 63.1(BenchLeader,2026年11月16日)。
  • Gemini 3.7 Flash 每百万 token 混合价格为 $1.50(标价,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • Gemini 3.7 Flash 比 GPT-5.4 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 48 项基准测试中,Gemini 3.7 Flash 领先 34 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-5.4类别得分 65 比 62;LiveCodeBench 84.1% 比 88.7%中
智能体与工具调用GPT-5.4类别得分 63 比 49;τ³-Banking (AA) 39.6% 比 32.8%高
数学GPT-5.4类别得分 65 比 63;FrontierMath Tiers 1–3 78.6% 比 71.6%中
推理Gemini 3.7 Flash类别得分 68 比 66;GPQA Diamond 94.8% 比 93.3%中
知识Gemini 3.7 Flash类别得分 66 比 59;SimpleQA Verified 69.2% 比 45.1%中
长文档均可类别得分 66 比 66;AA-LCR v1.1 81.7% 比 82.0%均可
图像及其他媒体Gemini 3.7 Flash类别得分 67 比 61;MMMU-Pro 85.5% 比 78.4%中
对话质量(人类偏好)–只有 Gemini 3.7 Flash 有 Arena 评分(类别得分 68)无法比较
成本最低Gemini 3.7 Flash每百万 token 混合价格 $1.50 比 $5.63;智能体编程会话 $0.060 比 $0.210–
首次回答最快Gemini 3.7 Flash首个回答 token 2.2 秒(Gemini 3.7 Flash (high))比 144.9 秒(GPT-5.4 (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 3.7 Flash (high) 与 GPT-5.4 (xhigh) 的质量不相上下(62.1 比 63.1,在 ±4.4 的误差范围内)。
  • Gemini 3.7 Flash (high) 在知识、多模态、推理方面更强。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、长上下文、数学方面更强。
  • Gemini 3.7 Flash (high) 更便宜,对方的价格是它的 3.8 倍(每百万 token 混合价格 $1.50 比 $5.63)。
  • Gemini 3.7 Flash (high) 的输出速度是对方的 1.3 倍(95 比 73 token/秒)。

概览

规格Gemini 3.7 FlashGPT-5.4
提供商GoogleOpenAI
发布日期2026年8月13日2026年3月5日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 3.7 Flash (high)GPT-5.4 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.750 / $3.75 / $0.075$2.50 / $15.00 / $0.250

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 3.7 Flash (high)GPT-5.4 (xhigh)领先者
推理67.865.7Gemini 3.7 Flash
编程62.364.7GPT-5.4
智能体与工具48.963.0GPT-5.4
数学62.664.8GPT-5.4
知识65.958.6Gemini 3.7 Flash
指令遵循–72.4无法比较
人类偏好68.1–无法比较
多模态67.260.8Gemini 3.7 Flash
长上下文65.565.7持平

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Gemini 3.7 Flash, 推理: 67.8Gemini 3.7 Flash, 编程: 62.3Gemini 3.7 Flash, 智能体与工具: 48.9Gemini 3.7 Flash, 数学: 62.6Gemini 3.7 Flash, 知识: 65.9Gemini 3.7 Flash, 长上下文: 65.5Gemini 3.7 Flash, 多模态: 67.2GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8

未绘制(测得的模型少于两个):指令遵循, 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 48 项基准测试中,Gemini 3.7 Flash 领先 34 项,GPT-5.4 领先 12 项,2 项持平。所有同时评测两者的综合评分都认为 Gemini 3.7 Flash 更强。

综合 IndexGemini 3.7 Flash (high)GPT-5.4 (xhigh)领先者
BenchLeader Index62.163.1不相上下
Arena Text14891475†Gemini 3.7 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 3.7 Flash (high)GPT-5.4 (xhigh)
每百万 token 混合价格$1.50$5.63
每百万 token 输入 / 输出$0.750 / $3.75$2.50 / $15.00
每百万 token 缓存输入$0.075$0.250
每项任务价格:聊天回复$0.0014$0.0055
每项任务价格:总结一份 30 页的报告$0.011$0.039
每项任务价格:代码编辑$0.010$0.037
每项任务价格:智能体编程会话$0.060$0.210
每项任务价格:结构化信息提取$0.0023$0.0080
智能体编程会话(输入大多命中缓存)$0.030$0.109
输出速度95 tok/s73 tok/s
首次回答时间2.2 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–193.1 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.7 Flash (high) 得分 62.1,首个回答 token 需 2 秒;Gemini 3.7 Flash (medium) 为 60.1(2 秒),Gemini 3.7 Flash (low) 为 57.3(2 秒)。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 144 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 3.7 Flash (high)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader62.163.1
智能体与工具得分BenchLeader48.963.0
编程得分BenchLeader62.364.7
人类偏好得分BenchLeader68.1–
知识得分BenchLeader65.958.6
长上下文得分BenchLeader65.565.7
数学得分BenchLeader62.664.8
多模态得分BenchLeader67.260.8
推理得分BenchLeader67.865.7
指令遵循得分BenchLeader–72.4
混合价格(美元/百万 token)BenchLeader$1.50$5.63
输出速度BenchLeader95 tok/s73 tok/s
首次回答时间BenchLeader2.2 秒144.9 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
Arena Hard PromptsArena (LMArena)15101487†
LiveBench 1.0 ReasoningLiveBench87.8%88.1%
GPQA Diamond (AA)Artificial Analysis94.5%92.0%
Humanity's Last Exam (AA)Artificial Analysis47.9%43.7%
GPQA Diamond (Vals)Vals AI93.9%91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize95.5%93.7%
ARC-AGI-2ARC Prize84.6%74.0%
ARC-AGI-3ARC Prize–0.2%†
CritPtArtificial Analysis14.3%23.4%
Arena ExpertArena (LMArena)15191491†
Chess PuzzlesEpoch AI Benchmarking Hub66.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub50.4%52.0%
DTBenchEpoch AI Benchmarking Hub96.8%94.4%
ForecastBenchForecastBench66.2%63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
SciCodeSciCode57.2%56.6%
WeirdMLWeirdML–77.7%
FrontierCodeCognition43.6%†–
GSO-BenchGSO-Bench–31.4%
显示全部 144 项基准测试
指标发布方Gemini 3.7 Flash (high)GPT-5.4 (xhigh)
编程
Arena CodingArena (LMArena)15201511†
Arena WebDevArena (LMArena)15881400†
LiveBench 1.0 CodingLiveBench78.9%77.5%
SciCode (AA)Artificial Analysis57.2%–
LiveCodeBenchVals AI88.7%84.1%
IOIVals AI67.8%–
SWE-bench (Vals)Vals AI80.8%78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI34.8%35.0%
ProgramBenchVals AI0.0%0.0%
Vibe Code Bench v1.1Vals AI70.4%67.4%
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
MirrorCodeEpoch AI Benchmarking Hub41.1%23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%51.8%
ALE-BenchEpoch AI Benchmarking Hub904.31607†
AlgoTuneAlgoTune–1.9†
FrontierSWEEpoch AI Benchmarking Hub20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1295†1190†
智能体与工具
Terminal-BenchTerminal-Bench12.4%81.8%†
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†52.4%†
Arena AgentArena (LMArena)-2.2–
LiveBench Agentic CodingLiveBench58.3%53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
Terminal-Bench 2.1 (Vals)Vals AI77.5%–
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL–9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis14041256
τ³-Banking (AA)Artificial Analysis32.8%39.6%
Analyst Agent (AA)Artificial Analysis60.0%–
APEX-Agents (AA)Artificial Analysis–33.3%
CyberBenchVals AI43.8%–
Finance Agent v2Vals AI59.0%–
Harvey's Legal Agent Benchmark v1Vals AI8.8%0.0%
Legal Research BenchVals AI34.6%–
SkillsBenchVals AI65.9%51.7%
SREBenchVals AI4.6%–
Tax Agent BenchVals AI22.8%–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI12.1%–
Terminal-Bench ScienceVals AI7.1%–
Arena SearchArena (LMArena)–1196†
Arena Agent Task CompletionArena (LMArena)-3.5–
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs–6144.2†
AutomationBenchArtificial Analysis62.0%–
GDP.pdf (AA)Artificial Analysis23.6%–
EnterpriseOps-GymArtificial Analysis50.4%†–
AA-Briefcase v1.1Artificial Analysis1115–
Design Arena AgenticDesign Arena1222†1042†
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.6%78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%95.3%
ProofBenchVals AI58.0%†56.0%
LiveBench MathematicsLiveBench93.5%94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
Arena MathsArena (LMArena)15021459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%45.1%
LiveBench 1.0 Data AnalysisLiveBench68.0%79.3%
MMLU-ProVals AI90.1%87.5%
LegalBenchVals AI87.3%86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI74.7%74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL–44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
Excel Modeling BenchmarkVals AI71.3%–
MedCodeVals AI53.4%41.3%
MedScribeVals AI83.9%77.5%
EBR-benchEpoch AI Benchmarking Hub–25.4%
GDP.pdfEpoch AI Benchmarking Hub23.8%–
指令遵循
LiveBench LanguageLiveBench85.5%82.6%
LiveBench Instruction FollowingLiveBench79.9%70.2%
IFBenchArtificial Analysis–74.0%
Arena Instruction FollowingArena (LMArena)14861460†
人类偏好
Arena TextArena (LMArena)14891465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench1720†1841†
Arena Creative WritingArena (LMArena)14871433†
Arena Multi-turnArena (LMArena)14901480†
Arena Longer QueriesArena (LMArena)15011477†
多模态
Arena VisionArena (LMArena)13131292†
MMMU-ProArtificial Analysis85.5%78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI89.0%87.5%
MortgageTaxVals AI66.7%68.3%
Humanity's Sixth SenseScale AI SEAL39.8%–
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%37.5%
长上下文
AA-LCR v1.1Artificial Analysis81.7%82.0%
Arena DocumentArena (LMArena)14681471†
MLCRArtificial Analysis12.2%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†157.8†
LiveBench 1.0LiveBench78.8%78.0%
AA Intelligence Index v4.3.2Artificial Analysis39.139.0
AA Progress Index v1Artificial Analysis317.4311.6
Vals RSI IndexVals AI18.3%15.5%
安全与诚实
MASKScale AI SEAL–89.7%†
DistressBenchScale AI SEAL69.0%†–

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 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。
  • Gemini 3.7 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 3.7 Flash vs GPT-5.4:常见问题

Gemini 3.7 Flash 比 GPT-5.4 更好吗?
Gemini 3.7 Flash (high) 与 GPT-5.4 (xhigh) 的质量不相上下(62.1 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 3.7 Flash 和 GPT-5.4 哪个更便宜?价格会变吗?
目前 Gemini 3.7 Flash 更便宜:每百万 token $1.50 比 $5.63(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 3.7 Flash 还是 GPT-5.4 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,Gemini 3.7 Flash 为 88.7%,GPT-5.4 为 84.1%。
Gemini 3.7 Flash 和 GPT-5.4 哪个更快?
Gemini 3.7 Flash 输出更快(输出 95 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.7 Flash 还是 GPT-5.4 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 49,50 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 3.7 Flash 为 32.8%,GPT-5.4 为 39.6%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。两者都约为 1.1M token(Gemini 3.7 Flash 为 1,048,576,GPT-5.4 为 1,050,000)。
哪个延迟更低?
Gemini 3.7 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.2 秒比 144.9 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 3.7 Flash 和 GPT-5.4 的看法一致吗?
在两者都有结果的 48 项基准测试中,Gemini 3.7 Flash 领先 34 项,GPT-5.4 领先 12 项,2 项持平。所有同时评测两者的综合评分都认为 Gemini 3.7 Flash 更强。
Gemini 3.7 Flash 是什么时候发布的?
Gemini 3.7 Flash 于 2026年8月13日 发布。