BenchLeader

Gemini 3.7 Flash vs GPT-5.6 Sol

完整资料:Gemini 3.7 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 11 个来源

截至 2026年11月16日,Gemini 3.7 Flash 与 GPT-5.6 Sol 的质量不相上下(BenchLeader Index 62.1 比 65.3,在 ±4.7 的误差范围内)。Gemini 3.7 Flash 更便宜,对方的价格是它的 5.3 倍(每百万 token 混合价格 $1.50 比 $8.00)。看重推理(68 比 65)、知识(66 比 64)和多模态(67 比 66)选 Gemini 3.7 Flash;看重智能体与工具(68 比 49)、数学(70 比 63)和编程(66 比 62)选 GPT-5.6 Sol。Gemini 3.7 Flash 的首次回答更快(2.2 秒 比 33.5 秒)。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,GPT-5.6 Sol 为 65.3(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-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • 在两者都有结果的 69 项基准测试中,GPT-5.6 Sol 领先 49 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 62;IOI 91.2% 比 67.8%中
智能体与工具调用GPT-5.6 Sol类别得分 68 比 49;Terminal-Bench 38.5% 比 12.4%高
数学GPT-5.6 Sol类别得分 70 比 63;FrontierMath Tiers 1–3 89.1% 比 71.6%中
推理Gemini 3.7 Flash类别得分 68 比 65;GPQA Diamond 94.8% 比 93.5%中
知识Gemini 3.7 Flash类别得分 66 比 64;MMLU-Pro 90.1% 比 89.1%中
长文档GPT-5.6 Sol类别得分 67 比 66;AA-LCR v1.1 84.0% 比 81.7%中
图像及其他媒体Gemini 3.7 Flash类别得分 67 比 66;MMMU-Pro 85.5% 比 83.4%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 $8.00;智能体编程会话 $0.060 比 $0.320–
首次回答最快Gemini 3.7 Flash首个回答 token 2.2 秒(Gemini 3.7 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

  • Gemini 3.7 Flash (high) 与 GPT-5.6 Sol (max) 的质量不相上下(62.1 比 65.3,在 ±4.7 的误差范围内)。
  • Gemini 3.7 Flash (high) 在知识、多模态、推理方面更强。
  • GPT-5.6 Sol (max) 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 5.3 倍(每百万 token 混合价格 $1.50 比 $8.00)。

概览

规格Gemini 3.7 FlashGPT-5.6 Sol
提供商GoogleOpenAI
发布日期2026年8月13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 3.7 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)$0.750 / $3.75 / $0.075$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 3.7 Flash (high)GPT-5.6 Sol (max)领先者
推理67.864.7Gemini 3.7 Flash
编程62.365.8GPT-5.6 Sol
智能体与工具48.967.5GPT-5.6 Sol
数学62.670.0GPT-5.6 Sol
知识65.963.8Gemini 3.7 Flash
指令遵循–71.2无法比较
人类偏好68.1–无法比较
多模态67.265.9Gemini 3.7 Flash
长上下文65.566.7GPT-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-5.6 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, 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):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 69 项基准测试中,Gemini 3.7 Flash 领先 20 项,GPT-5.6 Sol 领先 49 项。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-5.6 Sol (max)领先者
BenchLeader Index62.165.3不相上下
Arena Text14891485†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-5.6 Sol (max)
每百万 token 混合价格$1.50$8.00
每百万 token 输入 / 输出$0.750 / $3.75$4.00 / $20.00
每百万 token 缓存输入$0.075$0.400
每项任务价格:聊天回复$0.0014$0.0076
每项任务价格:总结一份 30 页的报告$0.011$0.060
每项任务价格:代码编辑$0.010$0.054
每项任务价格:智能体编程会话$0.060$0.320
每项任务价格:结构化信息提取$0.0023$0.012
智能体编程会话(输入大多命中缓存)$0.030$0.158
输出速度95 tok/s100 tok/s
首次回答时间2.2 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–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 3.7 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-5.6 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 151 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-5.6 Sol (max)
BenchLeader IndexBenchLeader62.165.3
智能体与工具得分BenchLeader48.967.5
编程得分BenchLeader62.365.8
人类偏好得分BenchLeader68.1–
知识得分BenchLeader65.963.8
长上下文得分BenchLeader65.566.7
数学得分BenchLeader62.670.0
多模态得分BenchLeader67.265.9
推理得分BenchLeader67.864.7
指令遵循得分BenchLeader–71.2
混合价格(美元/百万 token)BenchLeader$1.50$8.00
输出速度BenchLeader95 tok/s100 tok/s
首次回答时间BenchLeader2.2 秒33.5 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%93.5%
SimpleBenchSimpleBench–64.8%†
Arena Hard PromptsArena (LMArena)15101511†
LiveBench 1.0 ReasoningLiveBench87.8%91.7%
GPQA Diamond (AA)Artificial Analysis94.5%94.1%
Humanity's Last Exam (AA)Artificial Analysis47.9%49.5%
GPQA Diamond (Vals)Vals AI93.9%95.2%
EnigmaEvalScale AI SEAL–37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.0%†
ARC-AGI-1ARC Prize95.5%96.5%
ARC-AGI-2ARC Prize84.6%92.5%
ARC-AGI-3ARC Prize–7.8%
CritPtArtificial Analysis14.3%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)15191532†
Chess PuzzlesEpoch AI Benchmarking Hub66.0%59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%58.0%
LMCAEpoch AI Benchmarking Hub50.4%58.4%
DTBenchEpoch AI Benchmarking Hub96.8%95.5%
ForecastBenchForecastBench66.2%65.7%
BTF-3Epoch AI Benchmarking Hub–13.7%
编程
SciCodeSciCode57.2%57.1%
WeirdMLWeirdML–87.0%
显示全部 151 项基准测试
指标发布方Gemini 3.7 Flash (high)GPT-5.6 Sol (max)
编程
FrontierCodeCognition43.6%†47.5%†
GSO-BenchGSO-Bench–76.5%†
Arena CodingArena (LMArena)15201533†
Arena WebDevArena (LMArena)15881615†
LiveBench 1.0 CodingLiveBench78.9%83.9%
LiveCodeBenchVals AI88.7%82.6%
IOIVals AI67.8%91.2%
SWE-bench (Vals)Vals AI80.8%96.2%
Code MigrationVals AI34.8%52.9%
ProgramBenchVals AI0.0%1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI70.4%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 Hub41.1%20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub–93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub904.32176.9
FrontierSWEEpoch AI Benchmarking Hub20.3%32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 2–67.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–80.0†
Design Arena WebsiteDesign Arena1295†1319†
智能体与工具
Terminal-BenchTerminal-Bench12.4%38.5%
OSWorld-Verified 2.0OSWorld–27.3%
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†51.4%†
Arena AgentArena (LMArena)-2.24.6†
LiveBench Agentic CodingLiveBench58.3%56.2%
Terminal-Bench HardArtificial Analysis–65.9%
τ²-Bench Telecom (AA)Artificial Analysis–85.1%
Terminal-Bench 2.1 (Vals)Vals AI77.5%85.8%
HiL-BenchScale AI SEAL–32.3%†
τ³-bench Bankingτ²-bench–46.9%†
GDPval-AA v2.1Artificial Analysis14041619
τ³-Banking (AA)Artificial Analysis32.8%44.3%
ITBench SRE (AA)Artificial Analysis–56.2%
Analyst Agent (AA)Artificial Analysis60.0%47.5%
CUA-benchVals AI–8.3%
CyberBenchVals AI43.8%76.3%
Finance Agent v2Vals AI59.0%53.8%
Harvey's Legal Agent Benchmark v1Vals AI8.8%2.5%
Legal Research BenchVals AI34.6%48.1%
SkillsBenchVals AI65.9%54.1%
SREBenchVals AI4.6%30.5%
Tax Agent BenchVals AI22.8%31.1%
Terminal-Bench 4.0 (Vals)Vals AI12.1%37.9%
Terminal-Bench ScienceVals AI7.1%20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)–1255†
Arena Agent Task CompletionArena (LMArena)-3.52.3†
BALROGBALROG–60.0%
PostTrainBenchEpoch AI Benchmarking Hub–31.0%
GBAEvalEpoch AI Benchmarking Hub–52.6%†
Vending-Bench 2Andon Labs–9619.4†
AutomationBenchArtificial Analysis62.0%60.1%
GDP.pdf (AA)Artificial Analysis23.6%27.2%
EnterpriseOps-GymArtificial Analysis50.4%†42.9%
AA-Briefcase v1.1Artificial Analysis11151479
Design Arena AgenticDesign Arena1222†1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.6%89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%100.0%
ProofBenchVals AI58.0%†83.0%
LiveBench MathematicsLiveBench93.5%96.2%
Arena MathsArena (LMArena)15021494†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%69.7%
LiveBench 1.0 Data AnalysisLiveBench68.0%79.8%
MMLU-ProVals AI90.1%89.1%
LegalBenchVals AI87.3%87.0%
CorpFinVals AI–64.4%
TaxEvalVals AI74.7%74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
BioMysteryBenchVals AI–71.1%
Excel Modeling BenchmarkVals AI71.3%72.3%
MedCodeVals AI53.4%44.0%
MedScribeVals AI83.9%85.2%
Public Benefits Bench v1.1Vals AI–66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL–56.5%
EBR-benchEpoch AI Benchmarking Hub–44.8%
GDP.pdfEpoch AI Benchmarking Hub23.8%30.7%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench85.5%87.7%
LiveBench Instruction FollowingLiveBench79.9%71.8%
IFBenchArtificial Analysis–72.7%
Arena Instruction FollowingArena (LMArena)14861490†
人类偏好
Arena TextArena (LMArena)14891485†
EQ-Bench 4EQ-Bench–1236†
EQ-Bench Creative Writing v3EQ-Bench1720†1974†
Arena Creative WritingArena (LMArena)14871471†
Arena Multi-turnArena (LMArena)14901491†
Arena Longer QueriesArena (LMArena)15011498†
多模态
Arena VisionArena (LMArena)13131282†
MMMU-ProArtificial Analysis85.5%83.4%
MMMU-Pro (Vals)Vals AI89.0%88.8%
MortgageTaxVals AI66.7%67.3%
Humanity's Sixth SenseScale AI SEAL39.8%30.0%
GeoBenchGeoBench–73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub26.7%56.7%
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis81.7%84.0%
Arena DocumentArena (LMArena)14681487†
MLCRArtificial Analysis12.2%30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†163.0†
LiveBench 1.0LiveBench78.8%81.0%
AA Intelligence Index v4.3.2Artificial Analysis39.147.0
AA Progress Index v1Artificial Analysis317.4331.5
Vals RSI IndexVals AI18.3%23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI–72.6%
安全与诚实
FORTRESSScale AI SEAL–20.1%†
DistressBenchScale AI SEAL69.0%†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 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。

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-5.6 Sol:常见问题

Gemini 3.7 Flash 比 GPT-5.6 Sol 更好吗?
Gemini 3.7 Flash (high) 与 GPT-5.6 Sol (max) 的质量不相上下(62.1 比 65.3,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 3.7 Flash 和 GPT-5.6 Sol 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 $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 3.7 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 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-5.6 Sol 为 82.6%。
Gemini 3.7 Flash 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(输出 100 比 95 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-5.6 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 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 Terminal-Bench 上,Gemini 3.7 Flash 为 12.4%,GPT-5.6 Sol 为 38.5%。
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 66)。两者都约为 1.1M token(Gemini 3.7 Flash 为 1,048,576,GPT-5.6 Sol 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 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 3.7 Flash 和 GPT-5.6 Sol 的看法一致吗?
在两者都有结果的 69 项基准测试中,Gemini 3.7 Flash 领先 20 项,GPT-5.6 Sol 领先 49 项。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。