Gemini 3.8 Flash vs GPT-5
完整资料:Gemini 3.8 Flash(Google)和 GPT-5(OpenAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 10 个来源
截至 2026年11月16日,Gemini 3.8 Flash 与 GPT-5 的质量不相上下(BenchLeader Index 60.2 比 59.0,在 ±7.3 的误差范围内)。Gemini 3.8 Flash 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $1.50 比 $3.44)。看重智能体与工具(75 比 58)、推理(59 比 48)和多模态(67 比 57)选 Gemini 3.8 Flash;看重编程(57 比 52)和长上下文(70 比 67)选 GPT-5。Gemini 3.8 Flash 的首次回答更快(14.8 秒 比 22.9 秒)。Gemini 3.8 Flash 的输出更快。Gemini 3.8 Flash 的现价有效至 2026年12月31日,之后为 $3.00。
要点(截至 2026年11月16日)
- Gemini 3.8 Flash 的 BenchLeader Index 为 60.2,GPT-5 为 59.0(BenchLeader,2026年11月16日)。
- Gemini 3.8 Flash 每百万 token 混合价格为 $1.50(截至 2026年12月31日,之后为 $3.00)(https://ai.google.dev/gemini-api/docs/pricing,2026年10月20日 核实)。
- GPT-5 每百万 token 混合价格为 $3.44(标价,2026年11月16日)。
- Gemini 3.8 Flash 比 GPT-5 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 9 项基准测试中,Gemini 3.8 Flash 领先 9 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 | 类别得分 57 比 52;GameBench 2 by reasoning setting 38.0 比 59.7 | 中 |
| 智能体与工具调用 | Gemini 3.8 Flash | 类别得分 75 比 58 | 高 |
| 推理 | Gemini 3.8 Flash | 类别得分 59 比 48;ARC-AGI-2 82.9% 比 7.5% | 高 |
| 长文档 | GPT-5 | 类别得分 70 比 67;AA-LCR v1.1 76.0% 比 84.0% | 中 |
| 图像及其他媒体 | Gemini 3.8 Flash | 类别得分 67 比 57;MMMU-Pro 84.2% 比 74.3% | 高 |
| 成本最低 | Gemini 3.8 Flash(截至 2026年12月31日) | 每百万 token 混合价格 $1.50 比 $3.44;智能体编程会话 $0.060 比 $0.115;2027年1月1日 起:$3.00 比 $3.44 | – |
| 首次回答最快 | Gemini 3.8 Flash | 首个回答 token 14.8 秒(Gemini 3.8 Flash (medium))比 22.9 秒(GPT-5 (medium)) | – |
| 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 3.8 Flash (medium) 与 GPT-5 (medium) 的质量不相上下(60.2 比 59.0,在 ±7.3 的误差范围内)。
- Gemini 3.8 Flash (medium) 在智能体与工具、多模态、推理方面更强。
- GPT-5 (medium) 在编程、长上下文方面更强。
- 截至 2026年12月31日,Gemini 3.8 Flash (medium) 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $1.50 比 $3.44);自 2027年1月1日 起为 $3.00 比 $3.44。
- Gemini 3.8 Flash (medium) 的输出速度是对方的 1.4 倍(116 比 82 token/秒)。
概览
| 规格 | Gemini 3.8 Flash | GPT-5 |
|---|---|---|
| 提供商 | OpenAI | |
| 发布日期 | 2026年9月2日 | 2025年8月7日 |
| 上下文窗口(token) | 1,048,576 | 400,000 |
| 对比时的配置 | Gemini 3.8 Flash (medium) | GPT-5 (medium) |
| 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 | $1.25 / $10.00 / $0.125 |
| 已公布的价格调整 | 自 2027年1月1日 起为 $1.50 / $7.50 | 暂无公布 |
上限、可用性和已公布的价格均来自厂商官方页面: ai.google.dev 定价页 (2026年10月20日 核实)。其余内容均来自当日数据。
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 3.8 Flash (medium) | GPT-5 (medium) | 领先者 |
|---|---|---|---|
| 推理 | 58.7 | 47.9 | Gemini 3.8 Flash |
| 编程 | 51.6 | 57.4 | GPT-5 |
| 智能体与工具 | 75.0 | 58.1 | Gemini 3.8 Flash |
| 数学 | – | 65.4 | 无法比较 |
| 知识 | 57.7 | – | 无法比较 |
| 指令遵循 | – | 69.4 | 无法比较 |
| 多模态 | 66.7 | 56.6 | Gemini 3.8 Flash |
| 长上下文 | 66.7 | 70.4 | GPT-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。
未绘制(测得的模型少于两个):数学, 知识, 指令遵循, 人类偏好。
各来源的分歧
在两者都有结果的 9 项基准测试中,Gemini 3.8 Flash 领先 9 项,GPT-5 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 3.8 Flash 更强。
| 综合 Index | Gemini 3.8 Flash (medium) | GPT-5 (medium) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 60.2 | 59.0 | 不相上下 |
| Arena Text | 1497† | 1435 | Gemini 3.8 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 3.8 Flash (medium) | GPT-5 (medium) |
|---|---|---|
| 每百万 token 混合价格(截至 2026年12月31日) | $1.50 | $3.44 |
| 每百万 token 输入 / 输出 | $0.750 / $3.75 | $1.25 / $10.00 |
| 自 2027年1月1日 起每百万 token 混合价格 | $3.00 | $3.44 |
| 自 2027年1月1日 起每百万 token 输入 / 输出 | $1.50 / $7.50 | $1.25 / $10.00 |
| 每百万 token 缓存输入 | $0.075 | $0.125 |
| 每项任务价格:聊天回复 | $0.0014 | $0.0035 |
| 每项任务价格:总结一份 30 页的报告 | $0.011 | $0.021 |
| 每项任务价格:代码编辑 | $0.010 | $0.022 |
| 每项任务价格:智能体编程会话 | $0.060 | $0.115 |
| 每项任务价格:结构化信息提取 | $0.0023 | $0.0045 |
| 智能体编程会话(输入大多命中缓存) | $0.030 | $0.064 |
| 每项基准测试任务成本(AA Index) | $6.26 | – |
| 每项任务输出 token(AA Index) | 82k | – |
| 其中推理部分 | 47k | – |
| 每项任务耗时(AA Index) | 12 min | – |
| 输出速度 | 116 tok/s | 82 tok/s |
| 首次回答时间 | 14.8 秒 | 22.9 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 41.8 秒 | 66.2 秒 |
每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.8 Flash (medium) 得分 60.2,首个回答 token 需 15 秒;Gemini 3.8 Flash (high) 为 59.4(20 秒),Gemini 3.8 Flash 为 56.4(2 秒)。GPT-5 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 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 229 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 3.8 Flash (medium) | GPT-5 (medium) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 60.2 | 59.0 |
| 智能体与工具得分 | BenchLeader | 75.0 | 58.1 |
| 编程得分 | BenchLeader | 51.6 | 57.4 |
| 知识得分 | BenchLeader | 57.7 | – |
| 长上下文得分 | BenchLeader | 66.7 | 70.4 |
| 多模态得分 | BenchLeader | 66.7 | 56.6 |
| 推理得分 | BenchLeader | 58.7 | 47.9 |
| 指令遵循得分 | BenchLeader | – | 69.4 |
| 数学得分 | BenchLeader | – | 65.4 |
| 混合价格(美元/百万 token) | BenchLeader | $1.50 | $3.44 |
| 输出速度 | BenchLeader | 116 tok/s | 82 tok/s |
| 首次回答时间 | BenchLeader | 14.8 秒 | 22.9 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 400,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 95.4%† | 85.3% |
| Humanity's Last Exam | Scale AI / CAIS | 44.5%† | 25.3%† |
| SimpleBench | SimpleBench | 82.4%† | 56.7%† |
| Arena Hard Prompts | Arena (LMArena) | 1518† | 1449† |
| LiveBench 2.0 Reasoning | LiveBench | 89.3%† | – |
| LiveBench 1.0 Reasoning | LiveBench | 89.3%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 93.5% | 84.2% |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.1% | 25.4% |
| HLE-Diamond (AA) | Artificial Analysis | 29.1% | – |
| GPQA Diamond (Vals) | Vals AI | 94.4%† | 85.6%† |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 72.7%† |
| GPQA Diamond (HELM) | HELM Capabilities | – | 79.1%† |
| ARC-AGI-1 | ARC Prize | 97.5% | 56.2% |
| ARC-AGI-2 | ARC Prize | 82.9% | 7.5% |
| ARC-AGI-3 | ARC Prize | 24.2% | – |
| CritPt | Artificial Analysis | 12.3% | 0.0% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 45.0% | 11.5%† |
| MysteryMechanism | Vals AI | 36.5%† | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 34.3%† | – |
| Arena Expert | Arena (LMArena) | 1527† | 1445† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 58.0%† | 32.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 47.0%† | 15.0% |
| LMCA | Epoch AI Benchmarking Hub | 52.9% | 40.0%† |
| DTBench | Epoch AI Benchmarking Hub | 94.9% | 90.7%† |
| ForecastBench | ForecastBench | – | 65.0%† |
显示全部 229 项基准测试
| 指标 | 发布方 | Gemini 3.8 Flash (medium) | GPT-5 (medium) |
|---|---|---|---|
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | – | 71.5% |
| SciCode | SciCode | 55.1% | 42.9%† |
| WeirdML | WeirdML | 84.8%† | 39.8%† |
| FrontierCode | Cognition | 41.2% | – |
| GSO-Bench | GSO-Bench | – | 6.9%† |
| Arena Coding | Arena (LMArena) | 1531† | 1462† |
| Arena WebDev | Arena (LMArena) | 1584† | 1417 |
| LiveBench 2.0 Coding | LiveBench | 73.3%† | – |
| LiveBench 1.0 Coding | LiveBench | 72.5%† | – |
| SciCode (AA) | Artificial Analysis | 55.1% | – |
| LiveCodeBench | Vals AI | 89.5%† | 85.9%† |
| IOI | Vals AI | 56.9%† | – |
| SWE-bench (Vals) | Vals AI | 80.0%† | 69.0%† |
| SWE-Bench Pro | Scale AI SEAL | – | 41.8%† |
| Aider Polyglot | Aider polyglot leaderboard | – | 86.7% |
| SWE-bench Verified (bash only) | SWE-bench | – | 65.0% |
| SWE-bench Verified (any scaffold) | SWE-bench | – | 74.4%† |
| Code Migration | Vals AI | 36.5%† | – |
| Code Migration v1.1 | Vals AI | 38.6%† | – |
| ProgramBench | Vals AI | 1.0%† | – |
| SWE-bench Multimodal | Vals AI | 40.8%† | – |
| Vibe Code Bench 1-100 | Vals AI | 18.8%† | – |
| Vibe Code Bench v1.1 | Vals AI | 78.7%† | 20.1%† |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 14.9%† |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 47.0%† | – |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | 44.8%† | – |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 53.7%† | – |
| SWE Atlas v1.1 | Scale AI SEAL | 57.3%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 45.2%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 71.1%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 55.7%† | – |
| SWE-Bench Pro V2 | Scale AI SEAL | 94.9%† | – |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | 58.8%† | – |
| MirrorCode | Epoch AI Benchmarking Hub | 38.9%† | 4.4%† |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | 76.9%† | – |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 71.0% | – |
| CursorBench | Cursor | 37.3% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1269.7† | 1162.5† |
| AlgoTune | AlgoTune | – | 1.7† |
| FrontierSWE | Epoch AI Benchmarking Hub | 19.6%† | – |
| WeirdML v3 | WeirdML | 7.4%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 19.7% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 83.9% | 35.2%† |
| Startrise Frontend | Startrise | 64.6%† | – |
| GameBench 2 Overall | DuelLab GameBench 2 | 59.0† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 59.7 | 38.0 |
| Design Arena Website | Design Arena | 1291† | 1174† |
| FrontierCode 1.1 (AA) | Artificial Analysis | 37.1% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 16.5% | – |
| LiveCodeBench (AA) | Artificial Analysis | – | 70.3% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 18.2%† | 49.6% |
| GDPval | OpenAI | – | 34.8% |
| Remote Labor Index | Scale AI / CAIS | 5.8%† | 1.7%† |
| APEX-Agents | Mercor | 64.3%† | – |
| Arena Agent | Arena (LMArena) | 2.3† | – |
| LiveBench Long Agentic | LiveBench | 16.5%† | – |
| LiveBench Browser | LiveBench | 45.1%† | – |
| LiveBench Agentic Coding | LiveBench | 54.2%† | – |
| Terminal-Bench Hard | Artificial Analysis | – | 37.9% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 86.5% |
| Terminal-Bench 2.1 (Vals) | Vals AI | 81.3%† | – |
| HiL-Bench | Scale AI SEAL | 41.5%† | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 46.1% | – |
| GDPval-AA v2.1 | Artificial Analysis | 1432 | 925† |
| τ³-Banking (AA) | Artificial Analysis | 45.8% | 22.1%† |
| ITBench SRE (AA) | Artificial Analysis | 52.5%† | – |
| Analyst Agent (AA) | Artificial Analysis | 46.3%† | – |
| CUA-bench | Vals AI | 4.2%† | – |
| CyberBench | Vals AI | 43.8%† | – |
| Finance Agent v2 | Vals AI | 61.4%† | – |
| Finance Agent v2.1 | Vals AI | 65.8%† | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 12.1%† | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 10.0%† | – |
| Legal Research Bench | Vals AI | 38.9%† | – |
| Poker Agent | Vals AI | – | 1103.2%† |
| SkillsBench | Vals AI | 58.0%† | – |
| SREBench | Vals AI | 11.1%† | – |
| Tax Agent Bench | Vals AI | 32.1%† | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 37.1%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 19.7%† | – |
| Terminal-Bench Science | Vals AI | 8.6%† | – |
| Time Horizon Index: KSP | Vals AI | 18.8%† | – |
| Arena Search | Arena (LMArena) | – | 1189† |
| Arena Agent Task Completion | Arena (LMArena) | 1.3† | – |
| BALROG | BALROG | – | 32.8%† |
| DeepResearch Bench | DeepResearch Bench | – | 48.6% |
| METR Time Horizons | METR | – | 69.6% |
| Vending-Bench 2 | Andon Labs | 5093.8† | – |
| AutomationBench | Artificial Analysis | 60.9% | – |
| GDP.pdf (AA) | Artificial Analysis | 22.8% | – |
| Harvey LAB-AA v1.1 | Harvey | 0.0%† | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1183 | – |
| Design Arena Agentic | Design Arena | 1225† | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 10.5% | – |
| CWE-Bench (AA) | Artificial Analysis | 52.5%† | – |
| DeepSec-Bench (AA) | Artificial Analysis | 14.5%† | – |
| CyberGym end-to-end (AA) | Artificial Analysis | 8.4%† | – |
| MKA (AA) | Artificial Analysis | 35.3%† | – |
| BrowseComp-Plus | BrowseComp-Plus | – | 57.6%† |
| BrowseComp | OpenAI | – | 20.1%† |
| DeepSearchQA | – | 59.4%† | |
| FACTS Search | 80.4%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 68.4%† | 55.4%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 21.9%† | 21.9%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 98.9%† | 87.2% |
| MATH Level 5 | Epoch AI Benchmarking Hub | – | 97.9% |
| ProofBench | Vals AI | 48.0%† | 18.0%† |
| LiveBench Mathematics | LiveBench | 91.6%† | – |
| AIME (Vals) | Vals AI | – | 93.4%† |
| MGSM | Vals AI | – | 92.8%† |
| IMO 2025 | MathArena | – | 38.1%† |
| MathArena Apex | MathArena | – | 1.0%† |
| Omni-MATH (HELM) | HELM Capabilities | – | 64.7%† |
| MATH 500 | Vals AI | – | 96.0%† |
| Arena Maths | Arena (LMArena) | 1519† | 1411† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 0.0%† | – |
| AIME 2025 (AA) | Artificial Analysis | – | 91.7% |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 69.7%† | 50.1%† |
| LiveBench 2.0 Data Analysis | LiveBench | 54.0%† | – |
| LiveBench Research | LiveBench | 79.4%† | – |
| LiveBench 1.0 Data Analysis | LiveBench | 54.0%† | – |
| AA-Omniscience v1.1 | Artificial Analysis | 23.7 | – |
| MMLU-Pro | Vals AI | 90.2%† | 86.5%† |
| LegalBench | Vals AI | 87.0%† | 86.0%† |
| CorpFin | Vals AI | – | 61.1%† |
| TaxEval | Vals AI | 74.5%† | 73.4%† |
| MedQA | Vals AI | – | 96.3%† |
| PRBench Finance | Scale AI SEAL | 49.5%† | 51.3%† |
| PRBench Legal | Scale AI SEAL | 48.9%† | 49.0%† |
| MultiNRC | Scale AI SEAL | – | 52.1%† |
| MMLU-Pro (HELM) | HELM Capabilities | – | 86.3%† |
| BioMysteryBench | Vals AI | 62.2%† | – |
| CaseLaw v2 | Vals AI | – | 66.5%† |
| Excel Modeling Benchmark | Vals AI | 72.2%† | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 72.9%† | – |
| MedCode | Vals AI | 48.1%† | 49.6%† |
| MedScribe | Vals AI | 84.5%† | 83.7%† |
| Public Benefits Bench v1.1 | Vals AI | 65.3%† | – |
| Access to Justice Benchmark | Vals AI | 67.1%† | – |
| Financial Coaching Bench | Vals AI | 66.3%† | – |
| Immigration Bench | Vals AI | 63.4%† | – |
| EBR-bench | Epoch AI Benchmarking Hub | – | 12.7%† |
| GDP.pdf | Epoch AI Benchmarking Hub | 23.4% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 49.6% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 48.5% | – |
| Global-MMLU-Lite (AA) | Artificial Analysis | – | 90.4% |
| HealthBench Professional (AA) | OpenAI | 51.7%† | – |
| FACTS Parametric | 78.7%† | – | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 87.8%† | – |
| LiveBench Instruction Following | LiveBench | 81.4%† | – |
| IFBench | Artificial Analysis | – | 70.6% |
| MultiChallenge | Scale AI SEAL | – | 63.2%† |
| TutorBench | Scale AI SEAL | – | 55.3%† |
| IFEval (HELM) | HELM Capabilities | – | 87.5%† |
| WildBench (HELM) | HELM Capabilities | – | 85.7%† |
| Arena Instruction Following | Arena (LMArena) | 1492† | 1415† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1497† | 1427† |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1744† | 1626† |
| Arena Creative Writing | Arena (LMArena) | 1488† | 1389† |
| Arena Multi-turn | Arena (LMArena) | 1505† | 1449† |
| Arena Longer Queries | Arena (LMArena) | 1511† | 1435† |
| Lech Mazur Creative Writing | Lech Mazur | – | 86.0% |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1317† | 1232† |
| LiveBench Design | LiveBench | 69.7%† | – |
| MMMU-Pro | Artificial Analysis | 84.2% | 74.3% |
| VISTA | Scale AI SEAL | – | 49.7%† |
| MMMU-Pro (Vals) | Vals AI | 89.1%† | 81.5%† |
| MortgageTax | Vals AI | 65.3%† | 65.5%† |
| SAGE | Vals AI | 88.2%† | – |
| AudioMC | Scale AI SEAL | 60.4%† | – |
| AudioMC (text output) | Scale AI SEAL | 60.4%† | – |
| Humanity's Sixth Sense | Scale AI SEAL | 41.6%† | – |
| VTB | Scale AI SEAL | – | 17.0%† |
| GeoBench | GeoBench | 86.0%† | 81.0% |
| VPCT | Epoch AI Benchmarking Hub | – | 63.2% |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 38.6%† | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 31.7%† | – |
| VIALS-AA | Handshake AI | 41.0%† | – |
| Code2Video-AA | Artificial Analysis | 899† | – |
| AA-3D | Artificial Analysis | 974† | – |
| FACTS Multimodal | 57.6%† | – | |
| 长上下文 | |||
| Fiction.LiveBench 120k | Fiction.live | – | 96.9% |
| AA-LCR v1.1 | Artificial Analysis | 84.0% | 76.0% |
| Arena Document | Arena (LMArena) | 1469† | – |
| MLCR | Artificial Analysis | 12.8% | – |
| FACTS Grounding | 68.2%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 158.8† | 150† |
| LiveBench 2.0 | LiveBench | 57.3%† | – |
| LiveBench 1.0 | LiveBench | 75.8%† | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 30.1 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 39.8 | 22.9 |
| AA Progress Index v1 | Artificial Analysis | 319.1 | 264.4 |
| Vals Index | Vals AI | 56.0† | – |
| HELM Capabilities mean | HELM Capabilities | – | 80.7%† |
| Vals Finance Index | Vals AI | 60.5%† | – |
| Vals RSI Index | Vals AI | 19.9%† | – |
| Vals Science Index | Vals AI | 35.8%† | – |
| Vals Router Index | Vals AI | 56.0%† | – |
| Vals Legal Index | Vals AI | 69.8%† | – |
| AA Cyber Index | Artificial Analysis | 25.1† | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 17.0%† |
| MASK | Scale AI SEAL | – | 79.3%† |
| DistressBench | Scale AI SEAL | 70.7%† | – |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | – | 5.6 |
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 3.8 Flash:标价将调整为每百万 token 输入 $1.50 / 输出 $7.50(已公布)。
- GPT-5 (medium):BenchLeader Index 58.2 → 59.0。
- GPT-5 (medium):1 项新结果(Aider Polyglot)。
- Gemini 3.8 Flash (medium):1 项分数修订。
- GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
- GPT-5 (medium):1 项分数修订。
- Gemini 3.8 Flash (medium):2 项分数修订。
- GPT-5 (medium):1 项分数修订。
- Gemini 3.8 Flash (medium):1 项分数修订。
- GPT-5 (medium):1 项分数修订。
相关对比
- Gemini 3.8 Flash vs Gemini 4 Carbon
- GPT-5 vs Claude Opus 5.5
- Gemini 3 Pro vs GPT-5
- Gemini 3.8 Flash vs o3
- Gemini 3.8 Flash vs GPT-6.1 Sol
- Gemini 3.8 Flash vs Gemini 4 Argon
- Gemini 3.8 Flash vs Muse Wonder
- Gemini 3.8 Flash vs Muse Spark
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 3.8 Flash vs GPT-5:常见问题
- Gemini 3.8 Flash 比 GPT-5 更好吗?
- Gemini 3.8 Flash (medium) 与 GPT-5 (medium) 的质量不相上下(60.2 比 59.0,在 ±7.3 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 3.8 Flash 和 GPT-5 哪个更便宜?价格会变吗?
- 目前 Gemini 3.8 Flash 更便宜:每百万 token $1.50 比 $3.44(按每 1 个输出 token 对应 3 个输入 token 混合计算)。Gemini 3.8 Flash 的现价有效至 2026年12月31日,之后为 $3.00。
- 编程用 Gemini 3.8 Flash 还是 GPT-5 更好?
- GPT-5 在编程方面得分更高(类别得分 57 比 52,50 为平均水平)。
- Gemini 3.8 Flash 和 GPT-5 哪个更快?
- Gemini 3.8 Flash 输出更快(输出 116 比 82 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Gemini 3.8 Flash 还是 GPT-5 更好?
- Gemini 3.8 Flash 在智能体任务方面得分更高(类别得分 75 比 58,50 为平均水平)。
更多问题(4)
- 处理长文档哪个更好?
- GPT-5 在长上下文基准测试上得分更高(70 比 67)。Gemini 3.8 Flash 支持更长的上下文:1,048,576 token,GPT-5 为 400,000 token。
- 哪个延迟更低?
- Gemini 3.8 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 14.8 秒比 22.9 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 3.8 Flash 和 GPT-5 的看法一致吗?
- 在两者都有结果的 9 项基准测试中,Gemini 3.8 Flash 领先 9 项,GPT-5 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 3.8 Flash 更强。
- Gemini 3.8 Flash 是什么时候发布的?
- Gemini 3.8 Flash 于 2026年9月2日 发布。