BenchLeader

Gemini 3 Pro vs GPT-5.5

完整资料:Gemini 3 Pro(Google)和 GPT-5.5(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 18 个来源

截至 2026年11月16日,质量上 GPT-5.5 领先 Gemini 3 Pro(BenchLeader Index 64.1 比 60.0)。不过,Gemini 3 Pro 更便宜,对方的价格是它的 2.5 倍(每百万 token 混合价格 $4.50 比 $11.25)。看重多模态(66 比 62)选 Gemini 3 Pro;看重数学(69 比 54)、指令遵循(74 比 61)和知识(64 比 56)选 GPT-5.5。

要点(截至 2026年11月16日)

  • Gemini 3 Pro 的 BenchLeader Index 为 60.0,GPT-5.5 为 64.1(BenchLeader,2026年11月16日)。
  • Gemini 3 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • GPT-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • 在两者都有结果的 14 项基准测试中,GPT-5.5 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3 Pro 的评分为 1441,GPT-5.5 为 1512(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GPT-5.5类别得分 61 比 58;Arena WebDev 1512 比 1441中
智能体与工具调用均可类别得分 62 比 62;MCP Atlas 70.3% 比 75.3%均可
数学GPT-5.5类别得分 69 比 54;AIME 2026 100.0% 比 91.7%高
推理GPT-5.5类别得分 68 比 63;ARC-AGI-2 85.0% 比 31.1%中
知识GPT-5.5类别得分 64 比 56;MMLU-Pro 88.1% 比 90.1%高
图像及其他媒体Gemini 3 Pro类别得分 66 比 62中
指令遵循GPT-5.5类别得分 74 比 61高
对话质量(人类偏好)–只有 Gemini 3 Pro 有 Arena 评分(类别得分 68)无法比较
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-5.5 (xhigh) 领先:64.1 比 60.0。
  • Gemini 3 Pro 在多模态方面更强。
  • GPT-5.5 (xhigh) 在智能体与工具、编程、指令遵循、知识、数学、推理方面更强。
  • Gemini 3 Pro 更便宜,对方的价格是它的 2.5 倍(每百万 token 混合价格 $4.50 比 $11.25)。

概览

规格Gemini 3 ProGPT-5.5
提供商GoogleOpenAI
发布日期2025年11月18日2026年4月23日
上下文窗口(token)–1,050,000
对比时的配置Gemini 3 ProGPT-5.5 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$5.00 / $30.00 / $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 ProGPT-5.5 (xhigh)领先者
推理62.668.1GPT-5.5
编程57.860.7GPT-5.5
智能体与工具61.761.8持平
数学54.069.3GPT-5.5
知识55.963.6GPT-5.5
指令遵循61.174.0GPT-5.5
人类偏好67.7–无法比较
多模态65.662.3Gemini 3 Pro
长上下文–66.9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指令遵循多模态Gemini 3 Pro, 推理: 62.6Gemini 3 Pro, 编程: 57.8Gemini 3 Pro, 智能体与工具: 61.7Gemini 3 Pro, 数学: 54.0Gemini 3 Pro, 知识: 55.9Gemini 3 Pro, 指令遵循: 61.1Gemini 3 Pro, 多模态: 65.6GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6GPT-5.5, 指令遵循: 74.0GPT-5.5, 多模态: 62.3

未绘制(测得的模型少于两个):长上下文, 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 14 项基准测试中,Gemini 3 Pro 领先 2 项,GPT-5.5 领先 12 项。第三方来源看法不一:Gemini 3 Pro 在 Arena Text 上领先;GPT-5.5 在 BenchLeader Index 上领先。

综合 IndexGemini 3 ProGPT-5.5 (xhigh)领先者
BenchLeader Index60.064.1GPT-5.5
Arena Text14861481†Gemini 3 Pro

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 ProGPT-5.5 (xhigh)
每百万 token 混合价格–$11.25
每百万 token 输入 / 输出– / –$5.00 / $30.00
每百万 token 缓存输入–$0.500
每项任务价格:聊天回复–$0.011
每项任务价格:总结一份 30 页的报告–$0.078
每项任务价格:代码编辑–$0.075
每项任务价格:智能体编程会话–$0.420
每项任务价格:结构化信息提取–$0.016
智能体编程会话(输入大多命中缓存)–$0.217
输出速度–81 tok/s
首次回答时间–38.3 秒
完整回答耗时(最近一次测量 2026年11月13日)–104.3 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 Pro 得分 60.0;Gemini 3 Pro (high) 为 60.0。GPT-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 175 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 ProGPT-5.5 (xhigh)
BenchLeader IndexBenchLeader60.064.1
智能体与工具得分BenchLeader61.761.8
编程得分BenchLeader57.860.7
人类偏好得分BenchLeader67.7–
指令遵循得分BenchLeader61.174.0
知识得分BenchLeader55.963.6
数学得分BenchLeader54.069.3
多模态得分BenchLeader65.662.3
推理得分BenchLeader62.668.1
长上下文得分BenchLeader–66.9
混合价格(美元/百万 token)BenchLeader–$11.25
输出速度BenchLeader–81 tok/s
首次回答时间BenchLeader–38.3 秒
上下文窗口BenchLeader–1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.6%90.7%†
Humanity's Last ExamScale AI / CAIS37.5%–
SimpleBenchSimpleBench76.4%69.0%†
Arena Hard PromptsArena (LMArena)15021499†
LiveBench 1.0 ReasoningLiveBench–89.7%
GPQA Diamond (AA)Artificial Analysis90.8%†93.5%
Humanity's Last Exam (AA)Artificial Analysis39.7%†45.8%
GPQA Diamond (Vals)Vals AI91.7%†93.2%
Kagi LLM BenchmarkKagi LLM Benchmark80.1%88.8%†
GPQA Diamond (HELM)HELM Capabilities80.3%–
ARC-AGI-1ARC Prize75.0%95.0%
ARC-AGI-2ARC Prize31.1%85.0%
ARC-AGI-3ARC Prize–0.4%†
CritPtArtificial Analysis9.1%†27.1%
SciPredictScale AI SEAL25.3%–
Arena ExpertArena (LMArena)14991510†
Chess PuzzlesEpoch AI Benchmarking Hub–63.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–56.0%
CL-benchEpoch AI Benchmarking Hub15.8%–
CL-bench LifeEpoch AI Benchmarking Hub–22.2%†
LMCAEpoch AI Benchmarking Hub–54.3%
DTBenchEpoch AI Benchmarking Hub–96.0%
ForecastBenchForecastBench65.0%64.2%†
BTF-3Epoch AI Benchmarking Hub–14.3%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.9%–
显示全部 175 项基准测试
指标发布方Gemini 3 ProGPT-5.5 (xhigh)
编程
SciCodeSciCode–55.8%
WeirdMLWeirdML69.9%84.9%
FrontierCodeCognition–43.0%†
GSO-BenchGSO-Bench18.6%40.2%
Arena CodingArena (LMArena)15171510†
Arena WebDevArena (LMArena)14411512
LiveBench 1.0 CodingLiveBench–82.2%
LiveCodeBenchVals AI86.4%85.3%
SWE-bench (Vals)Vals AI76.4%†82.6%
SWE-Bench ProScale AI SEAL43.3%–
SWE-bench Verified (bash only)SWE-bench74.2%–
SWE-bench Multilingual (bash only)SWE-bench68.7%–
SWE-bench Verified (any scaffold)SWE-bench77.4%–
Code MigrationVals AI–45.2%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI14.3%†69.8%
SWE-Bench Pro (private)Scale AI SEAL17.9%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL–45.4%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.8%
SWE Atlas v1.0: Test WritingScale AI SEAL–42.6%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
Surface Evolver BenchEpoch AI Benchmarking Hub–88.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–67.0%
ALE-BenchEpoch AI Benchmarking Hub1176.81943.0
AlgoTuneAlgoTune1.8–
Terminal-Bench 4.0 (AA)Artificial Analysis–14.7%
Terminal-Bench 2.1 (AA)Artificial Analysis–84.3%
GameBench 2 OverallDuelLab GameBench 2–49.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–59.9
Design Arena WebsiteDesign Arena12441248†
LiveCodeBench (AA)Artificial Analysis91.8%†–
智能体与工具
Terminal-BenchTerminal-Bench69.4%84.7%†
OSWorld-Verified 2.0OSWorld–13.0%
GDPvalOpenAI40.3%–
Remote Labor IndexScale AI / CAIS1.3%6.3%†
APEX-AgentsMercor–55.1%†
LiveBench Agentic CodingLiveBench–54.0%
Terminal-Bench HardArtificial Analysis41.7%†60.6%
τ²-Bench Telecom (AA)Artificial Analysis87.1%†93.9%
Terminal-Bench 2.1 (Vals)Vals AI–57.3%†
MCP AtlasScale AI SEAL70.3%75.3%
HiL-BenchScale AI SEAL–39.7%†
BFCL OverallBerkeley Function Calling Leaderboard72.5%–
τ²-benchτ²-bench82.5%†–
τ³-bench Bankingτ²-bench18.0%†44.6%
GDPval-AA v2.1Artificial Analysis–1357
τ³-Banking (AA)Artificial Analysis–39.0%
ITBench SRE (AA)Artificial Analysis–45.8%
Analyst Agent (AA)Artificial Analysis–50.0%
APEX-Agents (AA)Artificial Analysis–37.7%
Finance Agent v2Vals AI–51.8%
Harvey's Legal Agent Benchmark v1Vals AI–3.8%
Legal Research BenchVals AI–40.4%
Poker AgentVals AI1078.9%–
SkillsBenchVals AI–62.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI55.1%†73.2%†
Time Horizon Index: KSPVals AI–8.3%
Arena SearchArena (LMArena)12011226†
BALROGBALROG58.1%–
DeepResearch BenchDeepResearch Bench46.3%†54.0%†
PostTrainBenchEpoch AI Benchmarking Hub–23.9%
ExploitBenchEpoch AI Benchmarking Hub–47.4%†
METR Time HorizonsMETR71.0%–
GBAEvalEpoch AI Benchmarking Hub–53.2%†
Vending-Bench 2Andon Labs5478.27523.8†
AutomationBenchArtificial Analysis–47.3%
GDP.pdf (AA)Artificial Analysis–21.2%
EnterpriseOps-GymArtificial Analysis–46.6%
AA-Briefcase v1.1Artificial Analysis–1135
Design Arena AgenticDesign Arena10801113†
RoboDojo (LLM as robot policy)RoboDojo–1.1†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–85.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub–72.5%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.4%84.4%†
ProofBenchVals AI20.0%50.0%
LiveBench MathematicsLiveBench–95.9%
AIME (Vals)Vals AI96.7%†–
MGSMVals AI93.9%†–
AIME 2026MathArena91.7%100.0%
HMMT February 2026MathArena86.4%98.5%
USAMO 2026MathArena–98.2%
MathArena ApexMathArena23.4%80.2%
Omni-MATH (HELM)HELM Capabilities55.6%–
MATH 500Vals AI96.4%†–
Arena MathsArena (LMArena)14751500†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
AIME 2025 (AA)Artificial Analysis95.7%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–63.0%
LiveBench 1.0 Data AnalysisLiveBench–81.6%
MMLU-ProVals AI90.1%88.1%
LegalBenchVals AI87.0%†86.5%
CorpFinVals AI63.7%†68.4%
TaxEvalVals AI72.6%†75.0%
MedQAVals AI96.0%†–
PRBench FinanceScale AI SEAL39.2%–
PRBench LegalScale AI SEAL40.6%–
MultiNRCScale AI SEAL59.0%–
MMLU-Pro (HELM)HELM Capabilities90.3%–
CaseLaw v2Vals AI53.1%†66.2%
Excel Modeling BenchmarkVals AI–64.5%
MedCodeVals AI52.2%†49.1%
MedScribeVals AI72.0%†86.9%
Public Benefits Bench v1.1Vals AI–60.9%
DrugDiscoveryBenchScale AI SEAL–51.6%
EBR-benchEpoch AI Benchmarking Hub–34.3%
GDP.pdfEpoch AI Benchmarking Hub–26.0%
Global-MMLU-Lite (AA)Artificial Analysis92.2%†–
指令遵循
LiveBench LanguageLiveBench–87.4%
LiveBench Instruction FollowingLiveBench–70.7%
IFBenchArtificial Analysis70.4%†75.8%
MultiChallengeScale AI SEAL65.7%–
TutorBenchScale AI SEAL53.7%–
IFEval (HELM)HELM Capabilities87.6%–
WildBench (HELM)HELM Capabilities85.9%–
Arena Instruction FollowingArena (LMArena)14731475†
人类偏好
Arena TextArena (LMArena)14861476†
EQ-Bench 4EQ-Bench–1295†
EQ-Bench Creative Writing v3EQ-Bench15241845†
Arena Creative WritingArena (LMArena)14841448†
Arena Multi-turnArena (LMArena)14951484†
Arena Longer QueriesArena (LMArena)14911486†
多模态
Arena VisionArena (LMArena)13051296†
MMMU-ProArtificial Analysis80.2%†79.9%
VISTAScale AI SEAL51.5%–
MMMU-Pro (Vals)Vals AI87.5%†88.3%
MortgageTaxVals AI69.1%†68.8%
AudioMCScale AI SEAL54.6%†–
AudioMC (text output)Scale AI SEAL54.6%†–
VTBScale AI SEAL26.9%–
GeoBenchGeoBench84.0%–
VPCTEpoch AI Benchmarking Hub91.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–36.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–44.2%
Code2Video-AAArtificial Analysis–1000
长上下文
AA-LCR v1.1Artificial Analysis76.0%†84.3%
Arena DocumentArena (LMArena)14511479†
MLCRArtificial Analysis–28.9%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0160.1†
LiveBench 1.0LiveBench–80.2%
AA Intelligence Index v4.3.2Artificial Analysis28.0†38.4
AA Progress Index v1Artificial Analysis290.7†320
HELM Capabilities meanHELM Capabilities79.9%–
Vals RSI IndexVals AI–16.5%
Vals Multimodal IndexVals AI–68.1%
安全与诚实
FORTRESSScale AI SEAL41.7%16.3%
MASKScale AI SEAL42.6%–
PropensityBenchScale AI SEAL52.9%–
元数据
AA Openness IndexArtificial Analysis5.6†–

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 Pro:1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • Gemini 3 Pro:1 项新结果(Arena Search)。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.5 (xhigh):价格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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 Pro vs GPT-5.5:常见问题

GPT-5.5 比 Gemini 3 Pro 更好吗?
质量上 GPT-5.5 (xhigh) 领先:64.1 比 60.0。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-5.5 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3 Pro 和 GPT-5.5 哪个更便宜?价格会变吗?
目前 Gemini 3 Pro 更便宜:每百万 token $4.50 比 $11.25(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 Pro 还是 GPT-5.5 更好?
GPT-5.5 在编程方面得分更高(类别得分 61 比 58,50 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 Pro 为 1441,GPT-5.5 为 1512。
智能体和工具调用用 Gemini 3 Pro 还是 GPT-5.5 更好?
两者在智能体任务方面持平(类别得分 62 比 62)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,Gemini 3 Pro 为 70.3%,GPT-5.5 为 75.3%。
第三方基准测试对 Gemini 3 Pro 和 GPT-5.5 的看法一致吗?
在两者都有结果的 14 项基准测试中,Gemini 3 Pro 领先 2 项,GPT-5.5 领先 12 项。第三方来源看法不一:Gemini 3 Pro 在 Arena Text 上领先;GPT-5.5 在 BenchLeader Index 上领先。
更多问题(1)
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。