BenchLeader

Gemini 3 Pro vs GPT-6.1 Sol

完整资料:Gemini 3 Pro(Google)和 GPT-6.1 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 19 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Gemini 3 Pro(BenchLeader Index 66.6 比 60.0)。两者价格相近(每百万 token 混合价格 $4.50 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • Gemini 3 Pro 的 BenchLeader Index 为 60.0,GPT-6.1 Sol 为 66.6(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-6.1 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 18 项基准测试中,GPT-6.1 Sol 领先 13 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3 Pro 的评分为 1441,GPT-6.1 Sol 为 1743(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-6.1 Sol类别得分 71 比 58;Arena WebDev 1743 比 1441高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 62;Terminal-Bench 60.9% 比 69.4%中
数学GPT-6.1 Sol类别得分 72 比 54;Arena Maths 1499 比 1475高
推理GPT-6.1 Sol类别得分 71 比 63;GPQA Diamond 95.4% 比 92.6%高
知识GPT-6.1 Sol类别得分 72 比 56高
图像及其他媒体均可类别得分 66 比 66;Arena Vision 1305 比 1286均可
对话质量(人类偏好)均可Arena 投票 68 比 67均可
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-6.1 Sol (max) 领先:66.6 比 60.0。
  • Gemini 3 Pro 在人类偏好方面更强。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、知识、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。

概览

规格Gemini 3 ProGPT-6.1 Sol
提供商GoogleOpenAI
发布日期2025年11月18日2026年9月29日
上下文窗口(token)–1,050,000
对比时的配置Gemini 3 ProGPT-6.1 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$2.00 / $10.00 / $0.100

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-6.1 Sol (max)领先者
推理62.671.4GPT-6.1 Sol
编程57.871.1GPT-6.1 Sol
智能体与工具61.764.3GPT-6.1 Sol
数学54.071.6GPT-6.1 Sol
知识55.971.5GPT-6.1 Sol
指令遵循61.1–无法比较
人类偏好67.767.1持平
多模态65.665.6持平
长上下文–66.2无法比较
综合–67.9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多模态人类偏好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, 多模态: 65.6Gemini 3 Pro, 人类偏好: 67.7GPT-6.1 Sol, 推理: 71.4GPT-6.1 Sol, 编程: 71.1GPT-6.1 Sol, 智能体与工具: 64.3GPT-6.1 Sol, 数学: 71.6GPT-6.1 Sol, 知识: 71.5GPT-6.1 Sol, 多模态: 65.6GPT-6.1 Sol, 人类偏好: 67.1

未绘制(测得的模型少于两个):指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 18 项基准测试中,Gemini 3 Pro 领先 5 项,GPT-6.1 Sol 领先 13 项。第三方来源看法不一:Gemini 3 Pro 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index 上领先。

综合 IndexGemini 3 ProGPT-6.1 Sol (max)领先者
BenchLeader Index60.066.6GPT-6.1 Sol
Arena Text14861481Gemini 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-6.1 Sol (max)
每百万 token 混合价格–$4.00
每百万 token 输入 / 输出– / –$2.00 / $10.00
每百万 token 缓存输入–$0.100
每项任务价格:聊天回复–$0.0038
每项任务价格:总结一份 30 页的报告–$0.030
每项任务价格:代码编辑–$0.027
每项任务价格:智能体编程会话–$0.160
每项任务价格:结构化信息提取–$0.0060
智能体编程会话(输入大多命中缓存)–$0.074
每项基准测试任务成本(AA Index)–$1.27
每项任务输出 token(AA Index)–68k
其中推理部分–49k
每项任务耗时(AA Index)–23 min
输出速度–50 tok/s
首次回答时间–166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)–429.6 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-6.1 Sol (max) 得分 66.6,首个回答 token 需 167 秒;GPT-6.1 Sol (xhigh) 为 63.6(68 秒),GPT-6.1 Sol (high) 为 63.4(33 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 217 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-6.1 Sol (max)
BenchLeader IndexBenchLeader60.066.6
智能体与工具得分BenchLeader61.764.3
编程得分BenchLeader57.871.1
人类偏好得分BenchLeader67.767.1
指令遵循得分BenchLeader61.1–
知识得分BenchLeader55.971.5
数学得分BenchLeader54.071.6
多模态得分BenchLeader65.665.6
推理得分BenchLeader62.671.4
综合得分BenchLeader–67.9
长上下文得分BenchLeader–66.2
混合价格(美元/百万 token)BenchLeader–$4.00
输出速度BenchLeader–50 tok/s
首次回答时间BenchLeader–166.7 秒
上下文窗口BenchLeader–1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.6%95.4%
Humanity's Last ExamScale AI / CAIS37.5%–
SimpleBenchSimpleBench76.4%82.9%†
Arena Hard PromptsArena (LMArena)15021505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench–92.6%
GPQA Diamond (AA)Artificial Analysis90.8%†–
Humanity's Last Exam (AA)Artificial Analysis39.7%†52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI91.7%†–
Kagi LLM BenchmarkKagi LLM Benchmark80.1%–
GPQA Diamond (HELM)HELM Capabilities80.3%–
ARC-AGI-1ARC Prize75.0%96.5%
ARC-AGI-2ARC Prize31.1%94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis9.1%†31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
SciPredictScale AI SEAL25.3%–
Arena ExpertArena (LMArena)14991525
Chess PuzzlesEpoch AI Benchmarking Hub–68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–80.0%
CL-benchEpoch AI Benchmarking Hub15.8%–
LMCAEpoch AI Benchmarking Hub–62.8%
DTBenchEpoch AI Benchmarking Hub–96.5%
显示全部 217 项基准测试
指标发布方Gemini 3 ProGPT-6.1 Sol (max)
推理
ForecastBenchForecastBench65.0%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.9%–
SciCodeSciCode–54.2%
WeirdMLWeirdML69.9%–
FrontierCodeCognition–50.2%†
GSO-BenchGSO-Bench18.6%–
Arena CodingArena (LMArena)15171540
Arena WebDevArena (LMArena)14411743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench–80.4%
LiveCodeBenchVals AI86.4%–
IOIVals AI–96.9%
SWE-bench (Vals)Vals AI76.4%†–
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–65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI–3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI14.3%†88.9%
SWE-Bench Pro (private)Scale AI SEAL17.9%–
SWE Atlas v1.1Scale AI SEAL–65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%†
SWE-Bench Pro V2Scale AI SEAL–96.1%†
MirrorCodeEpoch AI Benchmarking Hub–61.1%
ALE-BenchEpoch AI Benchmarking Hub1176.82743.8
AlgoTuneAlgoTune1.8–
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–56.1%
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 2–84.9†
GameBench 2 by reasoning settingDuelLab GameBench 2–92.0†
Design Arena WebsiteDesign Arena12441315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
LiveCodeBench (AA)Artificial Analysis91.8%†–
智能体与工具
Terminal-BenchTerminal-Bench69.4%60.9%
GDPvalOpenAI40.3%–
Remote Labor IndexScale AI / CAIS1.3%–
APEX-AgentsMercor–60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench–54.5%
Terminal-Bench HardArtificial Analysis41.7%†–
τ²-Bench Telecom (AA)Artificial Analysis87.1%†–
MCP AtlasScale AI SEAL70.3%–
HiL-BenchScale AI SEAL–62.3%†
BFCL OverallBerkeley Function Calling Leaderboard72.5%–
τ²-benchτ²-bench82.5%†–
τ³-bench Bankingτ²-bench18.0%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis–1607
Analyst Agent (AA)Artificial Analysis–50.0%
CyberBenchVals AI–39.3%
Finance Agent v2Vals AI–52.0%
Finance Agent v2.1Vals AI–61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–6.3%
Harvey's Legal Agent Benchmark v1Vals AI–5.4%
Legal Research BenchVals AI–38.5%
Poker AgentVals AI1078.9%–
Robo-benchVals AI–28.3%
SREBenchVals AI–50.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI55.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–55.0%
Terminal-Bench ScienceVals AI–52.9%
Arena SearchArena (LMArena)12011249
Arena Agent Task CompletionArena (LMArena)–11.7
BALROGBALROG58.1%–
DeepResearch BenchDeepResearch Bench46.3%†–
PostTrainBenchEpoch AI Benchmarking Hub–38.8%
METR Time HorizonsMETR71.0%–
Vending-Bench 2Andon Labs5478.212860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis–64.9%
GDP.pdf (AA)Artificial Analysis–31.0%
Harvey LAB-AA v1.1Harvey–6.9%
AA-Briefcase v1.1Artificial Analysis–1555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena10801375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–58.1%
MKA (AA)Artificial Analysis–47.7%
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub–100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.4%100.0%
ProofBenchVals AI20.0%99.0%†
LiveBench MathematicsLiveBench–96.8%
AIME (Vals)Vals AI96.7%†–
MGSMVals AI93.9%†–
AIME 2026MathArena91.7%–
HMMT February 2026MathArena86.4%–
MathArena ApexMathArena23.4%–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Omni-MATH (HELM)HELM Capabilities55.6%–
MATH 500Vals AI96.4%†–
Arena MathsArena (LMArena)14751499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
AIME 2025 (AA)Artificial Analysis95.7%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench–82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.0%†–
CorpFinVals AI63.7%†–
TaxEvalVals AI72.6%†–
MedQAVals AI96.0%†–
PRBench FinanceScale AI SEAL39.2%46.2%†
PRBench LegalScale AI SEAL40.6%47.9%†
MultiNRCScale AI SEAL59.0%–
MMLU-Pro (HELM)HELM Capabilities90.3%–
BioMysteryBenchVals AI–79.6%
CaseLaw v2Vals AI53.1%†–
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI–70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI52.2%†48.8%
MedScribeVals AI72.0%†86.5%
Public Benefits Bench v1.1Vals AI–59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub–35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
Global-MMLU-Lite (AA)Artificial Analysis92.2%†–
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench–90.1%
LiveBench Instruction FollowingLiveBench–74.2%
IFBenchArtificial Analysis70.4%†–
MultiChallengeScale AI SEAL65.7%82.0%†
TutorBenchScale AI SEAL53.7%–
IFEval (HELM)HELM Capabilities87.6%–
WildBench (HELM)HELM Capabilities85.9%–
Arena Instruction FollowingArena (LMArena)14731482
人类偏好
Arena TextArena (LMArena)14861481
EQ-Bench 4EQ-Bench–1272†
EQ-Bench Creative Writing v3EQ-Bench1524–
Arena Creative WritingArena (LMArena)14841449
Arena Multi-turnArena (LMArena)14951486
Arena Longer QueriesArena (LMArena)14911488
多模态
Arena VisionArena (LMArena)13051286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis80.2%†86.0%
VISTAScale AI SEAL51.5%–
MMMU-Pro (Vals)Vals AI87.5%†–
MortgageTaxVals AI69.1%†–
SAGEVals AI–90.5%
AudioMCScale AI SEAL54.6%†–
AudioMC (text output)Scale AI SEAL54.6%†–
Humanity's Sixth SenseScale AI SEAL–46.6%
VTBScale AI SEAL26.9%–
GeoBenchGeoBench84.0%–
VPCTEpoch AI Benchmarking Hub91.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–80.0%
VIALS-AAHandshake AI–59.0%
Code2Video-AAArtificial Analysis–1369
AA-3DArtificial Analysis–1121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis76.0%†83.0%
Arena DocumentArena (LMArena)1451–
MLCRArtificial Analysis–38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench–81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis28.0†51.8
AA Progress Index v1Artificial Analysis290.7†348.5
Vals IndexVals AI–63.9
HELM Capabilities meanHELM Capabilities79.9%–
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI–26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
FORTRESSScale AI SEAL41.7%–
MASKScale AI SEAL42.6%–
PropensityBenchScale AI SEAL52.9%–
DistressBenchScale AI SEAL–74.2%†
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-6.1 Sol (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…);1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GPT-6.1 Sol (max):2 项分数修订。
  • Gemini 3 Pro:1 项新结果(Arena Search)。
  • GPT-6.1 Sol (max):3 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Gemini 3 Pro vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 Gemini 3 Pro 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 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-6.1 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
Gemini 3 Pro 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 GPT-6.1 Sol 更便宜:每百万 token $4.00 比 $4.50(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-6.1 Sol 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 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-6.1 Sol 为 1743。
智能体和工具调用用 Gemini 3 Pro 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 62,50 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 Pro 为 69.4%,GPT-6.1 Sol 为 60.9%。
第三方基准测试对 Gemini 3 Pro 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 18 项基准测试中,Gemini 3 Pro 领先 5 项,GPT-6.1 Sol 领先 13 项。第三方来源看法不一:Gemini 3 Pro 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index 上领先。
更多问题(1)
GPT-6.1 Sol 是什么时候发布的?
GPT-6.1 Sol 于 2026年9月29日 发布。