BenchLeader

Gemini 3 Pro vs GPT-6.1 Terra

完整资料:Gemini 3 Pro(Google)和 GPT-6.1 Terra(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 Terra 领先 Gemini 3 Pro(BenchLeader Index 64.1 比 60.0)。GPT-6.1 Terra 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。在两者都有成绩的所有类别中,GPT-6.1 Terra 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 Terra 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-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • 在两者都有结果的 5 项基准测试中,GPT-6.1 Terra 领先 4 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3 Pro 的评分为 1441,GPT-6.1 Terra 为 1678(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 Terra类别得分 69 比 58;Arena WebDev 1678 比 1441高
智能体与工具调用GPT-6.1 Terra类别得分 63 比 62;Terminal-Bench 53.3% 比 69.4%中
数学GPT-6.1 Terra类别得分 72 比 54;OTIS Mock AIME 100.0% 比 91.4%高
推理GPT-6.1 Terra类别得分 68 比 63;GPQA Diamond 94.3% 比 92.6%中
知识GPT-6.1 Terra类别得分 61 比 56中
图像及其他媒体GPT-6.1 Terra类别得分 67 比 66中
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-6.1 Terra (max) 领先:64.1 比 60.0。
  • GPT-6.1 Terra (max) 在智能体与工具、编程、知识、数学、多模态、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。

概览

规格Gemini 3 ProGPT-6.1 Terra
提供商GoogleOpenAI
发布日期2025年11月18日2026年10月26日
上下文窗口(token)–1,050,000
对比时的配置Gemini 3 ProGPT-6.1 Terra (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$1.00 / $5.00 / $0.050

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 Terra (max)领先者
推理62.668.4GPT-6.1 Terra
编程57.869.3GPT-6.1 Terra
智能体与工具61.763.4GPT-6.1 Terra
数学54.071.7GPT-6.1 Terra
知识55.961.4GPT-6.1 Terra
指令遵循61.1–无法比较
人类偏好67.7–无法比较
多模态65.667.2GPT-6.1 Terra
长上下文–66.0无法比较
综合–65.0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: 65.6GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 知识: 61.4GPT-6.1 Terra, 多模态: 67.2

未绘制(测得的模型少于两个):指令遵循, 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 5 项基准测试中,Gemini 3 Pro 领先 1 项,GPT-6.1 Terra 领先 4 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。

综合 IndexGemini 3 ProGPT-6.1 Terra (max)领先者
BenchLeader Index60.064.1GPT-6.1 Terra

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 Terra (max)
每百万 token 混合价格–$2.00
每百万 token 输入 / 输出– / –$1.00 / $5.00
每百万 token 缓存输入–$0.050
每项任务价格:聊天回复–$0.0019
每项任务价格:总结一份 30 页的报告–$0.015
每项任务价格:代码编辑–$0.013
每项任务价格:智能体编程会话–$0.080
每项任务价格:结构化信息提取–$0.0030
智能体编程会话(输入大多命中缓存)–$0.037
每项基准测试任务成本(AA Index)–$0.961
每项任务输出 token(AA Index)–60k
其中推理部分–39k
每项任务耗时(AA Index)–14 min
输出速度–72 tok/s
首次回答时间–150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–375.7 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 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(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 167 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 Terra (max)
BenchLeader IndexBenchLeader60.064.1
智能体与工具得分BenchLeader61.763.4
编程得分BenchLeader57.869.3
人类偏好得分BenchLeader67.7–
指令遵循得分BenchLeader61.1–
知识得分BenchLeader55.961.4
数学得分BenchLeader54.071.7
多模态得分BenchLeader65.667.2
推理得分BenchLeader62.668.4
综合得分BenchLeader–65.0
长上下文得分BenchLeader–66.0
混合价格(美元/百万 token)BenchLeader–$2.00
输出速度BenchLeader–72 tok/s
首次回答时间BenchLeader–150.9 秒
上下文窗口BenchLeader–1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.6%94.3%
Humanity's Last ExamScale AI / CAIS37.5%–
SimpleBenchSimpleBench76.4%72.2%†
Arena Hard PromptsArena (LMArena)1502–
LiveBench 2.0 ReasoningLiveBench–88.7%
GPQA Diamond (AA)Artificial Analysis90.8%†–
Humanity's Last Exam (AA)Artificial Analysis39.7%†46.3%
HLE-Diamond (AA)Artificial Analysis–47.3%
GPQA Diamond (Vals)Vals AI91.7%†–
Kagi LLM BenchmarkKagi LLM Benchmark80.1%–
GPQA Diamond (HELM)HELM Capabilities80.3%–
ARC-AGI-1ARC Prize75.0%–
ARC-AGI-2ARC Prize31.1%–
CritPtArtificial Analysis9.1%†28.0%
CritPt v2 hard subset (AA)Artificial Analysis–68.0%
SciPredictScale AI SEAL25.3%–
HLE-Diamond (Scale)Scale AI SEAL–35.7%†
Arena ExpertArena (LMArena)1499–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–74.0%
CL-benchEpoch AI Benchmarking Hub15.8%–
ForecastBenchForecastBench65.0%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.9%–
SciCodeSciCode–55.1%
WeirdMLWeirdML69.9%–
GSO-BenchGSO-Bench18.6%–
显示全部 167 项基准测试
指标发布方Gemini 3 ProGPT-6.1 Terra (max)
编程
Arena CodingArena (LMArena)1517–
Arena WebDevArena (LMArena)14411678
LiveBench 2.0 CodingLiveBench–89.2%
LiveCodeBenchVals AI86.4%–
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%–
Vibe Code Bench v1.1Vals AI14.3%†84.0%
SWE-Bench Pro (private)Scale AI SEAL17.9%–
SWE Atlas v1.1Scale AI SEAL–57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL–55.7%†
MirrorCodeEpoch AI Benchmarking Hub–76.7%
ALE-BenchEpoch AI Benchmarking Hub1176.82608.8
AlgoTuneAlgoTune1.8–
WeirdML v3WeirdML–28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis–55.6%
GameBench 2 OverallDuelLab GameBench 2–81.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–85.8†
Design Arena WebsiteDesign Arena12441286†
FrontierCode 1.1 (AA)Artificial Analysis–36.0%
FrontierCode 2.0 (AA)Artificial Analysis–42.3%
LiveCodeBench (AA)Artificial Analysis91.8%†–
智能体与工具
Terminal-BenchTerminal-Bench69.4%53.3%
GDPvalOpenAI40.3%–
Remote Labor IndexScale AI / CAIS1.3%–
APEX-AgentsMercor–68.3%
Arena AgentArena (LMArena)–12
LiveBench Long AgenticLiveBench–56.2%
LiveBench BrowserLiveBench–93.1%
Terminal-Bench HardArtificial Analysis41.7%†–
τ²-Bench Telecom (AA)Artificial Analysis87.1%†–
MCP AtlasScale AI SEAL70.3%–
HiL-BenchScale AI SEAL–68.0%†
BFCL OverallBerkeley Function Calling Leaderboard72.5%–
τ²-benchτ²-bench82.5%†–
τ³-bench Bankingτ²-bench18.0%†–
GDPval-AA v2.1Artificial Analysis–1476
Finance Agent v2.1Vals AI–56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–1.7%
Legal Research BenchVals AI–26.0%
Poker AgentVals AI1078.9%–
Tax Agent BenchVals AI–17.1%
Terminal-Bench 2.0 (Vals)Vals AI55.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%
Arena SearchArena (LMArena)1201–
Arena Agent Task CompletionArena (LMArena)–9.7
BALROGBALROG58.1%–
DeepResearch BenchDeepResearch Bench46.3%†–
METR Time HorizonsMETR71.0%–
Vending-Bench 2Andon Labs5478.29107.5†
SpireClimbEpoch AI Benchmarking Hub–22.3%
AutomationBenchArtificial Analysis–60.2%
GDP.pdf (AA)Artificial Analysis–28.6%
AA-Briefcase v1.1Artificial Analysis–1401
GDPxGDPx by SemiAnalysis–8.5%
Design Arena AgenticDesign Arena10801192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–57.6%
MKA (AA)Artificial Analysis–43.8%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub–92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.4%100.0%
ProofBenchVals AI20.0%–
AIME (Vals)Vals AI96.7%†–
MGSMVals AI93.9%†–
AIME 2026MathArena91.7%–
HMMT February 2026MathArena86.4%–
MathArena ApexMathArena23.4%–
Omni-MATH (HELM)HELM Capabilities55.6%–
MATH 500Vals AI96.4%†–
Arena MathsArena (LMArena)1475–
AIME 2025 (AA)Artificial Analysis95.7%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.3%
LiveBench 2.0 Data AnalysisLiveBench–82.3%
LiveBench ResearchLiveBench–79.1%
AA-Omniscience v1.1Artificial Analysis–29.6
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.0%†–
CorpFinVals AI63.7%†–
TaxEvalVals AI72.6%†–
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%†–
Excel Modeling Benchmark v1.1Vals AI–73.3%
MedCodeVals AI52.2%†–
MedScribeVals AI72.0%†–
EBR-benchEpoch AI Benchmarking Hub–78.1%
AA-Omniscience v1.1: accuracyArtificial Analysis–47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
Global-MMLU-Lite (AA)Artificial Analysis92.2%†–
FACTS ParametricGoogle–70.8%†
指令遵循
IFBenchArtificial Analysis70.4%†–
MultiChallengeScale AI SEAL65.7%74.2%†
TutorBenchScale AI SEAL53.7%–
IFEval (HELM)HELM Capabilities87.6%–
WildBench (HELM)HELM Capabilities85.9%–
Arena Instruction FollowingArena (LMArena)1473–
人类偏好
Arena TextArena (LMArena)1486–
EQ-Bench Creative Writing v3EQ-Bench1524–
Arena Creative WritingArena (LMArena)1484–
Arena Multi-turnArena (LMArena)1495–
Arena Longer QueriesArena (LMArena)1491–
多模态
Arena VisionArena (LMArena)1305–
LiveBench DesignLiveBench–79.7%
MMMU-ProArtificial Analysis80.2%†84.7%
VISTAScale AI SEAL51.5%–
MMMU-Pro (Vals)Vals AI87.5%†–
MortgageTaxVals AI69.1%†–
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–42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–79.2%
VIALS-AAHandshake AI–60.3%
FACTS MultimodalGoogle–48.8%†
长上下文
AA-LCR v1.1Artificial Analysis76.0%†82.7%
Arena DocumentArena (LMArena)1451–
MLCRArtificial Analysis–30.6%
FACTS GroundingGoogle–84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0167.7†
LiveBench 2.0LiveBench–78.8%
AA Intelligence Index v5.0.1Artificial Analysis–51.3
AA Intelligence Index v4.3.2Artificial Analysis28.0†48.1
AA Progress Index v1Artificial Analysis290.7†345.2
Vals IndexVals AI–60.5
HELM Capabilities meanHELM Capabilities79.9%–
Vals Finance IndexVals AI–53.3%
Vals Legal IndexVals AI–58.8%
安全与诚实
FORTRESSScale AI SEAL41.7%18.2%†
MASKScale AI SEAL42.6%–
PropensityBenchScale AI SEAL52.9%–
DistressBenchScale AI SEAL–65.9%†
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-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • Gemini 3 Pro:1 项新结果(Arena Search)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 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 Terra:常见问题

GPT-6.1 Terra 比 Gemini 3 Pro 更好吗?
质量上 GPT-6.1 Terra (max) 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-6.1 Terra (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 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 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 Terra 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 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 Terra 为 1678。
智能体和工具调用用 Gemini 3 Pro 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在智能体任务方面得分更高(类别得分 63 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 Terra 为 53.3%。
第三方基准测试对 Gemini 3 Pro 和 GPT-6.1 Terra 的看法一致吗?
在两者都有结果的 5 项基准测试中,Gemini 3 Pro 领先 1 项,GPT-6.1 Terra 领先 4 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。
更多问题(1)
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。