BenchLeader

Gemini 3 Pro vs Qwen3.8 2.4T A95B

完整资料:Gemini 3 Pro(Google)和 Qwen3.8 2.4T A95B(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,Gemini 3 Pro 与 Qwen3.8 2.4T A95B 的质量不相上下(BenchLeader Index 60.0 比 51.4,在 ±14.7 的误差范围内)。Qwen3.8 2.4T A95B 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。在两者都有成绩的所有类别中,Gemini 3 Pro 均领先。

要点(截至 2026年11月16日)

  • Gemini 3 Pro 的 BenchLeader Index 为 60.0,Qwen3.8 2.4T A95B 为 51.4(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)。
  • Qwen3.8 2.4T A95B 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 1 项基准测试中,Qwen3.8 2.4T A95B 领先 1 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
智能体与工具调用Gemini 3 Pro类别得分 62 比 48高
推理Gemini 3 Pro类别得分 63 比 46高
知识Gemini 3 Pro类别得分 56 比 49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

  • Gemini 3 Pro 与 Qwen3.8 2.4T A95B 的质量不相上下(60.0 比 51.4,在 ±14.7 的误差范围内)。
  • Gemini 3 Pro 在智能体与工具、知识、推理方面更强。
  • Qwen3.8 2.4T A95B 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。

概览

规格Gemini 3 ProQwen3.8 2.4T A95B
提供商GoogleAlibaba
发布日期2025年11月18日2026年8月12日
上下文窗口(token)–1,000,000
对比时的配置Gemini 3 ProQwen3.8 2.4T A95B
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)–$2.00 / $6.00 / $0.250

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 ProQwen3.8 2.4T A95B领先者
推理62.646.4Gemini 3 Pro
编程57.8–无法比较
智能体与工具61.747.8Gemini 3 Pro
数学54.0–无法比较
知识55.949.0Gemini 3 Pro
指令遵循61.1–无法比较
人类偏好67.7–无法比较
多模态65.6–无法比较
长上下文–64.8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推理智能体与工具知识Gemini 3 Pro, 推理: 62.6Gemini 3 Pro, 智能体与工具: 61.7Gemini 3 Pro, 知识: 55.9Qwen3.8 2.4T A95B, 推理: 46.4Qwen3.8 2.4T A95B, 智能体与工具: 47.8Qwen3.8 2.4T A95B, 知识: 49.0

未绘制(测得的模型少于两个):编程, 数学, 指令遵循, 长上下文, 多模态, 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 1 项基准测试中,Gemini 3 Pro 领先 0 项,Qwen3.8 2.4T A95B 领先 1 项。

综合 IndexGemini 3 ProQwen3.8 2.4T A95B领先者
BenchLeader Index60.051.4不相上下

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 ProQwen3.8 2.4T A95B
每百万 token 混合价格–$3.00
每百万 token 输入 / 输出– / –$2.00 / $6.00
每百万 token 缓存输入–$0.250
每项任务价格:聊天回复–$0.0026
每项任务价格:总结一份 30 页的报告–$0.028
每项任务价格:代码编辑–$0.021
每项任务价格:智能体编程会话–$0.144
每项任务价格:结构化信息提取–$0.0052
智能体编程会话(输入大多命中缓存)–$0.065
输出速度–41 tok/s
首次回答时间–107.3 秒
完整回答耗时(最近一次测量 2026年11月13日)–248.5 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。Qwen3.8 2.4T A95B 得分 51.4,首个回答 token 需 107 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 127 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 ProQwen3.8 2.4T A95B
BenchLeader IndexBenchLeader60.051.4
智能体与工具得分BenchLeader61.747.8
编程得分BenchLeader57.8–
人类偏好得分BenchLeader67.7–
指令遵循得分BenchLeader61.1–
知识得分BenchLeader55.949.0
数学得分BenchLeader54.0–
多模态得分BenchLeader65.6–
推理得分BenchLeader62.646.4
长上下文得分BenchLeader–64.8
混合价格(美元/百万 token)BenchLeader–$3.00
输出速度BenchLeader–41 tok/s
首次回答时间BenchLeader–107.3 秒
上下文窗口BenchLeader–1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.6%–
Humanity's Last ExamScale AI / CAIS37.5%–
SimpleBenchSimpleBench76.4%–
Arena Hard PromptsArena (LMArena)1502–
GPQA Diamond (AA)Artificial Analysis90.8%†93.5%
Humanity's Last Exam (AA)Artificial Analysis39.7%†42.5%
HLE-Diamond (AA)Artificial Analysis–20.1%
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%†20.0%
SciPredictScale AI SEAL25.3%–
Arena ExpertArena (LMArena)1499–
CL-benchEpoch AI Benchmarking Hub15.8%–
ForecastBenchForecastBench65.0%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.9%–
WeirdMLWeirdML69.9%–
GSO-BenchGSO-Bench18.6%–
Arena CodingArena (LMArena)1517–
Arena WebDevArena (LMArena)1441–
SciCode (AA)Artificial Analysis–54.0%
LiveCodeBenchVals AI86.4%–
SWE-bench (Vals)Vals AI76.4%†–
显示全部 127 项基准测试
指标发布方Gemini 3 ProQwen3.8 2.4T A95B
编程
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%†–
SWE-Bench Pro (private)Scale AI SEAL17.9%–
ALE-BenchEpoch AI Benchmarking Hub1176.8–
AlgoTuneAlgoTune1.8–
Terminal-Bench 4.0 (AA)Artificial Analysis–11.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–82.0%
GameBench 2 OverallDuelLab GameBench 2–52.8
GameBench 2 by reasoning settingDuelLab GameBench 2–49.3†
Design Arena WebsiteDesign Arena1244–
LiveCodeBench (AA)Artificial Analysis91.8%†–
智能体与工具
Terminal-BenchTerminal-Bench69.4%–
GDPvalOpenAI40.3%–
Remote Labor IndexScale AI / CAIS1.3%–
Terminal-Bench HardArtificial Analysis41.7%†–
τ²-Bench Telecom (AA)Artificial Analysis87.1%†–
MCP AtlasScale AI SEAL70.3%84.5%†
BFCL OverallBerkeley Function Calling Leaderboard72.5%–
τ²-benchτ²-bench82.5%†–
τ³-bench Bankingτ²-bench18.0%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–55.4%
GDPval-AA v2.1Artificial Analysis–1614
τ³-Banking (AA)Artificial Analysis–49.1%
Poker AgentVals AI1078.9%–
Terminal-Bench 2.0 (Vals)Vals AI55.1%†–
Arena SearchArena (LMArena)1201–
BALROGBALROG58.1%–
DeepResearch BenchDeepResearch Bench46.3%†–
METR Time HorizonsMETR71.0%–
Vending-Bench 2Andon Labs5478.2–
AutomationBenchArtificial Analysis–57.3%
GDP.pdf (AA)Artificial Analysis–15.6%
EnterpriseOps-GymArtificial Analysis–47.4%
AA-Briefcase v1.1Artificial Analysis–1430
Design Arena AgenticDesign Arena1080–
CWE-Bench (AA)Artificial Analysis–28.3%
DeepSec-Bench (AA)Artificial Analysis–9.5%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub91.4%–
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
AA-Omniscience v1.1Artificial Analysis–7.8
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%†–
MedCodeVals AI52.2%†–
MedScribeVals AI72.0%†–
AA-Omniscience v1.1: accuracyArtificial Analysis–31.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
Global-MMLU-Lite (AA)Artificial Analysis92.2%†–
指令遵循
IFBenchArtificial Analysis70.4%†–
MultiChallengeScale AI SEAL65.7%–
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-Bench15241844
Arena Creative WritingArena (LMArena)1484–
Arena Multi-turnArena (LMArena)1495–
Arena Longer QueriesArena (LMArena)1491–
多模态
Arena VisionArena (LMArena)1305–
MMMU-ProArtificial Analysis80.2%†–
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%–
长上下文
AA-LCR v1.1Artificial Analysis76.0%†80.3%
Arena DocumentArena (LMArena)1451–
MLCRArtificial Analysis–30.6%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0–
AA Intelligence Index v4.3.2Artificial Analysis28.0†40.0
AA Progress Index v1Artificial Analysis290.7†317.8
HELM Capabilities meanHELM Capabilities79.9%–
AA Cyber IndexArtificial Analysis–12.6
安全与诚实
FORTRESSScale AI SEAL41.7%21.6%†
MASKScale AI SEAL42.6%–
PropensityBenchScale AI SEAL52.9%–
DistressBenchScale AI SEAL–77.5%
元数据
AA Openness IndexArtificial Analysis5.6†27.8

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。
  • Qwen3.8 2.4T A95B:BenchLeader Index 52.0 → 51.5。
  • Gemini 3 Pro:1 项新结果(Arena Search)。
  • Qwen3.8 2.4T A95B:1 项分数修订。
  • Qwen3.8 2.4T A95B:BenchLeader Index 53.0 → 52.0。
  • Qwen3.8 2.4T A95B:1 项新结果(HLE-Diamond (AA))。
  • Qwen3.8 2.4T A95B:BenchLeader Index 56.1 → 53.0。
  • Qwen3.8 2.4T A95B:1 项新结果(AA Progress Index v1);2 项分数修订。
  • Qwen3.8 2.4T A95B:5 项新结果(AA Cyber Index, CWE-Bench (AA), DeepSec-Bench (AA)…)。
  • Gemini 3 Pro:1 项分数修订。

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 Qwen3.8 2.4T A95B:常见问题

Gemini 3 Pro 比 Qwen3.8 2.4T A95B 更好吗?
Gemini 3 Pro 与 Qwen3.8 2.4T A95B 的质量不相上下(60.0 比 51.4,在 ±14.7 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 Pro 和 Qwen3.8 2.4T A95B 哪个更便宜?价格会变吗?
目前 Qwen3.8 2.4T A95B 更便宜:每百万 token $3.00 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。
智能体和工具调用用 Gemini 3 Pro 还是 Qwen3.8 2.4T A95B 更好?
Gemini 3 Pro 在智能体任务方面得分更高(类别得分 62 比 48,50 为平均水平)。
第三方基准测试对 Gemini 3 Pro 和 Qwen3.8 2.4T A95B 的看法一致吗?
在两者都有结果的 1 项基准测试中,Gemini 3 Pro 领先 0 项,Qwen3.8 2.4T A95B 领先 1 项。
Qwen3.8 2.4T A95B 是什么时候发布的?
Qwen3.8 2.4T A95B 于 2026年8月12日 发布。