BenchLeader

Gemini 4 Carbon vs GPT-5.4

完整资料:Gemini 4 Carbon(Google)和 GPT-5.4(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 GPT-5.4(BenchLeader Index 68.9 比 63.1)。Gemini 4 Carbon 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。看重知识(76 比 59)、编程(74 比 65)和推理(73 比 66)选 Gemini 4 Carbon;看重长上下文(66 比 64)选 GPT-5.4。Gemini 4 Carbon 的首次回答更快(73.5 秒 比 144.9 秒)。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 的 BenchLeader Index 为 68.9,GPT-5.4 为 63.1(BenchLeader,2026年11月16日)。
  • Gemini 4 Carbon 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • 在两者都有结果的 17 项基准测试中,Gemini 4 Carbon 领先 16 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Gemini 4 Carbon类别得分 74 比 65;SciCode 64.2% 比 56.6%高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 63;GDPval-AA v2.1 1733 比 1256中
数学Gemini 4 Carbon类别得分 72 比 65;FrontierMath Tiers 1–3 90.5% 比 78.6%中
推理Gemini 4 Carbon类别得分 73 比 66;GPQA Diamond 96.5% 比 93.3%高
知识Gemini 4 Carbon类别得分 76 比 59;SimpleQA Verified 77.7% 比 45.1%高
长文档GPT-5.4类别得分 66 比 64;AA-LCR v1.1 82.0% 比 79.3%中
对话质量(人类偏好)–只有 Gemini 4 Carbon 有 Arena 评分(类别得分 73)无法比较
成本最低Gemini 4 Carbon每百万 token 混合价格 $4.00 比 $5.63;智能体编程会话 $0.160 比 $0.210–
首次回答最快Gemini 4 Carbon首个回答 token 73.5 秒(Gemini 4 Carbon (high))比 144.9 秒(GPT-5.4 (xhigh))–
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 Gemini 4 Carbon (high) 领先:68.9 比 63.1。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、知识、数学、推理方面更强。
  • GPT-5.4 (xhigh) 在长上下文方面更强。
  • Gemini 4 Carbon (high) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。

概览

规格Gemini 4 CarbonGPT-5.4
提供商GoogleOpenAI
发布日期2026年10月28日2026年3月5日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 4 Carbon (high)GPT-5.4 (xhigh)
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$2.50 / $15.00 / $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 4 Carbon (high)GPT-5.4 (xhigh)领先者
推理73.265.7Gemini 4 Carbon
编程74.164.7Gemini 4 Carbon
智能体与工具70.363.0Gemini 4 Carbon
数学71.964.8Gemini 4 Carbon
知识76.158.6Gemini 4 Carbon
指令遵循–72.4无法比较
人类偏好72.6–无法比较
多模态–60.8无法比较
长上下文64.365.7GPT-5.4
综合70.3–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长上下文Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1Gemini 4 Carbon, 长上下文: 64.3GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7

未绘制(测得的模型少于两个):指令遵循, 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 17 项基准测试中,Gemini 4 Carbon 领先 16 项,GPT-5.4 领先 1 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。

综合 IndexGemini 4 Carbon (high)GPT-5.4 (xhigh)领先者
BenchLeader Index68.963.1Gemini 4 Carbon
Arena Text15261475†Gemini 4 Carbon

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 4 Carbon (high)GPT-5.4 (xhigh)
每百万 token 混合价格$4.00$5.63
每百万 token 输入 / 输出$2.00 / $10.00$2.50 / $15.00
每百万 token 缓存输入$0.100$0.250
每项任务价格:聊天回复$0.0038$0.0055
每项任务价格:总结一份 30 页的报告$0.030$0.039
每项任务价格:代码编辑$0.027$0.037
每项任务价格:智能体编程会话$0.160$0.210
每项任务价格:结构化信息提取$0.0060$0.0080
智能体编程会话(输入大多命中缓存)$0.074$0.109
每项基准测试任务成本(AA Index)$5.48–
每项任务输出 token(AA Index)123k–
其中推理部分72k–
每项任务耗时(AA Index)32 min–
输出速度64 tok/s73 tok/s
首次回答时间73.5 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)160.6 秒193.1 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 秒)。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 171 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 4 Carbon (high)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader68.963.1
智能体与工具得分BenchLeader70.363.0
编程得分BenchLeader74.164.7
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.6–
知识得分BenchLeader76.158.6
长上下文得分BenchLeader64.365.7
数学得分BenchLeader71.964.8
推理得分BenchLeader73.265.7
指令遵循得分BenchLeader–72.4
多模态得分BenchLeader–60.8
混合价格(美元/百万 token)BenchLeader$4.00$5.63
输出速度BenchLeader64 tok/s73 tok/s
首次回答时间BenchLeader73.5 秒144.9 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
SimpleBenchSimpleBench92.6%†–
Arena Hard PromptsArena (LMArena)15471487†
LiveBench 2.0 ReasoningLiveBench90.6%–
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis–92.0%
Humanity's Last Exam (AA)Artificial Analysis–43.7%
HLE-Diamond (AA)Artificial Analysis69.1%–
GPQA Diamond (Vals)Vals AI–91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize97.5%93.7%
ARC-AGI-2ARC Prize92.1%74.0%
ARC-AGI-3ARC Prize96.9%0.2%†
CritPtArtificial Analysis–23.4%
CritPt v2 hard subset (AA)Artificial Analysis69.0%–
Arena ExpertArena (LMArena)15671491†
Chess PuzzlesEpoch AI Benchmarking Hub78.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub–52.0%
DTBenchEpoch AI Benchmarking Hub–94.4%
ForecastBenchForecastBench–63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
显示全部 171 项基准测试
指标发布方Gemini 4 Carbon (high)GPT-5.4 (xhigh)
编程
SciCodeSciCode64.2%56.6%
WeirdMLWeirdML–77.7%
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)15681511†
Arena WebDevArena (LMArena)17681400†
LiveBench 2.0 CodingLiveBench91.0%–
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI–84.1%
SWE-bench (Vals)Vals AI–78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI–35.0%
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI89.1%67.4%
Vibe Code Bench 1-100 v1.1Vals AI49.7%–
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
SWE Atlas v1.1Scale AI SEAL71.4%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†–
SWE Atlas v1.1: Test WritingScale AI SEAL76.7%†–
SWE Atlas v1.1: RefactoringScale AI SEAL64.3%†–
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
CursorBenchCursor60.4%–
ALE-BenchEpoch AI Benchmarking Hub–1607†
AlgoTuneAlgoTune–1.9†
FrontierSWEEpoch AI Benchmarking Hub61.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%–
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 2–53.4†
GameBench 2 by reasoning settingDuelLab GameBench 2–62.1
Design Arena WebsiteDesign Arena1319†1190†
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench64.5%81.8%†
APEX-AgentsMercor84.2%†52.4%†
Arena AgentArena (LMArena)17–
LiveBench Long AgenticLiveBench72.7%–
LiveBench BrowserLiveBench80.0%–
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL50.3%†9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1Artificial Analysis17331256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Finance Agent v2.1Vals AI67.2%–
Harvey's Legal Agent Benchmark v1.1Vals AI17.5%–
Harvey's Legal Agent Benchmark v1Vals AI–0.0%
Legal Research BenchVals AI55.8%–
SkillsBenchVals AI–51.7%
Tax Agent BenchVals AI51.8%–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI63.1%–
Arena SearchArena (LMArena)–1196†
Arena Agent Task CompletionArena (LMArena)18.4–
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs16484.2†6144.2†
AutomationBenchArtificial Analysis77.8%–
GDP.pdf (AA)Artificial Analysis28.4%–
AA-Briefcase v1.1Artificial Analysis1611–
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†1042†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis64.8%–
MKA (AA)Artificial Analysis54.3%–
DeepSearchQAGoogle–63.7%†
FACTS SearchGoogle94.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.5%78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%95.3%
ProofBenchVals AI–56.0%
LiveBench MathematicsLiveBench–94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Arena MathsArena (LMArena)–1459†
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%45.1%
LiveBench 2.0 Data AnalysisLiveBench86.5%–
LiveBench ResearchLiveBench92.5%–
LiveBench 1.0 Data AnalysisLiveBench–79.3%
AA-Omniscience v1.1Artificial Analysis53.5–
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL–45.6%†
PRBench LegalScale AI SEAL53.4%†44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedCodeVals AI–41.3%
MedScribeVals AI–77.5%
DrugDiscoveryBenchScale AI SEAL71.5%–
EBR-benchEpoch AI Benchmarking Hub87.6%25.4%
AA-Omniscience v1.1: accuracyArtificial Analysis58.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis88.6%–
FACTS ParametricGoogle81.6%†–
指令遵循
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis–74.0%
Arena Instruction FollowingArena (LMArena)15251460†
人类偏好
Arena TextArena (LMArena)15261465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)15161433†
Arena Multi-turnArena (LMArena)15641480†
Arena Longer QueriesArena (LMArena)15381477†
多模态
Arena VisionArena (LMArena)–1292†
LiveBench DesignLiveBench80.2%–
MMMU-ProArtificial Analysis89.3%†78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
Humanity's Sixth SenseScale AI SEAL71.1%–
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub77.5%37.5%
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†–
长上下文
AA-LCR v1.1Artificial Analysis79.3%82.0%
Arena DocumentArena (LMArena)–1471†
MLCRArtificial Analysis19.4%–
FACTS GroundingGoogle77.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†157.8†
LiveBench 2.0LiveBench83.5%–
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v5.0.1Artificial Analysis60.0–
AA Intelligence Index v4.3.2Artificial Analysis–39.0
AA Progress Index v1Artificial Analysis350.8311.6
Vals IndexVals AI70.5–
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%15.5%
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†–
MASKScale AI SEAL–89.7%†

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 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
  • Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
  • Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
  • Gemini 4 Carbon (high):13 项新结果(GPQA Diamond, FrontierMath Tiers 1–3, FrontierMath Tier 4…)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.3 → 68.5。

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 4 Carbon vs GPT-5.4:常见问题

Gemini 4 Carbon 比 GPT-5.4 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 63.1。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 总体领先,但请结合你的用途查看各类别得分。
Gemini 4 Carbon 和 GPT-5.4 哪个更便宜?价格会变吗?
目前 Gemini 4 Carbon 更便宜:每百万 token $4.00 比 $5.63(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 4 Carbon 还是 GPT-5.4 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 4 Carbon 为 64.2%,GPT-5.4 为 56.6%。
Gemini 4 Carbon 和 GPT-5.4 哪个更快?
GPT-5.4 输出更快(输出 73 比 64 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 4 Carbon 还是 GPT-5.4 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 63,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.4 在长上下文基准测试上得分更高(66 比 64)。两者都约为 1.1M token(Gemini 4 Carbon 为 1,048,576,GPT-5.4 为 1,050,000)。
哪个延迟更低?
Gemini 4 Carbon 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 73.5 秒比 144.9 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 4 Carbon 和 GPT-5.4 的看法一致吗?
在两者都有结果的 17 项基准测试中,Gemini 4 Carbon 领先 16 项,GPT-5.4 领先 1 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
Gemini 4 Carbon 是什么时候发布的?
Gemini 4 Carbon 于 2026年10月28日 发布。