BenchLeader

Gemini 4 Carbon vs GPT-5.6 Sol

完整资料:Gemini 4 Carbon(Google)和 GPT-5.6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 GPT-5.6 Sol(BenchLeader Index 68.9 比 65.3)。Gemini 4 Carbon 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。看重知识(76 比 64)、推理(73 比 65)和编程(74 比 66)选 Gemini 4 Carbon;看重长上下文(67 比 64)选 GPT-5.6 Sol。GPT-5.6 Sol 的首次回答更快(33.5 秒 比 73.5 秒)。GPT-5.6 Sol 的输出更快。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 的 BenchLeader Index 为 68.9,GPT-5.6 Sol 为 65.3(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-5.6 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 比 Gemini 4 Carbon 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 34 项基准测试中,Gemini 4 Carbon 领先 30 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 66;SciCode 64.2% 比 57.1%高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 68;Terminal-Bench 64.5% 比 38.5%中
数学Gemini 4 Carbon类别得分 72 比 70;FrontierMath Tiers 1–3 90.5% 比 89.1%中
推理Gemini 4 Carbon类别得分 73 比 65;GPQA Diamond 96.5% 比 93.5%高
知识Gemini 4 Carbon类别得分 76 比 64;SimpleQA Verified 77.7% 比 69.7%高
长文档GPT-5.6 Sol类别得分 67 比 64;AA-LCR v1.1 84.0% 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 $8.00;智能体编程会话 $0.160 比 $0.320–
首次回答最快GPT-5.6 Sol首个回答 token 33.5 秒(GPT-5.6 Sol (max))比 73.5 秒(Gemini 4 Carbon (high))–
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 65.3。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、知识、数学、推理方面更强。
  • GPT-5.6 Sol (max) 在长上下文方面更强。
  • Gemini 4 Carbon (high) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。
  • GPT-5.6 Sol (max) 的输出速度是对方的 1.6 倍(100 比 64 token/秒)。

概览

规格Gemini 4 CarbonGPT-5.6 Sol
提供商GoogleOpenAI
发布日期2026年10月28日2026年7月9日
上下文窗口(token)1,048,5761,050,000
对比时的配置Gemini 4 Carbon (high)GPT-5.6 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$4.00 / $20.00 / $0.400

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-5.6 Sol (max)领先者
推理73.264.7Gemini 4 Carbon
编程74.165.8Gemini 4 Carbon
智能体与工具70.367.5Gemini 4 Carbon
数学71.970.0Gemini 4 Carbon
知识76.163.8Gemini 4 Carbon
指令遵循–71.2无法比较
人类偏好72.6–无法比较
多模态–65.9无法比较
长上下文64.366.7GPT-5.6 Sol
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-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知识: 63.8GPT-5.6 Sol, 长上下文: 66.7

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 34 项基准测试中,Gemini 4 Carbon 领先 30 项,GPT-5.6 Sol 领先 3 项,1 项持平。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-5.6 Sol (max)领先者
BenchLeader Index68.965.3Gemini 4 Carbon
Arena Text15261485†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-5.6 Sol (max)
每百万 token 混合价格$4.00$8.00
每百万 token 输入 / 输出$2.00 / $10.00$4.00 / $20.00
每百万 token 缓存输入$0.100$0.400
每项任务价格:聊天回复$0.0038$0.0076
每项任务价格:总结一份 30 页的报告$0.030$0.060
每项任务价格:代码编辑$0.027$0.054
每项任务价格:智能体编程会话$0.160$0.320
每项任务价格:结构化信息提取$0.0060$0.012
智能体编程会话(输入大多命中缓存)$0.074$0.158
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/s100 tok/s
首次回答时间73.5 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)160.6 秒157.3 秒

每个模型都按其排名最高的推理强度设置进行对比。Gemini 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-5.6 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(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 181 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-5.6 Sol (max)
BenchLeader IndexBenchLeader68.965.3
智能体与工具得分BenchLeader70.367.5
编程得分BenchLeader74.165.8
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.6–
知识得分BenchLeader76.163.8
长上下文得分BenchLeader64.366.7
数学得分BenchLeader71.970.0
推理得分BenchLeader73.264.7
指令遵循得分BenchLeader–71.2
多模态得分BenchLeader–65.9
混合价格(美元/百万 token)BenchLeader$4.00$8.00
输出速度BenchLeader64 tok/s100 tok/s
首次回答时间BenchLeader73.5 秒33.5 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%93.5%
SimpleBenchSimpleBench92.6%†64.8%†
Arena Hard PromptsArena (LMArena)15471511†
LiveBench 2.0 ReasoningLiveBench90.6%–
LiveBench 1.0 ReasoningLiveBench–91.7%
GPQA Diamond (AA)Artificial Analysis–94.1%
Humanity's Last Exam (AA)Artificial Analysis–49.5%
HLE-Diamond (AA)Artificial Analysis69.1%–
GPQA Diamond (Vals)Vals AI–95.2%
EnigmaEvalScale AI SEAL–37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.0%†
ARC-AGI-1ARC Prize97.5%96.5%
ARC-AGI-2ARC Prize92.1%92.5%
ARC-AGI-3ARC Prize96.9%7.8%
CritPtArtificial Analysis–32.3%
CritPt v2 hard subset (AA)Artificial Analysis69.0%60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
Arena ExpertArena (LMArena)15671532†
Chess PuzzlesEpoch AI Benchmarking Hub78.0%59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%58.0%
LMCAEpoch AI Benchmarking Hub–58.4%
DTBenchEpoch AI Benchmarking Hub–95.5%
ForecastBenchForecastBench–65.7%
BTF-3Epoch AI Benchmarking Hub–13.7%
显示全部 181 项基准测试
指标发布方Gemini 4 Carbon (high)GPT-5.6 Sol (max)
编程
SciCodeSciCode64.2%57.1%
WeirdMLWeirdML–87.0%
FrontierCodeCognition–47.5%†
GSO-BenchGSO-Bench–76.5%†
Arena CodingArena (LMArena)15681533†
Arena WebDevArena (LMArena)17681615†
LiveBench 2.0 CodingLiveBench91.0%–
LiveBench 1.0 CodingLiveBench–83.9%
SciCode (AA)Artificial Analysis–57.1%
LiveCodeBenchVals AI–82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI–96.2%
Code MigrationVals AI–52.9%
ProgramBenchVals AI–1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI89.1%80.5%
Vibe Code Bench 1-100 v1.1Vals AI49.7%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL–46.0%†
SWE Atlas v1.0: Test WritingScale AI SEAL–45.9%†
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%†–
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub–20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub–93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–72.7%
CursorBenchCursor60.4%41.7%
ALE-BenchEpoch AI Benchmarking Hub–2176.9
FrontierSWEEpoch AI Benchmarking Hub61.2%32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 2–67.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–80.0†
Design Arena WebsiteDesign Arena1319†1319†
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench64.5%38.5%
OSWorld-Verified 2.0OSWorld–27.3%
APEX-AgentsMercor84.2%†51.4%†
Arena AgentArena (LMArena)174.6†
LiveBench Long AgenticLiveBench72.7%–
LiveBench BrowserLiveBench80.0%–
LiveBench Agentic CodingLiveBench–56.2%
Terminal-Bench HardArtificial Analysis–65.9%
τ²-Bench Telecom (AA)Artificial Analysis–85.1%
Terminal-Bench 2.1 (Vals)Vals AI–85.8%
HiL-BenchScale AI SEAL50.3%†32.3%†
τ³-bench Bankingτ²-bench–46.9%†
GDPval-AA v2.1Artificial Analysis17331619
τ³-Banking (AA)Artificial Analysis–44.3%
ITBench SRE (AA)Artificial Analysis–56.2%
Analyst Agent (AA)Artificial Analysis–47.5%
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI–53.8%
Finance Agent v2.1Vals AI67.2%–
Harvey's Legal Agent Benchmark v1.1Vals AI17.5%–
Harvey's Legal Agent Benchmark v1Vals AI–2.5%
Legal Research BenchVals AI55.8%48.1%
SkillsBenchVals AI–54.1%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI51.8%31.1%
Terminal-Bench 4.0 (Vals)Vals AI63.1%37.9%
Terminal-Bench ScienceVals AI–20.0%
Time Horizon Index: KSPVals AI–23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)–1255†
Arena Agent Task CompletionArena (LMArena)18.42.3†
BALROGBALROG–60.0%
PostTrainBenchEpoch AI Benchmarking Hub–31.0%
GBAEvalEpoch AI Benchmarking Hub–52.6%†
Vending-Bench 2Andon Labs16484.2†9619.4†
AutomationBenchArtificial Analysis77.8%60.1%
GDP.pdf (AA)Artificial Analysis28.4%27.2%
EnterpriseOps-GymArtificial Analysis–42.9%
AA-Briefcase v1.1Artificial Analysis16111479
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†1238†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis64.8%22.4%
MKA (AA)Artificial Analysis54.3%–
FACTS SearchGoogle94.4%†92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.5%89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%
ProofBenchVals AI–83.0%
LiveBench MathematicsLiveBench–96.2%
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Arena MathsArena (LMArena)–1494†
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%69.7%
LiveBench 2.0 Data AnalysisLiveBench86.5%–
LiveBench ResearchLiveBench92.5%–
LiveBench 1.0 Data AnalysisLiveBench–79.8%
AA-Omniscience v1.1Artificial Analysis53.5–
MMLU-ProVals AI–89.1%
LegalBenchVals AI–87.0%
CorpFinVals AI–64.4%
TaxEvalVals AI–74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL53.4%†50.5%
BioMysteryBenchVals AI–71.1%
Excel Modeling BenchmarkVals AI–72.3%
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedCodeVals AI–44.0%
MedScribeVals AI–85.2%
Public Benefits Bench v1.1Vals AI–66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL71.5%56.5%
EBR-benchEpoch AI Benchmarking Hub87.6%44.8%
GDP.pdfEpoch AI Benchmarking Hub–30.7%
AA-Omniscience v1.1: accuracyArtificial Analysis58.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis88.6%–
FACTS ParametricGoogle81.6%†81.1%†
指令遵循
LiveBench LanguageLiveBench–87.7%
LiveBench Instruction FollowingLiveBench–71.8%
IFBenchArtificial Analysis–72.7%
Arena Instruction FollowingArena (LMArena)15251490†
人类偏好
Arena TextArena (LMArena)15261485†
EQ-Bench 4EQ-Bench–1236†
EQ-Bench Creative Writing v3EQ-Bench–1974†
Arena Creative WritingArena (LMArena)15161471†
Arena Multi-turnArena (LMArena)15641491†
Arena Longer QueriesArena (LMArena)15381498†
多模态
Arena VisionArena (LMArena)–1282†
LiveBench DesignLiveBench80.2%–
MMMU-ProArtificial Analysis89.3%†83.4%
MMMU-Pro (Vals)Vals AI–88.8%
MortgageTaxVals AI–67.3%
Humanity's Sixth SenseScale AI SEAL71.1%30.0%
GeoBenchGeoBench–73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub77.5%56.7%
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†46.4%†
长上下文
AA-LCR v1.1Artificial Analysis79.3%84.0%
Arena DocumentArena (LMArena)–1487†
MLCRArtificial Analysis19.4%30.0%
FACTS GroundingGoogle77.2%†61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†163.0†
LiveBench 2.0LiveBench83.5%–
LiveBench 1.0LiveBench–81.0%
AA Intelligence Index v5.0.1Artificial Analysis60.0–
AA Intelligence Index v4.3.2Artificial Analysis–47.0
AA Progress Index v1Artificial Analysis350.8331.5
Vals IndexVals AI70.5–
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI–72.6%
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†20.1%†
DistressBenchScale AI SEAL–73.6%†

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 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-5.6 Sol (max):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。
  • GPT-5.6 Sol (max):1 项分数修订。
  • 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-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。

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-5.6 Sol:常见问题

Gemini 4 Carbon 比 GPT-5.6 Sol 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 65.3。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-5.6 Sol 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 $8.00(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-5.6 Sol 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 66,50 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-5.6 Sol 为 57.1%。
Gemini 4 Carbon 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(输出 100 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-5.6 Sol 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 68,50 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 4 Carbon 为 64.5%,GPT-5.6 Sol 为 38.5%。
更多问题(4)
处理长文档哪个更好?
GPT-5.6 Sol 在长上下文基准测试上得分更高(67 比 64)。两者都约为 1.1M token(Gemini 4 Carbon 为 1,048,576,GPT-5.6 Sol 为 1,050,000)。
哪个延迟更低?
GPT-5.6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 33.5 秒比 73.5 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-5.6 Sol 的看法一致吗?
在两者都有结果的 34 项基准测试中,Gemini 4 Carbon 领先 30 项,GPT-5.6 Sol 领先 3 项,1 项持平。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。