BenchLeader

Gemini 4 Carbon vs GPT-5.6 Terra

完整资料:Gemini 4 Carbon(Google)和 GPT-5.6 Terra(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-5.6 Terra(BenchLeader Index 68.9 比 60.1)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.50)。在两者都有成绩的所有类别中,Gemini 4 Carbon 均领先。GPT-5.6 Terra 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 Terra 为 60.1(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-5.6 Terra 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • GPT-5.6 Terra 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 27 项基准测试中,Gemini 4 Carbon 领先 26 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 4 Carbon 的评分为 1768,GPT-5.6 Terra 为 1520(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Gemini 4 Carbon类别得分 74 比 59;Arena WebDev 1768 比 1520高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 63;Arena Agent 17 比 -1.8中
数学Gemini 4 Carbon类别得分 72 比 66中
推理Gemini 4 Carbon类别得分 73 比 55;HLE-Diamond (AA) 69.1% 比 24.7%高
知识Gemini 4 Carbon类别得分 76 比 53;AA-Omniscience v1.1 53.5 比 -11.5高
长文档均可类别得分 64 比 64;AA-LCR v1.1 79.3% 比 79.0%均可
对话质量(人类偏好)Gemini 4 CarbonArena 投票 73 比 66中
成本最低均可每百万 token 混合价格 $4.00 比 $4.50;智能体编程会话 $0.160 比 $0.168–
首次回答最快GPT-5.6 Terra首个回答 token 19.2 秒(GPT-5.6 Terra (xhigh))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 60.1。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、人类偏好、知识、长上下文、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $4.00)。
  • GPT-5.6 Terra (xhigh) 的输出速度是对方的 1.5 倍(97 比 64 token/秒)。

概览

规格Gemini 4 CarbonGPT-5.6 Terra
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 Terra (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$2.00 / $12.00 / $0.200

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 Terra (xhigh)领先者
推理73.254.8Gemini 4 Carbon
编程74.159.1Gemini 4 Carbon
智能体与工具70.363.1Gemini 4 Carbon
数学71.965.7Gemini 4 Carbon
知识76.153.0Gemini 4 Carbon
指令遵循–65.6无法比较
人类偏好72.665.5Gemini 4 Carbon
多模态–61.2无法比较
长上下文64.364.1持平
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人类偏好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: 64.3Gemini 4 Carbon, 人类偏好: 72.6GPT-5.6 Terra, 推理: 54.8GPT-5.6 Terra, 编程: 59.1GPT-5.6 Terra, 智能体与工具: 63.1GPT-5.6 Terra, 数学: 65.7GPT-5.6 Terra, 知识: 53.0GPT-5.6 Terra, 长上下文: 64.1GPT-5.6 Terra, 人类偏好: 65.5

未绘制(测得的模型少于两个):指令遵循, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 27 项基准测试中,Gemini 4 Carbon 领先 26 项,GPT-5.6 Terra 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-5.6 Terra (xhigh)领先者
BenchLeader Index68.960.1Gemini 4 Carbon
AA Intelligence Index v5.0.160.032.3†Gemini 4 Carbon
Arena Text15261468Gemini 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 Terra (xhigh)
每百万 token 混合价格$4.00$4.50
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $12.00
每百万 token 缓存输入$0.100$0.200
每项任务价格:聊天回复$0.0038$0.0044
每项任务价格:总结一份 30 页的报告$0.030$0.031
每项任务价格:代码编辑$0.027$0.030
每项任务价格:智能体编程会话$0.160$0.168
每项任务价格:结构化信息提取$0.0060$0.0064
智能体编程会话(输入大多命中缓存)$0.074$0.087
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/s97 tok/s
首次回答时间73.5 秒19.2 秒
完整回答耗时(最近一次测量 2026年11月13日)160.6 秒84.0 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 Terra (xhigh) 得分 60.1,首个回答 token 需 19 秒;GPT-5.6 Terra (max) 为 59.5(73 秒),GPT-5.6 Terra (high) 为 56.8(6 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 163 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 Terra (xhigh)
BenchLeader IndexBenchLeader68.960.1
智能体与工具得分BenchLeader70.363.1
编程得分BenchLeader74.159.1
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.665.5
知识得分BenchLeader76.153.0
长上下文得分BenchLeader64.364.1
数学得分BenchLeader71.965.7
推理得分BenchLeader73.254.8
指令遵循得分BenchLeader–65.6
多模态得分BenchLeader–61.2
混合价格(美元/百万 token)BenchLeader$4.00$4.50
输出速度BenchLeader64 tok/s97 tok/s
首次回答时间BenchLeader73.5 秒19.2 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%93.3%†
SimpleBenchSimpleBench92.6%†48.9%
Arena Hard PromptsArena (LMArena)15471491
LiveBench 2.0 ReasoningLiveBench90.6%90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
GPQA Diamond (AA)Artificial Analysis–90.8%
Humanity's Last Exam (AA)Artificial Analysis–41.9%
HLE-Diamond (AA)Artificial Analysis69.1%24.7%
GPQA Diamond (Vals)Vals AI–90.9%
Kagi LLM BenchmarkKagi LLM Benchmark–51.3%†
ARC-AGI-1ARC Prize97.5%94.0%
ARC-AGI-2ARC Prize92.1%74.2%
ARC-AGI-3ARC Prize96.9%0.7%
CritPtArtificial Analysis–27.1%
CritPt v2 hard subset (AA)Artificial Analysis69.0%50.5%†
Arena ExpertArena (LMArena)15671507
Chess PuzzlesEpoch AI Benchmarking Hub78.0%47.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%35.0%†
LMCAEpoch AI Benchmarking Hub–52.2%
DTBenchEpoch AI Benchmarking Hub–92.5%
编程
SciCodeSciCode64.2%52.3%
WeirdMLWeirdML–78.3%†
FrontierCodeCognition–41.3%†
Arena CodingArena (LMArena)15681517
Arena WebDevArena (LMArena)17681520
显示全部 163 项基准测试
指标发布方Gemini 4 Carbon (high)GPT-5.6 Terra (xhigh)
编程
LiveBench 2.0 CodingLiveBench91.0%84.2%†
LiveBench 1.0 CodingLiveBench–78.3%†
SciCode (AA)Artificial Analysis–52.3%
LiveCodeBenchVals AI–85.9%
IOIVals AI–87.6%†
SWE-bench (Vals)Vals AI–95.4%†
Code MigrationVals AI–47.8%†
ProgramBenchVals AI–0.5%†
Vibe Code Bench 1-100Vals AI–14.8%†
Vibe Code Bench v1.1Vals AI89.1%74.6%†
Vibe Code Bench 1-100 v1.1Vals AI49.7%–
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–92.4%
SWE-Bench Pro V2 HARDScale AI SEAL–86.3%
MirrorCodeEpoch AI Benchmarking Hub–41.1%†
Surface Evolver BenchEpoch AI Benchmarking Hub–83.8%
DeepSWE v1.1Epoch AI Benchmarking Hub–60.2%
CursorBenchCursor60.4%33.6%
ALE-BenchEpoch AI Benchmarking Hub–1951.4†
FrontierSWEEpoch AI Benchmarking Hub61.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%10.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–80.2%
Startrise FrontendStartrise–66.9%†
GameBench 2 OverallDuelLab GameBench 2–45.6†
GameBench 2 by reasoning settingDuelLab GameBench 2–53.5
Design Arena WebsiteDesign Arena1319†1260†
FrontierCode 2.0 (AA)Artificial Analysis40.6%23.9%†
智能体与工具
Terminal-BenchTerminal-Bench64.5%21.5%†
APEX-AgentsMercor84.2%†58.2%†
Arena AgentArena (LMArena)17-1.8
LiveBench Long AgenticLiveBench72.7%25.9%†
LiveBench BrowserLiveBench80.0%70.3%†
LiveBench Agentic CodingLiveBench–55.0%†
Terminal-Bench HardArtificial Analysis–62.9%
τ²-Bench Telecom (AA)Artificial Analysis–80.4%
Terminal-Bench 2.1 (Vals)Vals AI–77.5%†
HiL-BenchScale AI SEAL50.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–47.4%
GDPval-AA v2.1Artificial Analysis17331456
τ³-Banking (AA)Artificial Analysis–29.7%
ITBench SRE (AA)Artificial Analysis–51.0%†
APEX-Agents (AA)Artificial Analysis–38.9%†
CyberBenchVals AI–72.1%†
Finance Agent v2Vals AI–54.4%†
Finance Agent v2.1Vals AI67.2%–
Harvey's Legal Agent Benchmark v1.1Vals AI17.5%–
Harvey's Legal Agent Benchmark v1Vals AI–0.8%†
Legal Research BenchVals AI55.8%41.4%†
SkillsBenchVals AI–58.9%†
SREBenchVals AI–9.5%†
Tax Agent BenchVals AI51.8%30.0%†
Terminal-Bench 4.0 (Vals)Vals AI63.1%22.7%†
Terminal-Bench ScienceVals AI–10.0%†
Arena Agent Task CompletionArena (LMArena)18.4-7.2
BALROGBALROG–53.2%†
Vending-Bench 2Andon Labs16484.2†7343.2†
AutomationBenchArtificial Analysis77.8%47.1%
GDP.pdf (AA)Artificial Analysis28.4%24.6%
EnterpriseOps-GymArtificial Analysis–38.5%†
AA-Briefcase v1.1Artificial Analysis16111332
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†1089†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis64.8%13.8%†
DeepSec-Bench (AA)Artificial Analysis–25.1%†
MKA (AA)Artificial Analysis54.3%–
FACTS SearchGoogle94.4%†87.0%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.5%86.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%99.7%†
ProofBenchVals AI–74.0%
LiveBench MathematicsLiveBench–94.9%†
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Arena MathsArena (LMArena)–1478
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%43.2%†
LiveBench 2.0 Data AnalysisLiveBench86.5%79.3%†
LiveBench ResearchLiveBench92.5%79.7%†
LiveBench 1.0 Data AnalysisLiveBench–79.3%†
AA-Omniscience v1.1Artificial Analysis53.5-11.5
MMLU-ProVals AI–86.7%
LegalBenchVals AI–85.1%†
CorpFinVals AI–65.3%
TaxEvalVals AI–76.2%
PRBench LegalScale AI SEAL53.4%†–
Excel Modeling BenchmarkVals AI–66.2%†
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedCodeVals AI–43.4%
MedScribeVals AI–82.9%
Public Benefits Bench v1.1Vals AI–62.4%†
Financial Coaching BenchVals AI–71.0%†
DrugDiscoveryBenchScale AI SEAL71.5%–
EBR-benchEpoch AI Benchmarking Hub87.6%–
GDP.pdfEpoch AI Benchmarking Hub–24.7%†
AA-Omniscience v1.1: accuracyArtificial Analysis58.3%41.3%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis88.6%9.9%
FACTS ParametricGoogle81.6%†57.6%†
指令遵循
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–64.6%†
IFBenchArtificial Analysis–66.3%
Arena Instruction FollowingArena (LMArena)15251463
人类偏好
Arena TextArena (LMArena)15261468
EQ-Bench 4EQ-Bench–1220†
EQ-Bench Creative Writing v3EQ-Bench–1856†
Arena Creative WritingArena (LMArena)15161430
Arena Multi-turnArena (LMArena)15641475
Arena Longer QueriesArena (LMArena)15381469
多模态
Arena VisionArena (LMArena)–1269
LiveBench DesignLiveBench80.2%70.9%†
MMMU-ProArtificial Analysis89.3%†79.5%
MMMU-Pro (Vals)Vals AI–86.5%†
MortgageTaxVals AI–67.3%
SAGEVals AI–87.0%†
Humanity's Sixth SenseScale AI SEAL71.1%22.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†30.8%†
Furniture AssemblyEpoch AI Benchmarking Hub77.5%54.2%†
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†39.9%†
长上下文
AA-LCR v1.1Artificial Analysis79.3%79.0%
Arena DocumentArena (LMArena)–1474
MLCRArtificial Analysis19.4%22.8%
FACTS GroundingGoogle77.2%†60.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†160.7†
LiveBench 2.0LiveBench83.5%67.2%†
LiveBench 1.0LiveBench–77.9%†
AA Intelligence Index v5.0.1Artificial Analysis60.032.3†
AA Intelligence Index v4.3.2Artificial Analysis–38.0
AA Progress Index v1Artificial Analysis350.8312
Vals IndexVals AI70.5–
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%–
Vals Multimodal IndexVals AI–65.1%
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†–
DistressBenchScale AI SEAL–76.4%†

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 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • 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…)。
  • Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。
  • Gemini 4 Carbon (high):BenchLeader Index 69.3 → 68.5。
  • Gemini 4 Carbon (high):BenchLeader Index 68.8 → 69.3。

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 Terra:常见问题

Gemini 4 Carbon 比 GPT-5.6 Terra 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 60.1。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-5.6 Terra 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 $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 4 Carbon 还是 GPT-5.6 Terra 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 4 Carbon 为 1768,GPT-5.6 Terra 为 1520。
Gemini 4 Carbon 和 GPT-5.6 Terra 哪个更快?
GPT-5.6 Terra 输出更快(输出 97 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 Terra 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)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Gemini 4 Carbon 为 17,GPT-5.6 Terra 为 -1.8。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(64 比 64)。两者都约为 1.1M token(Gemini 4 Carbon 为 1,048,576,GPT-5.6 Terra 为 1,050,000)。
哪个延迟更低?
GPT-5.6 Terra 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 19.2 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 Terra 的看法一致吗?
在两者都有结果的 27 项基准测试中,Gemini 4 Carbon 领先 26 项,GPT-5.6 Terra 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。