BenchLeader

Gemini 4 Carbon vs Grok 4

完整资料:Gemini 4 Carbon(Google)和 Grok 4(SpaceXAI),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,质量上 Gemini 4 Carbon 领先 Grok 4(BenchLeader Index 68.9 比 58.1)。Gemini 4 Carbon 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。看重知识(76 比 56)、编程(74 比 56)和人类偏好(73 比 59)选 Gemini 4 Carbon;看重长上下文(68 比 64)选 Grok 4。Grok 4 的首次回答更快(17.5 秒 比 73.5 秒)。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 的 BenchLeader Index 为 68.9,Grok 4 为 58.1(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)。
  • Grok 4 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • 在两者都有结果的 12 项基准测试中,Gemini 4 Carbon 领先 12 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 56;Arena Coding 1568 比 1435高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 59;Terminal-Bench 64.5% 比 27.2%高
数学Gemini 4 Carbon类别得分 72 比 58;OTIS Mock AIME 100.0% 比 84.0%高
推理Gemini 4 Carbon类别得分 73 比 60;GPQA Diamond 96.5% 比 87.0%高
知识Gemini 4 Carbon类别得分 76 比 56高
长文档Grok 4类别得分 68 比 64;AA-LCR v1.1 68.0% 比 79.3%中
对话质量(人类偏好)Gemini 4 CarbonArena 投票 73 比 59高
成本最低Gemini 4 Carbon每百万 token 混合价格 $4.00 比 $6.00;智能体编程会话 $0.160 比 $0.240–
首次回答最快Grok 4首个回答 token 17.5 秒(Grok 4)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 58.1。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、人类偏好、知识、数学、推理方面更强。
  • Grok 4 在长上下文方面更强。
  • Gemini 4 Carbon (high) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。

概览

规格Gemini 4 CarbonGrok 4
提供商GoogleSpaceXAI
发布日期2026年10月28日2025年7月9日
上下文窗口(token)1,048,576256,000
对比时的配置Gemini 4 Carbon (high)Grok 4
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$3.00 / $15.00 / –

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)Grok 4领先者
推理73.260.0Gemini 4 Carbon
编程74.155.9Gemini 4 Carbon
智能体与工具70.358.6Gemini 4 Carbon
数学71.958.3Gemini 4 Carbon
知识76.156.0Gemini 4 Carbon
指令遵循–62.5无法比较
人类偏好72.658.5Gemini 4 Carbon
多模态–52.0无法比较
长上下文64.368.3Grok 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: 72.6Grok 4, 推理: 60.0Grok 4, 编程: 55.9Grok 4, 智能体与工具: 58.6Grok 4, 数学: 58.3Grok 4, 知识: 56.0Grok 4, 长上下文: 68.3Grok 4, 人类偏好: 58.5

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 12 项基准测试中,Gemini 4 Carbon 领先 12 项,Grok 4 领先 0 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)Grok 4领先者
BenchLeader Index68.958.1Gemini 4 Carbon
Arena Text15261411Gemini 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)Grok 4
每百万 token 混合价格$4.00$6.00
每百万 token 输入 / 输出$2.00 / $10.00$3.00 / $15.00
每百万 token 缓存输入$0.100–
每项任务价格:聊天回复$0.0038$0.0057
每项任务价格:总结一份 30 页的报告$0.030$0.045
每项任务价格:代码编辑$0.027$0.041
每项任务价格:智能体编程会话$0.160$0.240
每项任务价格:结构化信息提取$0.0060$0.0090
智能体编程会话(输入大多命中缓存)$0.074–
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/s69 tok/s
首次回答时间73.5 秒17.5 秒
完整回答耗时(最近一次测量 2026年11月13日)160.6 秒42.8 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)。Grok 4 得分 58.1,首个回答 token 需 18 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 142 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)Grok 4
BenchLeader IndexBenchLeader68.958.1
智能体与工具得分BenchLeader70.358.6
编程得分BenchLeader74.155.9
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.658.5
知识得分BenchLeader76.156.0
长上下文得分BenchLeader64.368.3
数学得分BenchLeader71.958.3
推理得分BenchLeader73.260.0
指令遵循得分BenchLeader–62.5
多模态得分BenchLeader–52.0
混合价格(美元/百万 token)BenchLeader$4.00$6.00
输出速度BenchLeader64 tok/s69 tok/s
首次回答时间BenchLeader73.5 秒17.5 秒
上下文窗口BenchLeader1,048,576 token256,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%87.0%
SimpleBenchSimpleBench92.6%†60.5%
Arena Hard PromptsArena (LMArena)15471421
LiveBench 2.0 ReasoningLiveBench90.6%–
GPQA Diamond (AA)Artificial Analysis–87.7%
Humanity's Last Exam (AA)Artificial Analysis–26.7%
HLE-Diamond (AA)Artificial Analysis69.1%–
GPQA Diamond (Vals)Vals AI–88.1%
Kagi LLM BenchmarkKagi LLM Benchmark–73.6%
GPQA Diamond (HELM)HELM Capabilities–72.6%
ARC-AGI-1ARC Prize97.5%66.7%†
ARC-AGI-2ARC Prize92.1%16.0%†
ARC-AGI-3ARC Prize96.9%–
CritPtArtificial Analysis–2.0%
CritPt v2 hard subset (AA)Artificial Analysis69.0%–
Arena ExpertArena (LMArena)15671429
Chess PuzzlesEpoch AI Benchmarking Hub78.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%–
ForecastBenchForecastBench–64.7%
编程
SciCodeSciCode64.2%–
WeirdMLWeirdML–45.7%
Arena CodingArena (LMArena)15681435
Arena WebDevArena (LMArena)1768–
LiveBench 2.0 CodingLiveBench91.0%–
LiveCodeBenchVals AI–83.3%
显示全部 142 项基准测试
指标发布方Gemini 4 Carbon (high)Grok 4
编程
SWE-bench (Vals)Vals AI–57.8%
Aider PolyglotAider polyglot leaderboard–79.6%†
Vibe Code Bench v1.1Vals AI89.1%–
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%†–
CursorBenchCursor60.4%–
FrontierSWEEpoch AI Benchmarking Hub61.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%–
Design Arena WebsiteDesign Arena1319†1006
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
LiveCodeBench (AA)Artificial Analysis–81.9%
智能体与工具
Terminal-BenchTerminal-Bench64.5%27.2%
GDPvalOpenAI–21.1%†
CybenchCybench–43.0%
APEX-AgentsMercor84.2%†–
Arena AgentArena (LMArena)17–
LiveBench Long AgenticLiveBench72.7%–
LiveBench BrowserLiveBench80.0%–
Terminal-Bench HardArtificial Analysis–37.9%
τ²-Bench Telecom (AA)Artificial Analysis–74.8%
HiL-BenchScale AI SEAL50.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1Artificial Analysis1733–
Finance Agent v2.1Vals AI67.2%–
Harvey's Legal Agent Benchmark v1.1Vals AI17.5%–
Legal Research BenchVals AI55.8%–
Tax Agent BenchVals AI51.8%–
Terminal-Bench 2.0 (Vals)Vals AI–28.1%
Terminal-Bench 4.0 (Vals)Vals AI63.1%–
Arena SearchArena (LMArena)–1123
Arena Agent Task CompletionArena (LMArena)18.4–
BALROGBALROG–43.6%
DeepResearch BenchDeepResearch Bench–47.3%
METR Time HorizonsMETR–66.6%
Vending-Bench 2Andon Labs16484.2†–
AutomationBenchArtificial Analysis77.8%–
GDP.pdf (AA)Artificial Analysis28.4%–
AA-Briefcase v1.1Artificial Analysis1611–
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis64.8%–
MKA (AA)Artificial Analysis54.3%–
FACTS SearchGoogle94.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.5%–
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%84.0%
AIME (Vals)Vals AI–90.6%
MGSMVals AI–90.9%
IMO 2025MathArena–21.4%
MathArena ApexMathArena–2.1%
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Omni-MATH (HELM)HELM Capabilities–60.3%
MATH 500Vals AI–96.2%
Arena MathsArena (LMArena)–1425
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
AIME 2025 (AA)Artificial Analysis–92.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%–
LiveBench 2.0 Data AnalysisLiveBench86.5%–
LiveBench ResearchLiveBench92.5%–
AA-Omniscience v1.1Artificial Analysis53.5–
MMLU-ProVals AI–85.3%
LegalBenchVals AI–83.2%
CorpFinVals AI–66.0%
TaxEvalVals AI–65.1%
MedQAVals AI–92.5%
PRBench LegalScale AI SEAL53.4%†–
MMLU-Pro (HELM)HELM Capabilities–85.1%
CaseLaw v2Vals AI–65.8%
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedCodeVals AI–38.1%
MedScribeVals AI–78.2%
DrugDiscoveryBenchScale AI SEAL71.5%–
EBR-benchEpoch AI Benchmarking Hub87.6%–
AA-Omniscience v1.1: accuracyArtificial Analysis58.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis88.6%–
Global-MMLU-Lite (AA)Artificial Analysis–89.5%
FACTS ParametricGoogle81.6%†–
指令遵循
IFBenchArtificial Analysis–53.7%
IFEval (HELM)HELM Capabilities–94.9%
WildBench (HELM)HELM Capabilities–79.7%
Arena Instruction FollowingArena (LMArena)15251396
人类偏好
Arena TextArena (LMArena)15261411
Arena Creative WritingArena (LMArena)15161394
Arena Multi-turnArena (LMArena)15641413
Arena Longer QueriesArena (LMArena)15381416
Lech Mazur Creative WritingLech Mazur–76.9%
多模态
Arena VisionArena (LMArena)–1210
LiveBench DesignLiveBench80.2%–
MMMU-ProArtificial Analysis89.3%†68.8%
MMMU-Pro (Vals)Vals AI–76.3%
MortgageTaxVals AI–44.5%
Humanity's Sixth SenseScale AI SEAL71.1%–
GeoBenchGeoBench–45.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub77.5%–
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis79.3%68.0%
MLCRArtificial Analysis19.4%–
FACTS GroundingGoogle77.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†146.9
LiveBench 2.0LiveBench83.5%–
AA Intelligence Index v5.0.1Artificial Analysis60.0–
AA Intelligence Index v4.3.2Artificial Analysis–22.5
AA Progress Index v1Artificial Analysis350.8262.3
Vals IndexVals AI70.5–
HELM Capabilities meanHELM Capabilities–78.5%
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%–
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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。

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)。
  • Grok 4:1 项新结果(AIME 2025 (AA))。
  • 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 Grok 4:常见问题

Gemini 4 Carbon 比 Grok 4 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 58.1。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 Grok 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 $6.00(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 Grok 4 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,Gemini 4 Carbon 为 1568,Grok 4 为 1435。
Gemini 4 Carbon 和 Grok 4 哪个更快?
Grok 4 输出更快(输出 69 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 Grok 4 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 59,50 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%,Grok 4 为 27.2%。
更多问题(4)
处理长文档哪个更好?
Grok 4 在长上下文基准测试上得分更高(68 比 64)。Gemini 4 Carbon 支持更长的上下文:1,048,576 token,Grok 4 为 256,000 token。
哪个延迟更低?
Grok 4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 17.5 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 Grok 4 的看法一致吗?
在两者都有结果的 12 项基准测试中,Gemini 4 Carbon 领先 12 项,Grok 4 领先 0 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。