BenchLeader

Gemini 4 Carbon vs Grok 4.20

完整资料:Gemini 4 Carbon(Google)和 Grok 4.20(SpaceXAI),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 Grok 4.20(BenchLeader Index 68.9 比 58.3)。不过,Grok 4.20 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.56 比 $4.00)。在两者都有成绩的所有类别中,Gemini 4 Carbon 均领先。Grok 4.20 输出更快。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 的 BenchLeader Index 为 68.9,Grok 4.20 为 58.3(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)。
  • Grok 4.20 每百万 token 混合价格为 $1.56(标价,2026年11月16日)。
  • Grok 4.20 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 22 项基准测试中,Gemini 4 Carbon 领先 22 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 4 Carbon 的评分为 1768,Grok 4.20 为 1376(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 53;Arena WebDev 1768 比 1376高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 51;Legal Research Bench 55.8% 比 13.9%高
数学Gemini 4 Carbon类别得分 72 比 54;FrontierMath Tiers 1–3 90.5% 比 44.9%高
推理Gemini 4 Carbon类别得分 73 比 61;GPQA Diamond 96.5% 比 89.3%高
知识Gemini 4 Carbon类别得分 76 比 53;SimpleQA Verified 77.7% 比 30.2%高
长文档Gemini 4 Carbon类别得分 64 比 59;AA-LCR v1.1 79.3% 比 69.0%中
对话质量(人类偏好)Gemini 4 CarbonArena 投票 73 比 66中
成本最低Grok 4.20每百万 token 混合价格 $1.56 比 $4.00;智能体编程会话 $0.085 比 $0.160–
首次回答最快Grok 4.20首个回答 token 12.1 秒(Grok 4.20 (thinking))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 58.3。
  • 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。
  • Grok 4.20 (thinking) 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.56 比 $4.00)。
  • Grok 4.20 (thinking) 的输出速度是对方的 1.7 倍(111 比 64 token/秒)。

概览

规格Gemini 4 CarbonGrok 4.20
提供商GoogleSpaceXAI
发布日期2026年10月28日2026年2月17日
上下文窗口(token)1,048,5762,000,000
对比时的配置Gemini 4 Carbon (high)Grok 4.20 (thinking)
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$1.25 / $2.50 / $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)Grok 4.20 (thinking)领先者
推理73.260.5Gemini 4 Carbon
编程74.153.3Gemini 4 Carbon
智能体与工具70.350.5Gemini 4 Carbon
数学71.953.7Gemini 4 Carbon
知识76.153.0Gemini 4 Carbon
指令遵循–78.7无法比较
人类偏好72.666.0Gemini 4 Carbon
多模态–58.3无法比较
长上下文64.358.9Gemini 4 Carbon
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 4.20, 推理: 60.5Grok 4.20, 编程: 53.3Grok 4.20, 智能体与工具: 50.5Grok 4.20, 数学: 53.7Grok 4.20, 知识: 53.0Grok 4.20, 长上下文: 58.9Grok 4.20, 人类偏好: 66.0

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 22 项基准测试中,Gemini 4 Carbon 领先 22 项,Grok 4.20 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 4.20 (thinking)领先者
BenchLeader Index68.958.3Gemini 4 Carbon
Arena Text15261472Gemini 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 4.20 (thinking)
每百万 token 混合价格$4.00$1.56
每百万 token 输入 / 输出$2.00 / $10.00$1.25 / $2.50
每百万 token 缓存输入$0.100$0.200
每项任务价格:聊天回复$0.0038$0.0013
每项任务价格:总结一份 30 页的报告$0.030$0.017
每项任务价格:代码编辑$0.027$0.011
每项任务价格:智能体编程会话$0.160$0.085
每项任务价格:结构化信息提取$0.0060$0.0030
智能体编程会话(输入大多命中缓存)$0.074$0.038
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/s111 tok/s
首次回答时间73.5 秒12.1 秒
完整回答耗时(最近一次测量 2026年11月13日)160.6 秒43.8 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 4.20 (thinking) 得分 58.3,首个回答 token 需 12 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 133 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 4.20 (thinking)
BenchLeader IndexBenchLeader68.958.3
智能体与工具得分BenchLeader70.350.5
编程得分BenchLeader74.153.3
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.666.0
知识得分BenchLeader76.153.0
长上下文得分BenchLeader64.358.9
数学得分BenchLeader71.953.7
推理得分BenchLeader73.260.5
指令遵循得分BenchLeader–78.7
多模态得分BenchLeader–58.3
混合价格(美元/百万 token)BenchLeader$4.00$1.56
输出速度BenchLeader64 tok/s111 tok/s
首次回答时间BenchLeader73.5 秒12.1 秒
上下文窗口BenchLeader1,048,576 token2,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%89.3%
SimpleBenchSimpleBench92.6%†–
Arena Hard PromptsArena (LMArena)15471489
LiveBench 2.0 ReasoningLiveBench90.6%–
GPQA Diamond (AA)Artificial Analysis–91.1%
Humanity's Last Exam (AA)Artificial Analysis–34.5%
HLE-Diamond (AA)Artificial Analysis69.1%–
GPQA Diamond (Vals)Vals AI–88.6%
Kagi LLM BenchmarkKagi LLM Benchmark–75.0%
ARC-AGI-1ARC Prize97.5%89.5%
ARC-AGI-2ARC Prize92.1%65.1%
ARC-AGI-3ARC Prize96.9%0.1%
CritPtArtificial Analysis–6.6%
CritPt v2 hard subset (AA)Artificial Analysis69.0%–
Arena ExpertArena (LMArena)15671477
Chess PuzzlesEpoch AI Benchmarking Hub78.0%29.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%–
CL-benchEpoch AI Benchmarking Hub–22.2%†
CL-bench LifeEpoch AI Benchmarking Hub–11.9%†
LMCAEpoch AI Benchmarking Hub–38.7%†
DTBenchEpoch AI Benchmarking Hub–90.1%†
ForecastBenchForecastBench–64.1%
编程
SciCodeSciCode64.2%–
WeirdMLWeirdML–52.3%†
Arena CodingArena (LMArena)15681511
显示全部 133 项基准测试
指标发布方Gemini 4 Carbon (high)Grok 4.20 (thinking)
编程
Arena WebDevArena (LMArena)17681376
LiveBench 2.0 CodingLiveBench91.0%–
LiveCodeBenchVals AI–84.3%
SWE-bench (Vals)Vals AI–72.2%
Code MigrationVals AI–0.3%
Vibe Code Bench v1.1Vals AI89.1%4.1%
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%–
ALE-BenchEpoch AI Benchmarking Hub–1150.3†
FrontierSWEEpoch AI Benchmarking Hub61.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%–
Design Arena WebsiteDesign Arena1319†1221
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench64.5%57.3%†
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–93.0%
Terminal-Bench 2.1 (Vals)Vals AI–44.2%
HiL-BenchScale AI SEAL50.3%†20.0%†
GDPval-AA v2.1Artificial Analysis1733–
APEX-Agents (AA)Artificial Analysis–14.2%
Finance Agent v2Vals AI–28.5%
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%13.9%
Tax Agent BenchVals AI51.8%7.0%
Terminal-Bench 2.0 (Vals)Vals AI–40.5%
Terminal-Bench 4.0 (Vals)Vals AI63.1%–
Arena Agent Task CompletionArena (LMArena)18.4–
Vending-Bench 2Andon Labs16484.2†4662.9†
AutomationBenchArtificial Analysis77.8%–
GDP.pdf (AA)Artificial Analysis28.4%–
AA-Briefcase v1.1Artificial Analysis1611–
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†1093
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%44.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%92.2%
ProofBenchVals AI–14.0%
AIME (Vals)Vals AI–96.5%
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Arena MathsArena (LMArena)–1464
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%30.2%
LiveBench 2.0 Data AnalysisLiveBench86.5%–
LiveBench ResearchLiveBench92.5%–
AA-Omniscience v1.1Artificial Analysis53.5–
MMLU-ProVals AI–86.3%
LegalBenchVals AI–77.7%
CorpFinVals AI–63.7%
TaxEvalVals AI–74.1%
MedQAVals AI–94.5%
PRBench LegalScale AI SEAL53.4%†–
CaseLaw v2Vals AI–54.5%
Excel Modeling BenchmarkVals AI–11.7%
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedCodeVals AI–32.2%
MedScribeVals AI–63.4%
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–81.2%
Arena Instruction FollowingArena (LMArena)15251448
人类偏好
Arena TextArena (LMArena)15261472
EQ-Bench Creative Writing v3EQ-Bench–1574†
Arena Creative WritingArena (LMArena)15161445
Arena Multi-turnArena (LMArena)15641479
Arena Longer QueriesArena (LMArena)15381466
多模态
Arena VisionArena (LMArena)–1263
LiveBench DesignLiveBench80.2%–
MMMU-ProArtificial Analysis89.3%†74.6%
MMMU-Pro (Vals)Vals AI–83.5%
MortgageTaxVals AI–45.4%
Humanity's Sixth SenseScale AI SEAL71.1%–
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†0.0%†
Furniture AssemblyEpoch AI Benchmarking Hub77.5%–
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†–
长上下文
AA-LCR v1.1Artificial Analysis79.3%69.0%
Arena DocumentArena (LMArena)–1440
MLCRArtificial Analysis19.4%–
FACTS GroundingGoogle77.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†152.3†
LiveBench 2.0LiveBench83.5%–
AA Intelligence Index v5.0.1Artificial Analysis60.0–
AA Intelligence Index v4.3.2Artificial Analysis–25.7
AA Progress Index v1Artificial Analysis350.8281.9
Vals IndexVals AI70.5–
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%–
Vals Multimodal IndexVals AI–39.1%
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†–

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。

变化

  • Gemini 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Grok 4.20 (thinking):1 项分数修订。
  • Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
  • Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
  • 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 4.20:常见问题

Gemini 4 Carbon 比 Grok 4.20 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 58.3。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 Grok 4.20 哪个更便宜?价格会变吗?
目前 Grok 4.20 更便宜:每百万 token $1.56 比 $4.00(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 4.20 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 53,50 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,Grok 4.20 为 1376。
Gemini 4 Carbon 和 Grok 4.20 哪个更快?
Grok 4.20 输出更快(输出 111 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 4.20 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 51,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Gemini 4 Carbon 在长上下文基准测试上得分更高(64 比 59)。Grok 4.20 支持更长的上下文:2,000,000 token,Gemini 4 Carbon 为 1,048,576 token。
哪个延迟更低?
Grok 4.20 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 12.1 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 4.20 的看法一致吗?
在两者都有结果的 22 项基准测试中,Gemini 4 Carbon 领先 22 项,Grok 4.20 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。