Gemini 4 Neon vs GPT-6.2 Astra
完整资料:Gemini 4 Neon(Google)和 GPT-6.2 Astra(OpenAI),包括全部基准测试、价格和排名。
更新于 · 数据来自 10 个来源
截至 2026年11月19日,Gemini 4 Neon 与 GPT-6.2 Astra 的质量不相上下(BenchLeader Index 67.3 比 68.9,在 ±3.6 的误差范围内)。Gemini 4 Neon 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $6.00 比 $16.00)。看重智能体与工具(76 比 66)选 Gemini 4 Neon;看重编程(76 比 73)、知识(74 比 72)和推理(73 比 72)选 GPT-6.2 Astra。Gemini 4 Neon 的首次回答更快(40.6 秒 比 202.7 秒)。Gemini 4 Neon 的输出更快(约 2 倍)。
要点(截至 2026年11月19日)
- Gemini 4 Neon 的 BenchLeader Index 为 67.3,GPT-6.2 Astra 为 68.9(BenchLeader,2026年11月19日)。
- Gemini 4 Neon 每百万 token 混合价格为 $6.00(标价,2026年11月19日)。
- GPT-6.2 Astra 每百万 token 混合价格为 $16.00(标价,2026年11月19日)。
- Gemini 4 Neon 比 GPT-6.2 Astra 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月19日)。
- 在两者都有结果的 16 项基准测试中,GPT-6.2 Astra 领先 9 项(BenchLeader,2026年11月19日)。
- 在 Arena WebDev 上,Gemini 4 Neon 的评分为 1764,GPT-6.2 Astra 为 1781(LMArena,截至 2026年11月19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 | GPT-6.2 Astra | 类别得分 76 比 73;Arena WebDev 1781 比 1764 | 中 |
| 智能体与工具调用 | Gemini 4 Neon | 类别得分 76 比 66;Arena Agent 18.4 比 15.2 | 高 |
| 推理 | GPT-6.2 Astra | 类别得分 73 比 72;HLE-Diamond (AA) 72.2% 比 68.4% | 中 |
| 知识 | GPT-6.2 Astra | 类别得分 74 比 72;AA-Omniscience v1.1 50 比 53.8 | 中 |
| 对话质量(人类偏好) | – | 只有 Gemini 4 Neon 有 Arena 评分(类别得分 72) | 无法比较 |
| 成本最低 | Gemini 4 Neon | 每百万 token 混合价格 $6.00 比 $16.00;智能体编程会话 $0.240 比 $0.640 | – |
| 首次回答最快 | Gemini 4 Neon | 首个回答 token 40.6 秒(Gemini 4 Neon (high))比 202.7 秒(GPT-6.2 Astra (max)) | – |
| 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
- Gemini 4 Neon (high) 与 GPT-6.2 Astra (max) 的质量不相上下(67.3 比 68.9,在 ±3.6 的误差范围内)。
- Gemini 4 Neon (high) 在智能体与工具方面更强。
- GPT-6.2 Astra (max) 在编程、知识、推理方面更强。
- Gemini 4 Neon (high) 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $6.00 比 $16.00)。
- Gemini 4 Neon (high) 的输出速度是对方的 2.1 倍(101 比 49 token/秒)。
概览
| 规格 | Gemini 4 Neon | GPT-6.2 Astra |
|---|---|---|
| 提供商 | OpenAI | |
| 发布日期 | 2026年11月18日 | 2026年11月17日 |
| 上下文窗口(token) | 1,048,576 | 1,050,000 |
| 对比时的配置 | Gemini 4 Neon (high) | GPT-6.2 Astra (max) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $3.00 / $15.00 / $0.150 | $8.00 / $40.00 / $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 Neon (high) | GPT-6.2 Astra (max) | 领先者 |
|---|---|---|---|
| 推理 | 71.9 | 73.1 | GPT-6.2 Astra |
| 编程 | 73.4 | 76.1 | GPT-6.2 Astra |
| 智能体与工具 | 76.2 | 66.4 | Gemini 4 Neon |
| 数学 | – | 72.5 | 无法比较 |
| 知识 | 72.3 | 74.2 | GPT-6.2 Astra |
| 人类偏好 | 71.7 | – | 无法比较 |
| 多模态 | – | 71.7 | 无法比较 |
| 综合 | – | 69.5 | 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。
未绘制(测得的模型少于两个):数学, 指令遵循, 长上下文, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 16 项基准测试中,Gemini 4 Neon 领先 7 项,GPT-6.2 Astra 领先 9 项。所有同时评测两者的综合评分都认为 GPT-6.2 Astra 更强。
| 综合 Index | Gemini 4 Neon (high) | GPT-6.2 Astra (max) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 67.3 | 68.9 | 不相上下 |
| AA Intelligence Index v5.0.1 | 59.6 | 62.1 | GPT-6.2 Astra |
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 Neon (high) | GPT-6.2 Astra (max) |
|---|---|---|
| 每百万 token 混合价格 | $6.00 | $16.00 |
| 每百万 token 输入 / 输出 | $3.00 / $15.00 | $8.00 / $40.00 |
| 每百万 token 缓存输入 | $0.150 | $0.400 |
| 每项任务价格:聊天回复 | $0.0057 | $0.015 |
| 每项任务价格:总结一份 30 页的报告 | $0.045 | $0.120 |
| 每项任务价格:代码编辑 | $0.041 | $0.108 |
| 每项任务价格:智能体编程会话 | $0.240 | $0.640 |
| 每项任务价格:结构化信息提取 | $0.0090 | $0.024 |
| 智能体编程会话(输入大多命中缓存) | $0.112 | $0.298 |
| 每项基准测试任务成本(AA Index) | $3.74 | $4.00 |
| 每项任务输出 token(AA Index) | 90k | 41k |
| 其中推理部分 | 46k | 26k |
| 每项任务耗时(AA Index) | 15 min | 14 min |
| 输出速度 | 101 tok/s | 49 tok/s |
| 首次回答时间 | 40.6 秒 | 202.7 秒 |
按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Gemini 4 Neon (high) 上花费 $3.74,在 GPT-6.2 Astra (max) 上花费 $4.00;完成同样的工作,Gemini 4 Neon (high) 输出的 token 是对方的 2.2 倍,这是只看 token 单价看不出来的。
每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Neon (high) 得分 67.3,首个回答 token 需 41 秒;Gemini 4 Neon (xhigh) 为 64.3(57 秒)。GPT-6.2 Astra (max) 得分 68.9,首个回答 token 需 203 秒;GPT-6.2 Astra (xhigh) 为 67.1(67 秒),GPT-6.2 Astra (medium) 为 65.6(4 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 89 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 Neon (high) | GPT-6.2 Astra (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 67.3 | 68.9 |
| 智能体与工具得分 | BenchLeader | 76.2 | 66.4 |
| 编程得分 | BenchLeader | 73.4 | 76.1 |
| 人类偏好得分 | BenchLeader | 71.7 | – |
| 知识得分 | BenchLeader | 72.3 | 74.2 |
| 推理得分 | BenchLeader | 71.9 | 73.1 |
| 综合得分 | BenchLeader | – | 69.5 |
| 数学得分 | BenchLeader | – | 72.5 |
| 多模态得分 | BenchLeader | – | 71.7 |
| 混合价格(美元/百万 token) | BenchLeader | $6.00 | $16.00 |
| 输出速度 | BenchLeader | 101 tok/s | 49 tok/s |
| 首次回答时间 | BenchLeader | 40.6 秒 | 202.7 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | – | 96.8% |
| Arena Hard Prompts | Arena (LMArena) | 1546 | – |
| LiveBench 2.0 Reasoning | LiveBench | 89.6%† | 91.6% |
| HLE-Diamond (AA) | Artificial Analysis | 68.4% | 72.2% |
| ARC-AGI-1 | ARC Prize | – | 98.5% |
| ARC-AGI-2 | ARC Prize | – | 95.8% |
| ARC-AGI-3 | ARC Prize | – | 99.8% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 59.0% | 71.5% |
| MysteryMechanism | Vals AI | – | 53.1% |
| HLE-Diamond (Scale) | Scale AI SEAL | – | 66.9%† |
| Arena Expert | Arena (LMArena) | 1541 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | – | 78.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 95.0% |
| 编程 | |||
| Arena Coding | Arena (LMArena) | 1558 | – |
| Arena WebDev | Arena (LMArena) | 1764 | 1781 |
| LiveBench 2.0 Coding | LiveBench | 89.7%† | 91.9% |
| Vibe Code Bench v1.1 | Vals AI | – | 89.9% |
| Vibe Code Bench 1-100 v1.1 | Vals AI | – | 55.2% |
| SWE Atlas v1.1 | Scale AI SEAL | – | 60.5%† |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 67.7%† |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 62.2%† |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 51.4%† |
| MirrorCode | Epoch AI Benchmarking Hub | – | 67.8% |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 61.6% | 64.1% |
| Design Arena Website | Design Arena | – | 1339† |
显示全部 89 项基准测试
| 指标 | 发布方 | Gemini 4 Neon (high) | GPT-6.2 Astra (max) |
|---|---|---|---|
| 编程 | |||
| FrontierCode 2.0 (AA) | Artificial Analysis | 43.3% | 45.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 62.1% |
| Arena Agent | Arena (LMArena) | 18.4 | 15.2 |
| LiveBench Long Agentic | LiveBench | 82.6%† | 70.8% |
| LiveBench Browser | LiveBench | 95.6%† | 93.0% |
| Analyst Agent (AA) | Artificial Analysis | – | 62.5% |
| Finance Agent v2.1 | Vals AI | – | 60.8% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 16.3% |
| Legal Research Bench | Vals AI | – | 42.8% |
| Robo-bench | Vals AI | – | 32.7% |
| Tax Agent Bench | Vals AI | – | 21.8% |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 63.1% |
| Terminal-Bench Science | Vals AI | – | 71.4% |
| Arena Agent Task Completion | Arena (LMArena) | 19.2 | 12.4 |
| SpireClimb | Epoch AI Benchmarking Hub | – | 41.3% |
| AutomationBench | Artificial Analysis | 79.2% | 77.3% |
| GDP.pdf (AA) | Artificial Analysis | 33.4% | 29.8% |
| Harvey LAB-AA v1.1 | Harvey | – | 15.0% |
| EnterpriseOps-Gym | Artificial Analysis | – | 29.9% |
| AA-Briefcase v1.1 | Artificial Analysis | 1632 | 1643 |
| Design Arena Agentic | Design Arena | – | 1304 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 65.7% | 78.1% |
| CWE-Bench (AA) | Artificial Analysis | – | 65.0% |
| DeepSec-Bench (AA) | Artificial Analysis | – | 46.8% |
| CyberGym end-to-end (AA) | Artificial Analysis | – | 0.0% |
| MKA (AA) | Artificial Analysis | 54.6% | 52.7% |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | – | 92.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 100.0% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 100.0% |
| Autoform-Hard | Vals AI | – | 87.5% |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | – | 10.3% |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | – | 78.5% |
| LiveBench 2.0 Data Analysis | LiveBench | 85.3%† | 84.1% |
| LiveBench Research | LiveBench | 94.5%† | 91.5% |
| AA-Omniscience v1.1 | Artificial Analysis | 53.8 | 50 |
| PRBench Legal | Scale AI SEAL | – | 43.1%† |
| BioMysteryBench | Vals AI | – | 80.7% |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 76.0% |
| DrugDiscoveryBench | Scale AI SEAL | – | 65.5%† |
| EBR-bench | Epoch AI Benchmarking Hub | – | 92.4% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 59.4% | 68.6% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 86.1% | 40.9% |
| 指令遵循 | |||
| MultiChallenge | Scale AI SEAL | – | 73.2%† |
| Arena Instruction Following | Arena (LMArena) | 1522 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1519 | – |
| Arena Creative Writing | Arena (LMArena) | 1514 | – |
| Arena Multi-turn | Arena (LMArena) | 1529 | – |
| Arena Longer Queries | Arena (LMArena) | 1521 | – |
| 多模态 | |||
| LiveBench Design | LiveBench | 81.5%† | 82.8% |
| MMMU-Pro | Artificial Analysis | – | 89.5% |
| Humanity's Sixth Sense | Scale AI SEAL | 75.9%† | 63.2%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 89.2% |
| VIALS-AA | Handshake AI | – | 65.8% |
| AA-3D | Artificial Analysis | – | 1318 |
| 长上下文 | |||
| MLCR | Artificial Analysis | 28.9% | 39.4% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 174.2† |
| LiveBench 2.0 | LiveBench | 87.4%† | 84.9% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 59.6 | 62.1 |
| Vals Index | Vals AI | – | 67.7 |
| Vals Finance Index | Vals AI | – | 57.3% |
| Vals RSI Index | Vals AI | – | 29.0% |
| Vals Science Index | Vals AI | – | 68.4% |
| Vals Legal Index | Vals AI | – | 69.7% |
| AA Cyber Index | Artificial Analysis | – | 37.3 |
数据截至 2026年11月19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
- GPT-6.2 Astra (max):BenchLeader Index 67.8 → 68.9。
- Gemini 4 Neon (high):13 项新结果(MLCR, MKA (AA), Arena Text…)。
- GPT-6.2 Astra (max):6 项新结果(VIALS-AA, Arena WebDev, Arena Agent…)。
- GPT-6.2 Astra (max):BenchLeader Index 67.2 → 67.8。
- Gemini 4 Neon (high):首批结果。
- GPT-6.2 Astra (max):2 项新结果(MKA (AA), Terminal-Bench)。
相关对比
- Gemini 4 Neon vs Claude Fable 5.2
- Gemini 4 Neon vs Gemini 4 Carbon
- Gemini 4 Neon vs Claude Opus 5.5
- GPT-6.2 Astra vs Claude Fable 5.2
- GPT-6.2 Astra vs Gemini 4 Carbon
- GPT-6.2 Astra vs Claude Opus 5.5
- Gemini 4 Hydrogen vs GPT-6.2 Astra
- Gemini 4 Neon vs GPT-6.1 Terra
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 Neon vs GPT-6.2 Astra:常见问题
- Gemini 4 Neon 比 GPT-6.2 Astra 更好吗?
- Gemini 4 Neon (high) 与 GPT-6.2 Astra (max) 的质量不相上下(67.3 比 68.9,在 ±3.6 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月19日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- Gemini 4 Neon 和 GPT-6.2 Astra 哪个更便宜?价格会变吗?
- 目前 Gemini 4 Neon 更便宜:每百万 token $6.00 比 $16.00(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 Neon 还是 GPT-6.2 Astra 更好?
- GPT-6.2 Astra 在编程方面得分更高(类别得分 76 比 73,50 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 Neon 为 1764,GPT-6.2 Astra 为 1781。
- Gemini 4 Neon 和 GPT-6.2 Astra 哪个更快?
- Gemini 4 Neon 输出更快(约 2 倍;输出 101 比 49 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 Gemini 4 Neon 还是 GPT-6.2 Astra 更好?
- Gemini 4 Neon 在智能体任务方面得分更高(类别得分 76 比 66,50 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 Neon 为 18.4,GPT-6.2 Astra 为 15.2。
更多问题(4)
- 处理长文档哪个更好?
- 两者都约为 1.1M token(Gemini 4 Neon 为 1,048,576,GPT-6.2 Astra 为 1,050,000)。
- 哪个延迟更低?
- Gemini 4 Neon 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 40.6 秒比 202.7 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 Neon 和 GPT-6.2 Astra 的看法一致吗?
- 在两者都有结果的 16 项基准测试中,Gemini 4 Neon 领先 7 项,GPT-6.2 Astra 领先 9 项。所有同时评测两者的综合评分都认为 GPT-6.2 Astra 更强。
- Gemini 4 Neon 是什么时候发布的?
- Gemini 4 Neon 于 2026年11月18日 发布。