BenchLeader

GLM 5.3 Flash vs GPT-6.1 Sol

完整资料:GLM 5.3 Flash(Zhipu AI)和 GPT-6.1 Sol(OpenAI),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 GPT-6.1 Sol 领先 GLM 5.3 Flash(BenchLeader Index 66.6 比 57.8)。不过,GLM 5.3 Flash 更便宜,对方的价格是它的 17 倍(每百万 token 混合价格 $0.238 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • GLM 5.3 Flash 的 BenchLeader Index 为 57.8,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • GLM 5.3 Flash 每百万 token 混合价格为 $0.238(标价,2026年11月16日)。
  • GPT-6.1 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 47 项基准测试中,GPT-6.1 Sol 领先 41 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GLM 5.3 Flash 的评分为 1609,GPT-6.1 Sol 为 1743(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GPT-6.1 Sol类别得分 71 比 57;Arena WebDev 1743 比 1609高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 59;APEX-Agents 60.0% 比 52.8%中
数学GPT-6.1 Sol类别得分 72 比 69;Arena Maths 1499 比 1505中
推理GPT-6.1 Sol类别得分 71 比 48;HLE-Diamond (AA) 58.8% 比 18.2%高
知识GPT-6.1 Sol类别得分 72 比 45;AA-Omniscience v1.1 42.0 比 0.7高
长文档GPT-6.1 Sol类别得分 66 比 65;AA-LCR v1.1 83.0% 比 80.0%中
图像及其他媒体GPT-6.1 Sol类别得分 66 比 64;Arena Vision 1286 比 1295中
对话质量(人类偏好)均可Arena 投票 66 比 67均可
成本最低GLM 5.3 Flash每百万 token 混合价格 $0.238 比 $4.00;智能体编程会话 $0.011 比 $0.160–
首次回答最快GLM 5.3 Flash首个回答 token 87.0 秒(GLM 5.3 Flash)比 166.7 秒(GPT-6.1 Sol (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

  • 质量上 GPT-6.1 Sol (max) 领先:66.6 比 57.8。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、知识、长上下文、数学、多模态、推理方面更强。
  • GLM 5.3 Flash 更便宜,对方的价格是它的 17 倍(每百万 token 混合价格 $0.238 比 $4.00)。

概览

规格GLM 5.3 FlashGPT-6.1 Sol
提供商Zhipu AIOpenAI
发布日期2026年8月20日2026年9月29日
上下文窗口(token)1,000,0001,050,000
对比时的配置GLM 5.3 FlashGPT-6.1 Sol (max)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.150 / $0.500 / $0.030$2.00 / $10.00 / $0.100

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GLM 5.3 FlashGPT-6.1 Sol (max)领先者
推理48.371.4GPT-6.1 Sol
编程56.971.1GPT-6.1 Sol
智能体与工具58.764.3GPT-6.1 Sol
数学68.871.6GPT-6.1 Sol
知识45.171.5GPT-6.1 Sol
人类偏好66.467.1持平
多模态64.065.6GPT-6.1 Sol
长上下文64.666.2GPT-6.1 Sol
综合–67.9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多模态人类偏好GLM 5.3 Flash, 推理: 48.3GLM 5.3 Flash, 编程: 56.9GLM 5.3 Flash, 智能体与工具: 58.7GLM 5.3 Flash, 数学: 68.8GLM 5.3 Flash, 知识: 45.1GLM 5.3 Flash, 长上下文: 64.6GLM 5.3 Flash, 多模态: 64.0GLM 5.3 Flash, 人类偏好: 66.4GPT-6.1 Sol, 推理: 71.4GPT-6.1 Sol, 编程: 71.1GPT-6.1 Sol, 智能体与工具: 64.3GPT-6.1 Sol, 数学: 71.6GPT-6.1 Sol, 知识: 71.5GPT-6.1 Sol, 长上下文: 66.2GPT-6.1 Sol, 多模态: 65.6GPT-6.1 Sol, 人类偏好: 67.1

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 47 项基准测试中,GLM 5.3 Flash 领先 6 项,GPT-6.1 Sol 领先 41 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。

综合 IndexGLM 5.3 FlashGPT-6.1 Sol (max)领先者
BenchLeader Index57.866.6GPT-6.1 Sol
AA Intelligence Index v5.0.127.854.6GPT-6.1 Sol
Vals Index50.9†63.9GPT-6.1 Sol
Arena Text14751481GPT-6.1 Sol

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GLM 5.3 FlashGPT-6.1 Sol (max)
每百万 token 混合价格$0.238$4.00
每百万 token 输入 / 输出$0.150 / $0.500$2.00 / $10.00
每百万 token 缓存输入$0.030$0.100
每项任务价格:聊天回复$0.0002$0.0038
每项任务价格:总结一份 30 页的报告$0.0021$0.030
每项任务价格:代码编辑$0.0017$0.027
每项任务价格:智能体编程会话$0.011$0.160
每项任务价格:结构化信息提取$0.0004$0.0060
智能体编程会话(输入大多命中缓存)$0.0056$0.074
每项基准测试任务成本(AA Index)$0.583$1.27
每项任务输出 token(AA Index)134k68k
其中推理部分103k49k
每项任务耗时(AA Index)41 min23 min
输出速度54 tok/s50 tok/s
首次回答时间87.0 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)220.4 秒429.6 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 GLM 5.3 Flash 上花费 $0.583,在 GPT-6.1 Sol (max) 上花费 $1.27;完成同样的工作,GLM 5.3 Flash 输出的 token 是对方的 2.0 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。GLM 5.3 Flash 得分 57.8,首个回答 token 需 87 秒;GLM 5.3 Flash (max) 为 52.4(87 秒)。GPT-6.1 Sol (max) 得分 66.6,首个回答 token 需 167 秒;GPT-6.1 Sol (xhigh) 为 63.6(68 秒),GPT-6.1 Sol (high) 为 63.4(33 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 174 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GLM 5.3 FlashGPT-6.1 Sol (max)
BenchLeader IndexBenchLeader57.866.6
智能体与工具得分BenchLeader58.764.3
编程得分BenchLeader56.971.1
人类偏好得分BenchLeader66.467.1
知识得分BenchLeader45.171.5
长上下文得分BenchLeader64.666.2
数学得分BenchLeader68.871.6
多模态得分BenchLeader64.065.6
推理得分BenchLeader48.371.4
综合得分BenchLeader–67.9
混合价格(美元/百万 token)BenchLeader$0.238$4.00
输出速度BenchLeader54 tok/s50 tok/s
首次回答时间BenchLeader87.0 秒166.7 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.2%†95.4%
SimpleBenchSimpleBench–82.9%†
Arena Hard PromptsArena (LMArena)15001505
LiveBench 2.0 ReasoningLiveBench77.6%†92.6%
LiveBench 1.0 ReasoningLiveBench77.6%92.6%
GPQA Diamond (AA)Artificial Analysis91.2%–
Humanity's Last Exam (AA)Artificial Analysis39.9%52.9%
HLE-Diamond (AA)Artificial Analysis18.2%58.8%
GPQA Diamond (Vals)Vals AI86.4%†–
ARC-AGI-1ARC Prize91.0%†96.5%
ARC-AGI-2ARC Prize65.8%†94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis15.4%31.7%
CritPt v2 hard subset (AA)Artificial Analysis24.5%69.5%
MysteryMechanismVals AI–46.4%
Arena ExpertArena (LMArena)15111525
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub8.0%†80.0%
LMCAEpoch AI Benchmarking Hub–62.8%
DTBenchEpoch AI Benchmarking Hub–96.5%
BTF-3Epoch AI Benchmarking Hub14.9%–
编程
SciCodeSciCode51.6%54.2%
FrontierCodeCognition31.8%†50.2%†
Arena CodingArena (LMArena)15261540
Arena WebDevArena (LMArena)16091743
显示全部 174 项基准测试
指标发布方GLM 5.3 FlashGPT-6.1 Sol (max)
编程
LiveBench 2.0 CodingLiveBench70.9%†82.1%
LiveBench 1.0 CodingLiveBench79.0%80.4%
LiveCodeBenchVals AI80.5%†–
IOIVals AI52.5%†96.9%
SWE-bench (Vals)Vals AI92.0%†–
Code MigrationVals AI20.5%†65.1%
Code Migration v1.1Vals AI51.6%†77.3%
ProgramBenchVals AI0.0%†3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench 1-100Vals AI16.0%†–
Vibe Code Bench v1.1Vals AI30.8%†88.9%
SWE Atlas v1.1Scale AI SEAL55.3%65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL66.9%71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL53.3%66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL45.7%60.0%†
SWE-Bench Pro V2Scale AI SEAL–96.1%†
MirrorCodeEpoch AI Benchmarking Hub–61.1%
Surface Evolver BenchEpoch AI Benchmarking Hub52.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub63.4%†–
CursorBenchCursor36.8%†–
ALE-BenchEpoch AI Benchmarking Hub303.6†2743.8
FrontierSWEEpoch AI Benchmarking Hub18.1%†–
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis32.8%56.1%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%–
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 254.984.9†
GameBench 2 by reasoning settingDuelLab GameBench 257.2†92.0†
Design Arena WebsiteDesign Arena12571315†
FrontierCode 1.1 (AA)Artificial Analysis41.0%49.1%
FrontierCode 2.0 (AA)Artificial Analysis17.6%40.6%
智能体与工具
Terminal-BenchTerminal-Bench37.0%†60.9%
APEX-AgentsMercor52.8%60.0%
Arena AgentArena (LMArena)-2.912.5
LiveBench Long AgenticLiveBench20.7%†65.6%
LiveBench BrowserLiveBench59.8%†93.3%
LiveBench Agentic CodingLiveBench56.8%54.5%
Terminal-Bench 2.1 (Vals)Vals AI62.9%†–
HiL-BenchScale AI SEAL–62.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis57.1%54.8%
GDPval-AA v2.1Artificial Analysis16481607
τ³-Banking (AA)Artificial Analysis47.2%–
ITBench SRE (AA)Artificial Analysis51.2%–
Analyst Agent (AA)Artificial Analysis25.0%50.0%
CyberBenchVals AI67.9%†39.3%
Finance Agent v2Vals AI57.9%†52.0%
Finance Agent v2.1Vals AI60.6%†61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI10.4%†6.3%
Harvey's Legal Agent Benchmark v1Vals AI6.7%†5.4%
Legal Research BenchVals AI45.2%†38.5%
Robo-benchVals AI–28.3%
SkillsBenchVals AI40.2%†–
SREBenchVals AI0.8%†50.8%
Tax Agent BenchVals AI31.6%†21.8%
Terminal-Bench 4.0 (Vals)Vals AI37.4%†55.0%
Terminal-Bench ScienceVals AI2.9%†52.9%
Arena SearchArena (LMArena)–1249
Arena Agent Task CompletionArena (LMArena)1.311.7
PostTrainBenchEpoch AI Benchmarking Hub36.8%†38.8%
Vending-Bench 2Andon Labs–12860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis60.4%64.9%
GDP.pdf (AA)Artificial Analysis15.4%31.0%
Harvey LAB-AA v1.1Harvey0.8%6.9%
EnterpriseOps-GymArtificial Analysis33.2%–
AA-Briefcase v1.1Artificial Analysis14501555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena–1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis4.8%58.1%
CWE-Bench (AA)Artificial Analysis55.8%–
DeepSec-Bench (AA)Artificial Analysis19.9%–
CyberGym end-to-end (AA)Artificial Analysis74.0%–
MKA (AA)Artificial Analysis36.2%47.7%
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.8%†93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%†100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub93.9%†100.0%
ProofBenchVals AI21.0%†99.0%†
LiveBench MathematicsLiveBench81.2%96.8%
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)15051499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–73.9%
LiveBench 2.0 Data AnalysisLiveBench76.4%†82.7%
LiveBench ResearchLiveBench73.9%†90.0%
LiveBench 1.0 Data AnalysisLiveBench76.4%82.7%
AA-Omniscience v1.1Artificial Analysis0.742.0
MMLU-ProVals AI86.1%†–
LegalBenchVals AI83.9%†–
TaxEvalVals AI75.6%†–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI–79.6%
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI55.9%†70.8%
Excel Modeling Benchmark v1.1Vals AI66.3%†71.1%
MedCodeVals AI–48.8%
MedScribeVals AI88.9%†86.5%
Public Benefits Bench v1.1Vals AI–59.3%
Access to Justice BenchmarkVals AI71.1%†65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub14.0%†35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis28.2%61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis61.6%48.1%
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench77.3%90.1%
LiveBench Instruction FollowingLiveBench52.8%74.2%
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)14741482
人类偏好
Arena TextArena (LMArena)14751481
EQ-Bench 4EQ-Bench–1272†
Arena Creative WritingArena (LMArena)14351449
Arena Multi-turnArena (LMArena)14761486
Arena Longer QueriesArena (LMArena)14801488
多模态
Arena VisionArena (LMArena)12951286
LiveBench DesignLiveBench73.7%†79.6%
MMMU-ProArtificial Analysis–86.0%
MMMU-Pro (Vals)Vals AI86.0%†–
SAGEVals AI89.3%†90.5%
Humanity's Sixth SenseScale AI SEAL26.8%†46.6%
Blueprint-Bench 2Epoch AI Benchmarking Hub–43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–80.0%
VIALS-AAHandshake AI39.8%59.0%
Code2Video-AAArtificial Analysis9751369
AA-3DArtificial Analysis9371121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis80.0%83.0%
MLCRArtificial Analysis11.7%38.3%
FACTS GroundingGoogle56.1%78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.8168.5†
LiveBench 2.0LiveBench60.7%†81.4%
LiveBench 1.0LiveBench71.6%81.6%
AA Intelligence Index v5.0.1Artificial Analysis27.854.6
AA Intelligence Index v4.3.2Artificial Analysis41.851.8
AA Progress Index v1Artificial Analysis318.6348.5
Vals IndexVals AI50.9†63.9
Vals Finance IndexVals AI55.8%†55.8%
Vals RSI IndexVals AI–26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI50.9%63.9%†
Vals Legal IndexVals AI71.0%†68.7%
AA Cyber IndexArtificial Analysis49.9–
安全与诚实
FORTRESSScale AI SEAL26.7%–
DistressBenchScale AI SEAL72.7%74.2%†
元数据
AA Openness IndexArtificial Analysis44.4–

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

  • GLM 5.3 Flash:BenchLeader Index 56.7 → 57.8。
  • GPT-6.1 Sol (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…);1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GLM 5.3 Flash:1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GLM 5.3 Flash:5 项分数修订。
  • GPT-6.1 Sol (max):2 项分数修订。

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

GLM 5.3 Flash vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 GLM 5.3 Flash 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 57.8。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
GLM 5.3 Flash 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 GLM 5.3 Flash 更便宜:每百万 token $0.238 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 GLM 5.3 Flash 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 57,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GLM 5.3 Flash 为 1609,GPT-6.1 Sol 为 1743。
GLM 5.3 Flash 和 GPT-6.1 Sol 哪个更快?
GLM 5.3 Flash 输出更快(输出 54 比 50 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.3 Flash 还是 GPT-6.1 Sol 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 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 APEX-Agents 上,GLM 5.3 Flash 为 52.8%,GPT-6.1 Sol 为 60.0%。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Sol 在长上下文基准测试上得分更高(66 比 65)。两者都约为 1.1M token(GLM 5.3 Flash 为 1,000,000,GPT-6.1 Sol 为 1,050,000)。
哪个延迟更低?
GLM 5.3 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 87.0 秒比 166.7 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 GLM 5.3 Flash 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 47 项基准测试中,GLM 5.3 Flash 领先 6 项,GPT-6.1 Sol 领先 41 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。
GPT-6.1 Sol 是什么时候发布的?
GPT-6.1 Sol 于 2026年9月29日 发布。