BenchLeader

GLM 5.3 vs GPT-6.1 Sol

完整资料:GLM 5.3(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 15 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 GLM 5.3(BenchLeader Index 66.6 比 58.8)。不过,GLM 5.3 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $2.15 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。GLM 5.3 输出更快。

要点(截至 2026年11月16日)

  • GLM 5.3 的 BenchLeader Index 为 58.8,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • GLM 5.3 每百万 token 混合价格为 $2.15(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)。
  • GLM 5.3 比 GPT-6.1 Sol 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 73 项基准测试中,GPT-6.1 Sol 领先 52 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GLM 5.3 的评分为 1623,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 60;Arena WebDev 1743 比 1623高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 58;Terminal-Bench 60.9% 比 41.2%中
数学GPT-6.1 Sol类别得分 72 比 60;FrontierMath Tiers 1–3 93.7% 比 68.8%高
推理GPT-6.1 Sol类别得分 71 比 55;GPQA Diamond 95.4% 比 90.9%高
知识GPT-6.1 Sol类别得分 72 比 54;SimpleQA Verified 73.9% 比 41.0%高
长文档GPT-6.1 Sol类别得分 66 比 65;AA-LCR v1.1 83.0% 比 79.7%中
对话质量(人类偏好)均可Arena 投票 67 比 67均可
成本最低GLM 5.3每百万 token 混合价格 $2.15 比 $4.00;智能体编程会话 $0.102 比 $0.160–
首次回答最快GLM 5.3首个回答 token 57.6 秒(GLM 5.3 (max))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 58.8。
  • GLM 5.3 (max) 在人类偏好方面更强。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、知识、长上下文、数学、推理方面更强。
  • GLM 5.3 (max) 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $2.15 比 $4.00)。
  • GLM 5.3 (max) 的输出速度是对方的 1.8 倍(88 比 50 token/秒)。

概览

规格GLM 5.3GPT-6.1 Sol
提供商Zhipu AIOpenAI
发布日期2026年8月18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 (max)GPT-6.1 Sol (max)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.40 / $4.40 / $0.260$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 (max)GPT-6.1 Sol (max)领先者
推理54.771.4GPT-6.1 Sol
编程59.771.1GPT-6.1 Sol
智能体与工具57.664.3GPT-6.1 Sol
数学60.071.6GPT-6.1 Sol
知识53.571.5GPT-6.1 Sol
人类偏好67.267.1持平
多模态–65.6无法比较
长上下文64.566.2GPT-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人类偏好GLM 5.3, 推理: 54.7GLM 5.3, 编程: 59.7GLM 5.3, 智能体与工具: 57.6GLM 5.3, 数学: 60.0GLM 5.3, 知识: 53.5GLM 5.3, 长上下文: 64.5GLM 5.3, 人类偏好: 67.2GPT-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, 人类偏好: 67.1

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 73 项基准测试中,GLM 5.3 领先 21 项,GPT-6.1 Sol 领先 52 项。第三方来源看法不一:GLM 5.3 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先。

综合 IndexGLM 5.3 (max)GPT-6.1 Sol (max)领先者
BenchLeader Index58.866.6GPT-6.1 Sol
AA Intelligence Index v5.0.131.654.6GPT-6.1 Sol
Vals Index59.963.9GPT-6.1 Sol
Arena Text14821481GLM 5.3

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 (max)GPT-6.1 Sol (max)
每百万 token 混合价格$2.15$4.00
每百万 token 输入 / 输出$1.40 / $4.40$2.00 / $10.00
每百万 token 缓存输入$0.260$0.100
每项任务价格:聊天回复$0.0019$0.0038
每项任务价格:总结一份 30 页的报告$0.019$0.030
每项任务价格:代码编辑$0.015$0.027
每项任务价格:智能体编程会话$0.102$0.160
每项任务价格:结构化信息提取$0.0037$0.0060
智能体编程会话(输入大多命中缓存)$0.050$0.074
每项基准测试任务成本(AA Index)$5.01$1.27
每项任务输出 token(AA Index)119k68k
其中推理部分85k49k
每项任务耗时(AA Index)23 min23 min
输出速度88 tok/s50 tok/s
首次回答时间57.6 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)144.1 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 (max) 上花费 $5.01,在 GPT-6.1 Sol (max) 上花费 $1.27;完成同样的工作,GLM 5.3 (max) 输出的 token 是对方的 1.8 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 (max) 得分 58.8,首个回答 token 需 58 秒;GLM 5.3 (low) 为 47.3(7 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 178 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 (max)GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader58.866.6
智能体与工具得分BenchLeader57.664.3
编程得分BenchLeader59.771.1
人类偏好得分BenchLeader67.267.1
知识得分BenchLeader53.571.5
长上下文得分BenchLeader64.566.2
数学得分BenchLeader60.071.6
推理得分BenchLeader54.771.4
综合得分BenchLeader–67.9
多模态得分BenchLeader–65.6
混合价格(美元/百万 token)BenchLeader$2.15$4.00
输出速度BenchLeader88 tok/s50 tok/s
首次回答时间BenchLeader57.6 秒166.7 秒
上下文窗口BenchLeader1,000,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.9%95.4%
SimpleBenchSimpleBench66.2%†82.9%†
Arena Hard PromptsArena (LMArena)15071505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench85.8%†92.6%
GPQA Diamond (AA)Artificial Analysis91.7%–
Humanity's Last Exam (AA)Artificial Analysis42.3%52.9%
HLE-Diamond (AA)Artificial Analysis17.9%58.8%
GPQA Diamond (Vals)Vals AI88.1%–
ARC-AGI-1ARC Prize–96.5%
ARC-AGI-2ARC Prize–94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis19.1%31.7%
CritPt v2 hard subset (AA)Artificial Analysis33.5%69.5%
MysteryMechanismVals AI23.0%46.4%
HLE-Diamond (Scale)Scale AI SEAL16.4%†–
Arena ExpertArena (LMArena)15221525
Chess PuzzlesEpoch AI Benchmarking Hub37.0%68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub33.0%80.0%
LMCAEpoch AI Benchmarking Hub55.5%†62.8%
DTBenchEpoch AI Benchmarking Hub87.7%†96.5%
BTF-3Epoch AI Benchmarking Hub14.9%†–
编程
SciCodeSciCode59.0%54.2%
WeirdMLWeirdML75.4%–
FrontierCodeCognition40.1%50.2%†
显示全部 178 项基准测试
指标发布方GLM 5.3 (max)GPT-6.1 Sol (max)
编程
Arena CodingArena (LMArena)15221540
Arena WebDevArena (LMArena)16231743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench79.0%†80.4%
LiveCodeBenchVals AI80.5%–
IOIVals AI68.4%96.9%
SWE-bench (Vals)Vals AI95.4%–
Code MigrationVals AI44.2%65.1%
Code Migration v1.1Vals AI55.1%77.3%
ProgramBenchVals AI1.5%3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI78.1%88.9%
Vibe Code Bench 1-100 v1.1Vals AI29.8%–
SWE Atlas v1.1Scale AI SEAL58.1%†65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL55.6%†66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†60.0%†
SWE-Bench Pro V2Scale AI SEAL95.6%96.1%†
SWE-Bench Pro V2 HARDScale AI SEAL84.3%–
MirrorCodeEpoch AI Benchmarking Hub–61.1%
DeepSWE v1.1Epoch AI Benchmarking Hub69.0%–
CursorBenchCursor42.6%–
ALE-BenchEpoch AI Benchmarking Hub1317.4†2743.8
FrontierSWEEpoch AI Benchmarking Hub30.2%–
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis41.9%56.1%
Terminal-Bench 2.1 (AA)Artificial Analysis83.9%–
Startrise FrontendStartrise73.2%†78.6%†
GameBench 2 OverallDuelLab GameBench 264.6†84.9†
GameBench 2 by reasoning settingDuelLab GameBench 272.392.0†
Design Arena WebsiteDesign Arena1279†1315†
FrontierCode 1.1 (AA)Artificial Analysis40.1%49.1%
FrontierCode 2.0 (AA)Artificial Analysis21.6%40.6%
智能体与工具
Terminal-BenchTerminal-Bench41.2%60.9%
APEX-AgentsMercor56.6%†60.0%
Arena AgentArena (LMArena)112.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench60.9%†54.5%
Terminal-Bench 2.1 (Vals)Vals AI71.5%–
MCP AtlasScale AI SEAL84.2%†–
HiL-BenchScale AI SEAL58.3%†62.3%†
GDPval-AA v2.1, normalised scoreArtificial Analysis57.5%54.8%
GDPval-AA v2.1Artificial Analysis16551607
τ³-Banking (AA)Artificial Analysis50.3%–
ITBench SRE (AA)Artificial Analysis46.1%–
Analyst Agent (AA)Artificial Analysis38.8%50.0%
CyberBenchVals AI72.1%39.3%
Finance Agent v2Vals AI55.8%52.0%
Finance Agent v2.1Vals AI65.0%61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI14.6%6.3%
Harvey's Legal Agent Benchmark v1Vals AI8.3%5.4%
Legal Research BenchVals AI49.0%38.5%
Robo-benchVals AI–28.3%
SkillsBenchVals AI47.5%–
SREBenchVals AI9.2%50.8%
Tax Agent BenchVals AI43.3%21.8%
Terminal-Bench 4.0 (Vals)Vals AI38.9%55.0%
Terminal-Bench ScienceVals AI5.7%52.9%
Arena SearchArena (LMArena)–1249
Arena Agent Task CompletionArena (LMArena)3.111.7
PostTrainBenchEpoch AI Benchmarking Hub34.5%38.8%
Vending-Bench 2Andon Labs8163.6†12860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis62.2%64.9%
GDP.pdf (AA)Artificial Analysis11.2%31.0%
Harvey LAB-AA v1.1Harvey0.3%6.9%
EnterpriseOps-GymArtificial Analysis36.4%–
AA-Briefcase v1.1Artificial Analysis15011555
GDPxGDPx by SemiAnalysis2.7%8.4%
Design Arena AgenticDesign Arena1239†1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis9.5%58.1%
CWE-Bench (AA)Artificial Analysis55.8%–
DeepSec-Bench (AA)Artificial Analysis24.3%–
CyberGym end-to-end (AA)Artificial Analysis29.0%–
MKA (AA)Artificial Analysis–47.7%
FACTS SearchGoogle87.7%†92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub68.8%93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub91.1%100.0%
ProofBenchVals AI49.0%99.0%†
LiveBench MathematicsLiveBench87.9%†96.8%
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)15011499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub41.0%73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench70.2%†82.7%
AA-Omniscience v1.1Artificial Analysis6.042.0
MMLU-ProVals AI86.8%–
LegalBenchVals AI84.8%–
TaxEvalVals AI72.4%–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI–79.6%
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI56.3%70.8%
Excel Modeling Benchmark v1.1Vals AI69.1%71.1%
MedCodeVals AI42.9%48.8%
MedScribeVals AI88.8%86.5%
Public Benefits Bench v1.1Vals AI68.5%59.3%
Access to Justice BenchmarkVals AI73.7%65.8%
Financial Coaching BenchVals AI74.1%68.5%
Immigration BenchVals AI66.7%67.8%
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub–35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis32.3%61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis61.1%48.1%
HealthBench Professional (AA)OpenAI52.8%65.1%
FACTS ParametricGoogle40.3%†83.8%†
指令遵循
LiveBench LanguageLiveBench79.9%†90.1%
LiveBench Instruction FollowingLiveBench69.3%†74.2%
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)14811482
人类偏好
Arena TextArena (LMArena)14821481
EQ-Bench 4EQ-Bench–1272†
EQ-Bench Creative Writing v3EQ-Bench2076†–
Arena Creative WritingArena (LMArena)14561449
Arena Multi-turnArena (LMArena)14821486
Arena Longer QueriesArena (LMArena)14881488
多模态
Arena VisionArena (LMArena)–1286
LiveBench DesignLiveBench–79.6%
MMMU-ProArtificial Analysis–86.0%
SAGEVals AI–90.5%
Humanity's Sixth SenseScale AI SEAL–46.6%
Blueprint-Bench 2Epoch AI Benchmarking Hub–43.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–80.0%
VIALS-AAHandshake AI–59.0%
Code2Video-AAArtificial Analysis10341369
AA-3DArtificial Analysis7941121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis79.7%83.0%
MLCRArtificial Analysis17.2%38.3%
FACTS GroundingGoogle55.2%†78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.1†168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench76.1%†81.6%
AA Intelligence Index v5.0.1Artificial Analysis31.654.6
AA Intelligence Index v4.3.2Artificial Analysis44.851.8
AA Progress Index v1Artificial Analysis322.7348.5
Vals IndexVals AI59.963.9
Vals Finance IndexVals AI61.4%55.8%
Vals RSI IndexVals AI22.9%26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI59.7%†63.9%†
Vals Legal IndexVals AI74.6%68.7%
AA Cyber IndexArtificial Analysis36.4–
安全与诚实
FORTRESSScale AI SEAL28.2%–
DistressBenchScale AI SEAL72.5%†74.2%†
元数据
AA Openness IndexArtificial Analysis33.3–

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

  • 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 (max):1 项新结果(PostTrainBench)。
  • 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 (max):4 项分数修订。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 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 vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 GLM 5.3 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 58.8。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 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 GLM 5.3 更便宜:每百万 token $2.15 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 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 60,50 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 为 1623,GPT-6.1 Sol 为 1743。
GLM 5.3 和 GPT-6.1 Sol 哪个更快?
GLM 5.3 输出更快(输出 88 比 50 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM 5.3 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 58,50 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,GLM 5.3 为 41.2%,GPT-6.1 Sol 为 60.9%。
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 为 1,000,000,GPT-6.1 Sol 为 1,050,000)。
哪个延迟更低?
GLM 5.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 57.6 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 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 73 项基准测试中,GLM 5.3 领先 21 项,GPT-6.1 Sol 领先 52 项。第三方来源看法不一:GLM 5.3 在 Arena Text 上领先;GPT-6.1 Sol 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先。
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。