BenchLeader

GLM-5 vs GPT-6.1 Sol

完整资料:GLM-5(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(BenchLeader Index 66.6 比 60.2)。不过,GLM-5 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.55 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 的 BenchLeader Index 为 60.2,GPT-6.1 Sol 为 66.6(BenchLeader,2026年11月16日)。
  • GLM-5 每百万 token 混合价格为 $1.55(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 5 项基准测试中,GPT-6.1 Sol 领先 5 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GPT-6.1 Sol类别得分 71 比 59;Vibe Code Bench v1.1 88.9% 比 23.4%高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 58中
数学GPT-6.1 Sol类别得分 72 比 63高
推理GPT-6.1 Sol类别得分 71 比 68;Humanity's Last Exam (AA) 52.9% 比 29.3%中
知识GPT-6.1 Sol类别得分 72 比 57高
长文档GPT-6.1 Sol类别得分 66 比 62;AA-LCR v1.1 83.0% 比 75.7%中
对话质量(人类偏好)–只有 GPT-6.1 Sol 有 Arena 评分(类别得分 67)无法比较
成本最低GLM-5每百万 token 混合价格 $1.55 比 $4.00;智能体编程会话 $0.073 比 $0.160–
首次回答最快GLM-5首个回答 token 29.2 秒(GLM-5 (thinking))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 60.2。
  • 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 (thinking) 更便宜,对方的价格是它的 2.6 倍(每百万 token 混合价格 $1.55 比 $4.00)。
  • GLM-5 (thinking) 的输出速度是对方的 1.4 倍(69 比 50 token/秒)。

概览

规格GLM-5GPT-6.1 Sol
提供商Zhipu AIOpenAI
发布日期2026年2月11日2026年9月29日
上下文窗口(token)204,8001,050,000
对比时的配置GLM-5 (thinking)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)$1.00 / $3.20 / $0.200$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 (thinking)GPT-6.1 Sol (max)领先者
推理68.271.4GPT-6.1 Sol
编程59.171.1GPT-6.1 Sol
智能体与工具58.064.3GPT-6.1 Sol
数学63.471.6GPT-6.1 Sol
知识57.471.5GPT-6.1 Sol
指令遵循70.9–无法比较
人类偏好–67.1无法比较
多模态–65.6无法比较
长上下文62.466.2GPT-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GLM-5, 推理: 68.2GLM-5, 编程: 59.1GLM-5, 智能体与工具: 58.0GLM-5, 数学: 63.4GLM-5, 知识: 57.4GLM-5, 长上下文: 62.4GPT-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: 66.2

未绘制(测得的模型少于两个):指令遵循, 多模态, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 5 项基准测试中,GLM-5 领先 0 项,GPT-6.1 Sol 领先 5 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 (thinking)GPT-6.1 Sol (max)领先者
BenchLeader Index60.266.6GPT-6.1 Sol
Arena Text1457†1481GPT-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 (thinking)GPT-6.1 Sol (max)
每百万 token 混合价格$1.55$4.00
每百万 token 输入 / 输出$1.00 / $3.20$2.00 / $10.00
每百万 token 缓存输入$0.200$0.100
每项任务价格:聊天回复$0.0014$0.0038
每项任务价格:总结一份 30 页的报告$0.014$0.030
每项任务价格:代码编辑$0.011$0.027
每项任务价格:智能体编程会话$0.073$0.160
每项任务价格:结构化信息提取$0.0026$0.0060
智能体编程会话(输入大多命中缓存)$0.037$0.074
每项基准测试任务成本(AA Index)–$1.27
每项任务输出 token(AA Index)–68k
其中推理部分–49k
每项任务耗时(AA Index)–23 min
输出速度69 tok/s50 tok/s
首次回答时间29.2 秒166.7 秒
完整回答耗时(最近一次测量 2026年11月13日)81.4 秒429.6 秒

每个模型都按其排名最高的推理强度设置进行对比。GLM-5 (thinking) 得分 60.2,首个回答 token 需 29 秒;GLM-5 为 54.9(2 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 184 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 (thinking)GPT-6.1 Sol (max)
BenchLeader IndexBenchLeader60.266.6
智能体与工具得分BenchLeader58.064.3
编程得分BenchLeader59.171.1
指令遵循得分BenchLeader70.9–
知识得分BenchLeader57.471.5
长上下文得分BenchLeader62.466.2
数学得分BenchLeader63.471.6
推理得分BenchLeader68.271.4
综合得分BenchLeader–67.9
人类偏好得分BenchLeader–67.1
多模态得分BenchLeader–65.6
混合价格(美元/百万 token)BenchLeader$1.55$4.00
输出速度BenchLeader69 tok/s50 tok/s
首次回答时间BenchLeader29.2 秒166.7 秒
上下文窗口BenchLeader204,800 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.8%†95.4%
SimpleBenchSimpleBench53.2%†82.9%†
Arena Hard PromptsArena (LMArena)1478†1505
LiveBench 2.0 ReasoningLiveBench–92.6%
LiveBench 1.0 ReasoningLiveBench–92.6%
GPQA Diamond (AA)Artificial Analysis82.0%–
Humanity's Last Exam (AA)Artificial Analysis29.3%52.9%
HLE-Diamond (AA)Artificial Analysis–58.8%
GPQA Diamond (Vals)Vals AI83.3%–
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize44.7%†96.5%
ARC-AGI-2ARC Prize4.9%†94.2%
ARC-AGI-3ARC Prize–96.2%
CritPtArtificial Analysis2.0%31.7%
CritPt v2 hard subset (AA)Artificial Analysis–69.5%
MysteryMechanismVals AI–46.4%
Arena ExpertArena (LMArena)1482†1525
Chess PuzzlesEpoch AI Benchmarking Hub–68.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–80.0%
CL-benchEpoch AI Benchmarking Hub18.7%†–
LMCAEpoch AI Benchmarking Hub–62.8%
DTBenchEpoch AI Benchmarking Hub–96.5%
ForecastBenchForecastBench63.4%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub72.1%†–
SciCodeSciCode–54.2%
显示全部 184 项基准测试
指标发布方GLM-5 (thinking)GPT-6.1 Sol (max)
编程
WeirdMLWeirdML48.2%†–
FrontierCodeCognition–50.2%†
Arena CodingArena (LMArena)1498†1540
Arena WebDevArena (LMArena)1435†1743
LiveBench 2.0 CodingLiveBench–82.1%
LiveBench 1.0 CodingLiveBench–80.4%
LiveCodeBenchVals AI81.9%–
IOIVals AI–96.9%
SWE-bench (Vals)Vals AI71.4%–
SWE-bench Verified (bash only)SWE-bench72.8%†–
SWE-bench Multilingual (bash only)SWE-bench69.7%†–
SWE-bench Verified (any scaffold)SWE-bench72.8%†–
Code MigrationVals AI–65.1%
Code Migration v1.1Vals AI–77.3%
ProgramBenchVals AI–3.0%
SWE-bench MultimodalVals AI–43.5%
Vibe Code Bench v1.1Vals AI23.4%88.9%
SWE Atlas v1.0: Codebase QnAScale AI SEAL20.5%†–
SWE Atlas v1.0: RefactoringScale AI SEAL24.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL28.7%†–
SWE Atlas v1.1Scale AI SEAL–65.9%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–71.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–66.7%†
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%†
SWE-Bench Pro V2Scale AI SEAL–96.1%†
MirrorCodeEpoch AI Benchmarking Hub–61.1%
ALE-BenchEpoch AI Benchmarking Hub765.6†2743.8
WeirdML v3WeirdML–38.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–56.1%
Startrise FrontendStartrise–78.6%†
GameBench 2 OverallDuelLab GameBench 2–84.9†
GameBench 2 by reasoning settingDuelLab GameBench 2–92.0†
Design Arena WebsiteDesign Arena1239†1315†
FrontierCode 1.1 (AA)Artificial Analysis–49.1%
FrontierCode 2.0 (AA)Artificial Analysis–40.6%
智能体与工具
Terminal-BenchTerminal-Bench52.4%†60.9%
APEX-AgentsMercor–60.0%
Arena AgentArena (LMArena)–12.5
LiveBench Long AgenticLiveBench–65.6%
LiveBench BrowserLiveBench–93.3%
LiveBench Agentic CodingLiveBench–54.5%
Terminal-Bench HardArtificial Analysis43.2%–
τ²-Bench Telecom (AA)Artificial Analysis98.3%–
HiL-BenchScale AI SEAL–62.3%†
τ²-benchτ²-bench81.0%–
τ³-bench Bankingτ²-bench9.8%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.8%
GDPval-AA v2.1Artificial Analysis–1607
Analyst Agent (AA)Artificial Analysis–50.0%
APEX-Agents (AA)Artificial Analysis14.4%–
CyberBenchVals AI–39.3%
Finance Agent v2Vals AI–52.0%
Finance Agent v2.1Vals AI–61.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–6.3%
Harvey's Legal Agent Benchmark v1Vals AI–5.4%
Legal Research BenchVals AI–38.5%
Robo-benchVals AI–28.3%
SREBenchVals AI–50.8%
Tax Agent BenchVals AI–21.8%
Terminal-Bench 2.0 (Vals)Vals AI49.4%–
Terminal-Bench 4.0 (Vals)Vals AI–55.0%
Terminal-Bench ScienceVals AI–52.9%
Arena SearchArena (LMArena)–1249
Arena Agent Task CompletionArena (LMArena)–11.7
PostTrainBenchEpoch AI Benchmarking Hub–38.8%
Vending-Bench 2Andon Labs4432.1†12860.6†
SpireClimbEpoch AI Benchmarking Hub–23.8%
AutomationBenchArtificial Analysis–64.9%
GDP.pdf (AA)Artificial Analysis–31.0%
Harvey LAB-AA v1.1Harvey–6.9%
AA-Briefcase v1.1Artificial Analysis–1555
GDPxGDPx by SemiAnalysis–8.4%
Design Arena AgenticDesign Arena1115†1375
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–58.1%
MKA (AA)Artificial Analysis–47.7%
FACTS SearchGoogle–92.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–93.7%
FrontierMath Tier 4Epoch AI Benchmarking Hub–100.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†100.0%
ProofBenchVals AI–99.0%†
LiveBench MathematicsLiveBench–96.8%
AIME (Vals)Vals AI91.7%–
AIME 2026MathArena96.7%†–
HMMT February 2026MathArena86.4%†–
USAMO 2026MathArena35.1%†–
MathArena ApexMathArena10.9%†–
ArXivMathMathArena–92.8%
BrokenArXivMathArena–83.1%
Arena MathsArena (LMArena)1443†1499
FrontierMath ErdősEpoch AI Benchmarking Hub–4.4%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–73.9%
LiveBench 2.0 Data AnalysisLiveBench–82.7%
LiveBench ResearchLiveBench–90.0%
LiveBench 1.0 Data AnalysisLiveBench–82.7%
AA-Omniscience v1.1Artificial Analysis–42.0
MMLU-ProVals AI86.0%–
LegalBenchVals AI84.1%–
CorpFinVals AI62.9%–
TaxEvalVals AI70.0%–
MedQAVals AI94.3%–
PRBench FinanceScale AI SEAL–46.2%†
PRBench LegalScale AI SEAL–47.9%†
BioMysteryBenchVals AI–79.6%
CaseLaw v2Vals AI52.5%–
ClaimBenchVals AI–100.0%
Excel Modeling BenchmarkVals AI–70.8%
Excel Modeling Benchmark v1.1Vals AI–71.1%
MedCodeVals AI–48.8%
MedScribeVals AI–86.5%
Public Benefits Bench v1.1Vals AI–59.3%
Access to Justice BenchmarkVals AI–65.8%
Financial Coaching BenchVals AI–68.5%
Immigration BenchVals AI–67.8%
EBR-benchEpoch AI Benchmarking Hub–54.3%
GDP.pdfEpoch AI Benchmarking Hub–35.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–61.8%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–48.1%
Global-MMLU-Lite (AA)Artificial Analysis81.9%†–
HealthBench Professional (AA)OpenAI–65.1%
FACTS ParametricGoogle–83.8%†
指令遵循
LiveBench LanguageLiveBench–90.1%
LiveBench Instruction FollowingLiveBench–74.2%
IFBenchArtificial Analysis72.3%–
MultiChallengeScale AI SEAL–82.0%†
Arena Instruction FollowingArena (LMArena)1447†1482
人类偏好
Arena TextArena (LMArena)1457†1481
EQ-Bench 4EQ-Bench–1272†
EQ-Bench Creative Writing v3EQ-Bench1601†–
Arena Creative WritingArena (LMArena)1447†1449
Arena Multi-turnArena (LMArena)1472†1486
Arena Longer QueriesArena (LMArena)1469†1488
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 Analysis–1369
AA-3DArtificial Analysis–1121
FACTS MultimodalGoogle–52.6%†
长上下文
AA-LCR v1.1Artificial Analysis75.7%83.0%
MLCRArtificial Analysis–38.3%
FACTS GroundingGoogle–78.0%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.5†168.5†
LiveBench 2.0LiveBench–81.4%
LiveBench 1.0LiveBench–81.6%
AA Intelligence Index v5.0.1Artificial Analysis–54.6
AA Intelligence Index v4.3.2Artificial Analysis27.951.8
AA Progress Index v1Artificial Analysis280.9348.5
Vals IndexVals AI–63.9
Vals Finance IndexVals AI–55.8%
Vals RSI IndexVals AI–26.6%
Vals Science IndexVals AI–59.6%
Vals Router IndexVals AI–63.9%†
Vals Legal IndexVals AI–68.7%
安全与诚实
DistressBenchScale AI SEAL71.2%†74.2%†
元数据
AA Openness IndexArtificial Analysis50–

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。
  • 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。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 项分数修订。
  • GLM-5 (thinking):价格 $0.15/M → $0.20/M。
  • GPT-6.1 Sol (max):1 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 vs GPT-6.1 Sol:常见问题

GPT-6.1 Sol 比 GLM-5 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 60.2。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 和 GPT-6.1 Sol 哪个更便宜?价格会变吗?
目前 GLM-5 更便宜:每百万 token $1.55 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 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 59,50 为平均水平)。
GLM-5 和 GPT-6.1 Sol 哪个更快?
GLM-5 输出更快(输出 69 比 50 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GLM-5 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)。
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 62)。GPT-6.1 Sol 支持更长的上下文:1,050,000 token,GLM-5 为 204,800 token。
哪个延迟更低?
GLM-5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 29.2 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 和 GPT-6.1 Sol 的看法一致吗?
在两者都有结果的 5 项基准测试中,GLM-5 领先 0 项,GPT-6.1 Sol 领先 5 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。