BenchLeader

GPT-5.2-Codex vs GPT-6 Sol

完整资料:GPT-5.2-Codex(OpenAI)和 GPT-6 Sol(OpenAI),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,GPT-5.2-Codex 与 GPT-6 Sol 的质量不相上下(BenchLeader Index 57.6 比 62.6,在 ±10.5 的误差范围内)。GPT-6 Sol 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。看重智能体与工具(69 比 59)选 GPT-5.2-Codex;看重编程(66 比 55)选 GPT-6 Sol。GPT-5.2-Codex 的首次回答更快(1.5 秒 比 36.9 秒)。GPT-6 Sol 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.2-Codex 的 BenchLeader Index 为 57.6,GPT-6 Sol 为 62.6(BenchLeader,2026年11月16日)。
  • GPT-5.2-Codex 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • GPT-6 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-6 Sol 比 GPT-5.2-Codex 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 11 项基准测试中,GPT-6 Sol 领先 9 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5.2-Codex 的评分为 1339,GPT-6 Sol 为 1673(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 Sol类别得分 66 比 55;Arena WebDev 1673 比 1339高
智能体与工具调用GPT-5.2-Codex类别得分 69 比 59;Terminal-Bench 66.5% 比 50.3%高
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)无法比较
成本最低GPT-6 Sol每百万 token 混合价格 $4.00 比 $4.81;智能体编程会话 $0.160 比 $0.161–
首次回答最快GPT-5.2-Codex首个回答 token 1.5 秒(GPT-5.2-Codex)比 36.9 秒(GPT-6 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

  • GPT-5.2-Codex 与 GPT-6 Sol (max) 的质量不相上下(57.6 比 62.6,在 ±10.5 的误差范围内)。
  • GPT-5.2-Codex 在智能体与工具方面更强。
  • GPT-6 Sol (max) 在编程方面更强。
  • GPT-6 Sol (max) 更便宜,对方的价格是它的 1.2 倍(每百万 token 混合价格 $4.00 比 $4.81)。
  • GPT-6 Sol (max) 的输出速度是对方的 2.8 倍(127 比 45 token/秒)。

概览

规格GPT-5.2-CodexGPT-6 Sol
提供商OpenAIOpenAI
发布日期2025年12月18日2026年9月22日
上下文窗口(token)272,0001,050,000
对比时的配置GPT-5.2-CodexGPT-6 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.75 / $14.00 / $0.175$2.00 / $10.00 / $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GPT-5.2-CodexGPT-6 Sol (max)领先者
推理–66.0无法比较
编程55.266.3GPT-6 Sol
智能体与工具69.058.8GPT-5.2-Codex
数学–68.0无法比较
知识–60.6无法比较
人类偏好–64.2无法比较
多模态–60.6无法比较
长上下文–66.6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GPT-5.2-Codex, 编程: 55.2GPT-5.2-Codex, 智能体与工具: 69.0GPT-6 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 长上下文: 66.6GPT-6 Sol, 多模态: 60.6GPT-6 Sol, 人类偏好: 64.2

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):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 11 项基准测试中,GPT-5.2-Codex 领先 2 项,GPT-6 Sol 领先 9 项。

综合 IndexGPT-5.2-CodexGPT-6 Sol (max)领先者
BenchLeader Index57.662.6不相上下

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GPT-5.2-CodexGPT-6 Sol (max)
每百万 token 混合价格$4.81$4.00
每百万 token 输入 / 输出$1.75 / $14.00$2.00 / $10.00
每百万 token 缓存输入$0.175$0.200
每项任务价格:聊天回复$0.0049$0.0038
每项任务价格:总结一份 30 页的报告$0.029$0.030
每项任务价格:代码编辑$0.032$0.027
每项任务价格:智能体编程会话$0.161$0.160
每项任务价格:结构化信息提取$0.0063$0.0060
智能体编程会话(输入大多命中缓存)$0.090$0.079
每项基准测试任务成本(AA Index)–$2.47
每项任务输出 token(AA Index)–54k
其中推理部分–35k
每项任务耗时(AA Index)–7 min
输出速度45 tok/s127 tok/s
首次回答时间1.5 秒36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)–143.8 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.2-Codex 得分 57.6,首个回答 token 需 1 秒。GPT-6 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 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 126 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GPT-5.2-CodexGPT-6 Sol (max)
BenchLeader IndexBenchLeader57.662.6
智能体与工具得分BenchLeader69.058.8
编程得分BenchLeader55.266.3
人类偏好得分BenchLeader–64.2
知识得分BenchLeader–60.6
长上下文得分BenchLeader–66.6
数学得分BenchLeader–68.0
多模态得分BenchLeader–60.6
推理得分BenchLeader–66.0
混合价格(美元/百万 token)BenchLeader$4.81$4.00
输出速度BenchLeader45 tok/s127 tok/s
首次回答时间BenchLeader1.5 秒36.9 秒
上下文窗口BenchLeader272,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–94.3%
SimpleBenchSimpleBench–73.1%†
Arena Hard PromptsArena (LMArena)–1483
LiveBench 1.0 ReasoningLiveBench77.7%88.7%
GPQA Diamond (AA)Artificial Analysis89.9%†–
Humanity's Last Exam (AA)Artificial Analysis35.7%†47.9%
HLE-Diamond (AA)Artificial Analysis–45.2%
ARC-AGI-1ARC Prize–95.5%
ARC-AGI-2ARC Prize–89.6%
ARC-AGI-3ARC Prize–23.0%
CritPtArtificial Analysis8.7%†30.9%
CritPt v2 hard subset (AA)Artificial Analysis–66.5%
MysteryMechanismVals AI–30.2%
HLE-Diamond (Scale)Scale AI SEAL–33.8%†
Arena ExpertArena (LMArena)–1496
Chess PuzzlesEpoch AI Benchmarking Hub–56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub–56.0%
LMCAEpoch AI Benchmarking Hub–59.1%
DTBenchEpoch AI Benchmarking Hub–97.3%
编程
SciCodeSciCode–57.6%
FrontierCodeCognition–49.3%
Arena CodingArena (LMArena)–1521
Arena WebDevArena (LMArena)13391673
LiveBench 1.0 CodingLiveBench83.6%81.8%
LiveCodeBenchVals AI88.0%–
显示全部 126 项基准测试
指标发布方GPT-5.2-CodexGPT-6 Sol (max)
编程
IOIVals AI–82.6%
SWE-bench (Vals)Vals AI72.4%†–
SWE-Bench ProScale AI SEAL41.0%–
SWE-bench Verified (bash only)SWE-bench72.8%–
SWE-bench Multilingual (bash only)SWE-bench66.3%–
SWE-bench Verified (any scaffold)SWE-bench72.8%–
Code MigrationVals AI–57.2%
ProgramBenchVals AI–2.0%
Vibe Code Bench v1.1Vals AI37.9%†87.8%
SWE-Bench Pro (private)Scale AI SEAL27.7%–
MirrorCodeEpoch AI Benchmarking Hub–48.9%
ALE-BenchEpoch AI Benchmarking Hub1299.92462
WeirdML v3WeirdML–19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–43.9%
GameBench 2 OverallDuelLab GameBench 2–73.0†
GameBench 2 by reasoning settingDuelLab GameBench 2–79.4†
Design Arena WebsiteDesign Arena–1290†
FrontierCode 2.0 (AA)Artificial Analysis–35.6%
智能体与工具
Terminal-BenchTerminal-Bench66.5%50.3%
APEX-AgentsMercor–54.3%
Arena AgentArena (LMArena)–6.9
LiveBench Agentic CodingLiveBench49.4%52.9%
Terminal-Bench HardArtificial Analysis37.1%†–
τ²-Bench Telecom (AA)Artificial Analysis92.1%†–
Terminal-Bench 2.1 (Vals)Vals AI–83.2%
GDPval-AA v2.1Artificial Analysis–1514
ITBench SRE (AA)Artificial Analysis–49.4%
CyberBenchVals AI–78.0%
Finance Agent v2Vals AI–49.0%
Harvey's Legal Agent Benchmark v1Vals AI–1.7%
Legal Research BenchVals AI–28.9%
SREBenchVals AI–30.5%
Tax Agent BenchVals AI–15.0%
Terminal-Bench 4.0 (Vals)Vals AI–44.4%
Terminal-Bench ScienceVals AI–30.0%
Arena SearchArena (LMArena)–1229
Arena Agent Task CompletionArena (LMArena)–4.5
Vending-Bench 2Andon Labs–14427.9†
SpireClimbEpoch AI Benchmarking Hub–9.2%
AutomationBenchArtificial Analysis–61.6%
GDP.pdf (AA)Artificial Analysis–25.2%
Harvey LAB-AA v1.1Harvey–3.6%
AA-Briefcase v1.1Artificial Analysis–1476
Design Arena AgenticDesign Arena10391218†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–30.0%
CWE-Bench (AA)Artificial Analysis–64.2%
DeepSec-Bench (AA)Artificial Analysis–46.3%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub–90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%
ProofBenchVals AI–83.0%†
LiveBench MathematicsLiveBench88.8%96.4%
Arena MathsArena (LMArena)–1440
FrontierMath ErdősEpoch AI Benchmarking Hub–1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–60.7%
LiveBench 1.0 Data AnalysisLiveBench78.2%81.2%
AA-Omniscience v1.1Artificial Analysis–21.4
PRBench LegalScale AI SEAL–38.6%†
BioMysteryBenchVals AI–74.8%
Excel Modeling BenchmarkVals AI–71.5%
MedCodeVals AI–47.1%
MedScribeVals AI–82.0%
Public Benefits Bench v1.1Vals AI–56.6%
Financial Coaching BenchVals AI–62.6%
EBR-benchEpoch AI Benchmarking Hub–53.3%
GDP.pdfEpoch AI Benchmarking Hub–26.4%
AA-Omniscience v1.1: accuracyArtificial Analysis–51.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–39.1%
HealthBench Professional (AA)OpenAI–62.3%
FACTS ParametricGoogle–76.1%†
指令遵循
LiveBench LanguageLiveBench73.7%85.3%
LiveBench Instruction FollowingLiveBench66.5%68.6%
IFBenchArtificial Analysis77.6%†–
Arena Instruction FollowingArena (LMArena)–1449
人类偏好
Arena TextArena (LMArena)–1457
EQ-Bench Creative Writing v3EQ-Bench–2126†
Arena Creative WritingArena (LMArena)–1428
Arena Multi-turnArena (LMArena)–1468
Arena Longer QueriesArena (LMArena)–1466
多模态
Arena VisionArena (LMArena)–1233
MMMU-ProArtificial Analysis76.3%†83.0%
Humanity's Sixth SenseScale AI SEAL–31.2%
Blueprint-Bench 2Epoch AI Benchmarking Hub–36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub–58.3%
AA-3DArtificial Analysis–1131
FACTS MultimodalGoogle–43.9%†
长上下文
AA-LCR v1.1Artificial Analysis82.3%†83.7%
MLCRArtificial Analysis–33.9%
FACTS GroundingGoogle–83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–163.8†
LiveBench 1.0LiveBench74.0%79.3%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis28.5†47.6
AA Progress Index v1Artificial Analysis290.2†334
Vals RSI IndexVals AI–28.1%
Vals Science IndexVals AI–45.0%
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL–13.5%†
DistressBenchScale AI SEAL–68.0%†

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):6 项新结果(AA Intelligence Index v5.0.1, AA-Omniscience v1.1, CritPt v2 hard subset (AA)…)。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):BenchLeader Index 64.1 → 63.5。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

GPT-5.2-Codex vs GPT-6 Sol:常见问题

GPT-5.2-Codex 比 GPT-6 Sol 更好吗?
GPT-5.2-Codex 与 GPT-6 Sol (max) 的质量不相上下(57.6 比 62.6,在 ±10.5 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16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。
GPT-5.2-Codex 和 GPT-6 Sol 哪个更便宜?价格会变吗?
目前 GPT-6 Sol 更便宜:每百万 token $4.00 比 $4.81(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 GPT-5.2-Codex 还是 GPT-6 Sol 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-5.2-Codex 为 1339,GPT-6 Sol 为 1673。
GPT-5.2-Codex 和 GPT-6 Sol 哪个更快?
GPT-6 Sol 输出更快(约 2 倍;输出 127 比 45 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.2-Codex 还是 GPT-6 Sol 更好?
GPT-5.2-Codex 在智能体任务方面得分更高(类别得分 69 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 Terminal-Bench 上,GPT-5.2-Codex 为 66.5%,GPT-6 Sol 为 50.3%。
更多问题(4)
处理长文档哪个更好?
GPT-6 Sol 支持更长的上下文:1,050,000 token,GPT-5.2-Codex 为 272,000 token。
哪个延迟更低?
GPT-5.2-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.5 秒比 36.9 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 GPT-5.2-Codex 和 GPT-6 Sol 的看法一致吗?
在两者都有结果的 11 项基准测试中,GPT-5.2-Codex 领先 2 项,GPT-6 Sol 领先 9 项。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。