BenchLeader

GPT-5.3-Codex vs GPT-6.1 Terra

完整资料:GPT-5.3-Codex(OpenAI)和 GPT-6.1 Terra(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16日,GPT-5.3-Codex 与 GPT-6.1 Terra 的质量不相上下(BenchLeader Index 62.9 比 64.1,在 ±7.3 的误差范围内)。GPT-6.1 Terra 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $2.00 比 $4.81)。看重智能体与工具(80 比 63)选 GPT-5.3-Codex;看重编程(69 比 61)和多模态(67 比 61)选 GPT-6.1 Terra。GPT-5.3-Codex 的首次回答更快(38.2 秒 比 150.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,GPT-6.1 Terra 为 64.1(BenchLeader,2026年11月16日)。
  • GPT-5.3-Codex 每百万 token 混合价格为 $4.81(标价,2026年11月16日)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • 在两者都有结果的 8 项基准测试中,GPT-6.1 Terra 领先 7 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 Terra类别得分 69 比 61;Vibe Code Bench v1.1 84.0% 比 61.8%高
智能体与工具调用GPT-5.3-Codex类别得分 80 比 63;AA-Briefcase v1.1 868 比 1401高
长文档均可类别得分 66 比 66;AA-LCR v1.1 83.3% 比 82.7%均可
图像及其他媒体GPT-6.1 Terra类别得分 67 比 61;MMMU-Pro 84.7% 比 78.5%中
成本最低GPT-6.1 Terra每百万 token 混合价格 $2.00 比 $4.81;智能体编程会话 $0.080 比 $0.161–
首次回答最快GPT-5.3-Codex首个回答 token 38.2 秒(GPT-5.3-Codex (xhigh))比 150.9 秒(GPT-6.1 Terra (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-5.3-Codex (xhigh) 与 GPT-6.1 Terra (max) 的质量不相上下(62.9 比 64.1,在 ±7.3 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、长上下文方面更强。
  • GPT-6.1 Terra (max) 在编程、多模态方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $2.00 比 $4.81)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 1.3 倍(94 比 72 token/秒)。

概览

规格GPT-5.3-CodexGPT-6.1 Terra
提供商OpenAIOpenAI
发布日期2026年2月5日2026年10月26日
上下文窗口(token)400,0001,050,000
对比时的配置GPT-5.3-Codex (xhigh)GPT-6.1 Terra (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$1.00 / $5.00 / $0.050

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-5.3-Codex (xhigh)GPT-6.1 Terra (max)领先者
推理–68.4无法比较
编程61.069.3GPT-6.1 Terra
智能体与工具80.163.4GPT-5.3-Codex
数学–71.7无法比较
知识–61.4无法比较
指令遵循73.6–无法比较
多模态60.867.2GPT-6.1 Terra
长上下文66.466.0持平
综合–65.0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编程智能体与工具长上下文多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 长上下文: 66.0GPT-6.1 Terra, 多模态: 67.2

未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 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 8 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-6.1 Terra 领先 7 项。

综合 IndexGPT-5.3-Codex (xhigh)GPT-6.1 Terra (max)领先者
BenchLeader Index62.964.1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-5.3-Codex (xhigh)GPT-6.1 Terra (max)
每百万 token 混合价格$4.81$2.00
每百万 token 输入 / 输出$1.75 / $14.00$1.00 / $5.00
每百万 token 缓存输入$0.175$0.050
每项任务价格:聊天回复$0.0049$0.0019
每项任务价格:总结一份 30 页的报告$0.029$0.015
每项任务价格:代码编辑$0.032$0.013
每项任务价格:智能体编程会话$0.161$0.080
每项任务价格:结构化信息提取$0.0063$0.0030
智能体编程会话(输入大多命中缓存)$0.090$0.037
每项基准测试任务成本(AA Index)–$0.961
每项任务输出 token(AA Index)–60k
其中推理部分–39k
每项任务耗时(AA Index)–14 min
输出速度94 tok/s72 tok/s
首次回答时间38.2 秒150.9 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒375.7 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 秒。GPT-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 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 92 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-5.3-Codex (xhigh)GPT-6.1 Terra (max)
BenchLeader IndexBenchLeader62.964.1
智能体与工具得分BenchLeader80.163.4
编程得分BenchLeader61.069.3
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.466.0
多模态得分BenchLeader60.867.2
综合得分BenchLeader–65.0
知识得分BenchLeader–61.4
数学得分BenchLeader–71.7
推理得分BenchLeader–68.4
混合价格(美元/百万 token)BenchLeader$4.81$2.00
输出速度BenchLeader94 tok/s72 tok/s
首次回答时间BenchLeader38.2 秒150.9 秒
上下文窗口BenchLeader400,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–94.3%
SimpleBenchSimpleBench–72.2%†
LiveBench 2.0 ReasoningLiveBench–88.7%
GPQA Diamond (AA)Artificial Analysis91.5%–
Humanity's Last Exam (AA)Artificial Analysis42.5%46.3%
HLE-Diamond (AA)Artificial Analysis–47.3%
CritPtArtificial Analysis16.9%28.0%
CritPt v2 hard subset (AA)Artificial Analysis–68.0%
HLE-Diamond (Scale)Scale AI SEAL–35.7%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–74.0%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–55.1%
WeirdMLWeirdML77.9%–
Arena WebDevArena (LMArena)1406†1678
LiveBench 2.0 CodingLiveBench–89.2%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%–
Vibe Code Bench v1.1Vals AI61.8%84.0%
SWE Atlas v1.1Scale AI SEAL–57.7%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–54.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%†
SWE Atlas v1.1: RefactoringScale AI SEAL–55.7%†
MirrorCodeEpoch AI Benchmarking Hub–76.7%
ALE-BenchEpoch AI Benchmarking Hub1655.22608.8
显示全部 92 项基准测试
指标发布方GPT-5.3-Codex (xhigh)GPT-6.1 Terra (max)
编程
WeirdML v3WeirdML–28.1%†
Terminal-Bench 4.0 (AA)Artificial Analysis–55.6%
GameBench 2 OverallDuelLab GameBench 2–81.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–85.8†
Design Arena WebsiteDesign Arena1155†1286†
FrontierCode 1.1 (AA)Artificial Analysis–36.0%
FrontierCode 2.0 (AA)Artificial Analysis–42.3%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†53.3%
APEX-AgentsMercor–68.3%
Arena AgentArena (LMArena)–12
LiveBench Long AgenticLiveBench–56.2%
LiveBench BrowserLiveBench–93.1%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
HiL-BenchScale AI SEAL4.3%†68.0%†
GDPval-AA v2.1Artificial Analysis–1476
Finance Agent v2.1Vals AI–56.0%
Harvey's Legal Agent Benchmark v1.1Vals AI–1.7%
Legal Research BenchVals AI–26.0%
Tax Agent BenchVals AI–17.1%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%
Arena Agent Task CompletionArena (LMArena)–9.7
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†9107.5†
SpireClimbEpoch AI Benchmarking Hub–22.3%
AutomationBenchArtificial Analysis–60.2%
GDP.pdf (AA)Artificial Analysis–28.6%
AA-Briefcase v1.1Artificial Analysis8681401
GDPxGDPx by SemiAnalysis–8.5%
Design Arena AgenticDesign Arena1018†1192†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–57.6%
MKA (AA)Artificial Analysis–43.8%
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–90.9%
FrontierMath Tier 4Epoch AI Benchmarking Hub–92.7%
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.3%
LiveBench 2.0 Data AnalysisLiveBench–82.3%
LiveBench ResearchLiveBench–79.1%
AA-Omniscience v1.1Artificial Analysis–29.6
Excel Modeling Benchmark v1.1Vals AI–73.3%
EBR-benchEpoch AI Benchmarking Hub–78.1%
AA-Omniscience v1.1: accuracyArtificial Analysis–47.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–65.5%
FACTS ParametricGoogle–70.8%†
指令遵循
IFBenchArtificial Analysis75.4%–
MultiChallengeScale AI SEAL–74.2%†
多模态
LiveBench DesignLiveBench–79.7%
MMMU-ProArtificial Analysis78.5%84.7%
Blueprint-Bench 2Epoch AI Benchmarking Hub–42.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–79.2%
VIALS-AAHandshake AI–60.3%
FACTS MultimodalGoogle–48.8%†
长上下文
AA-LCR v1.1Artificial Analysis83.3%82.7%
MLCRArtificial Analysis–30.6%
FACTS GroundingGoogle–84.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–167.7†
LiveBench 2.0LiveBench–78.8%
AA Intelligence Index v5.0.1Artificial Analysis–51.3
AA Intelligence Index v4.3.2Artificial Analysis32.548.1
AA Progress Index v1Artificial Analysis301.3345.2
Vals IndexVals AI–60.5
Vals Finance IndexVals AI–53.3%
Vals Legal IndexVals AI–58.8%
安全与诚实
FORTRESSScale AI SEAL–18.2%†
DistressBenchScale AI SEAL–65.9%†

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 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (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

GPT-5.3-Codex vs GPT-6.1 Terra:常见问题

GPT-5.3-Codex 比 GPT-6.1 Terra 更好吗?
GPT-5.3-Codex (xhigh) 与 GPT-6.1 Terra (max) 的质量不相上下(62.9 比 64.1,在 ±7.3 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-5.3-Codex 和 GPT-6.1 Terra 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 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-5.3-Codex 还是 GPT-6.1 Terra 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 61,50 为平均水平)。
GPT-5.3-Codex 和 GPT-6.1 Terra 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 72 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 GPT-6.1 Terra 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 63,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。GPT-6.1 Terra 支持更长的上下文:1,050,000 token,GPT-5.3-Codex 为 400,000 token。
哪个延迟更低?
GPT-5.3-Codex 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.2 秒比 150.9 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-5.3-Codex 和 GPT-6.1 Terra 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5.3-Codex 领先 1 项,GPT-6.1 Terra 领先 7 项。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。