BenchLeader

GPT-5.4 Pro vs Kimi K3.1 Pro

完整资料:GPT-5.4 Pro(OpenAI)和 Kimi K3.1 Pro(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 8 个来源

截至 2026年11月16日,GPT-5.4 Pro 与 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 63.1 比 61.8,在 ±4.6 的误差范围内)。Kimi K3.1 Pro 更便宜,对方的价格是它的 17 倍(每百万 token 混合价格 $4.00 比 $67.50)。在两者都有成绩的所有类别中,GPT-5.4 Pro 均领先。Kimi K3.1 Pro 输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-5.4 Pro 的 BenchLeader Index 为 63.1,Kimi K3.1 Pro 为 61.8(BenchLeader,2026年11月16日)。
  • GPT-5.4 Pro 每百万 token 混合价格为 $67.50(标价,2026年11月16日)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Kimi K3.1 Pro 比 GPT-5.4 Pro 输出更快(3 倍以上;Artificial Analysis,7 日中位数,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
推理GPT-5.4 Pro类别得分 70 比 59高
知识GPT-5.4 Pro类别得分 74 比 58高
图像及其他媒体GPT-5.4 Pro类别得分 70 比 66中
成本最低Kimi K3.1 Pro每百万 token 混合价格 $4.00 比 $67.50;智能体编程会话 $0.160 比 $2.52–
首次回答最快GPT-5.4 Pro首个回答 token 7.9 秒(GPT-5.4 Pro)比 157.4 秒(Kimi K3.1 Pro)–
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-5.4 Pro 与 Kimi K3.1 Pro 的质量不相上下(63.1 比 61.8,在 ±4.6 的误差范围内)。
  • GPT-5.4 Pro 在知识、多模态、推理方面更强。
  • Kimi K3.1 Pro 更便宜,对方的价格是它的 17 倍(每百万 token 混合价格 $4.00 比 $67.50)。
  • Kimi K3.1 Pro 的输出速度是对方的 4.6 倍(30 比 7 token/秒)。

概览

规格GPT-5.4 ProKimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年3月4日2026年10月23日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 ProKimi K3.1 Pro
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$30.00 / $180.00 / –$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-5.4 ProKimi K3.1 Pro领先者
推理70.159.2GPT-5.4 Pro
编程–59.6无法比较
智能体与工具–64.6无法比较
数学–73.4无法比较
知识74.058.2GPT-5.4 Pro
指令遵循64.4–无法比较
多模态69.866.3GPT-5.4 Pro
长上下文–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推理知识多模态GPT-5.4 Pro, 推理: 70.1GPT-5.4 Pro, 知识: 74.0GPT-5.4 Pro, 多模态: 69.8Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 多模态: 66.3

未绘制(测得的模型少于两个):编程, 智能体与工具, 数学, 指令遵循, 长上下文, 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 2 项基准测试中,GPT-5.4 Pro 领先 1 项,Kimi K3.1 Pro 领先 1 项。

综合 IndexGPT-5.4 ProKimi K3.1 Pro领先者
BenchLeader Index63.161.8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-5.4 ProKimi K3.1 Pro
每百万 token 混合价格$67.50$4.00
每百万 token 输入 / 输出$30.00 / $180.00$2.00 / $10.00
每百万 token 缓存输入–$0.200
每项任务价格:聊天回复$0.066$0.0038
每项任务价格:总结一份 30 页的报告$0.468$0.030
每项任务价格:代码编辑$0.450$0.027
每项任务价格:智能体编程会话$2.52$0.160
每项任务价格:结构化信息提取$0.096$0.0060
智能体编程会话(输入大多命中缓存)–$0.079
每项基准测试任务成本(AA Index)–$3.68
每项任务输出 token(AA Index)–72k
其中推理部分–44k
每项任务耗时(AA Index)–40 min
输出速度7 tok/s30 tok/s
首次回答时间7.9 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)–417.5 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.4 Pro 得分 63.1,首个回答 token 需 8 秒;GPT-5.4 Pro (xhigh) 为 59.5(8 秒)。Kimi K3.1 Pro 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 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 109 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-5.4 ProKimi K3.1 Pro
BenchLeader IndexBenchLeader63.161.8
指令遵循得分BenchLeader64.4–
知识得分BenchLeader74.058.2
多模态得分BenchLeader69.866.3
推理得分BenchLeader70.159.2
智能体与工具得分BenchLeader–64.6
编程得分BenchLeader–59.6
长上下文得分BenchLeader–67.9
数学得分BenchLeader–73.4
混合价格(美元/百万 token)BenchLeader$67.50$4.00
输出速度BenchLeader7 tok/s30 tok/s
首次回答时间BenchLeader7.9 秒157.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.6%†–
Humanity's Last ExamScale AI / CAIS44.3%–
SimpleBenchSimpleBench74.1%–
Arena Hard PromptsArena (LMArena)–1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
Humanity's Last Exam (AA)Artificial Analysis–52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
ARC-AGI-1ARC Prize94.5%†–
ARC-AGI-2ARC Prize83.3%†–
CritPtArtificial Analysis30.0%†24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)–1515†
Chess PuzzlesEpoch AI Benchmarking Hub59.0%†–
LMCAEpoch AI Benchmarking Hub–57.6%†
DTBenchEpoch AI Benchmarking Hub–93.3%†
编程
SciCodeSciCode–60.8%
WeirdMLWeirdML57.4%†–
Arena CodingArena (LMArena)–1530†
Arena WebDevArena (LMArena)–1687†
LiveBench 2.0 CodingLiveBench–67.8%†
IOIVals AI–81.9%†
Vibe Code Bench v1.1Vals AI–84.9%†
SWE Atlas v1.1Scale AI SEAL–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
显示全部 109 项基准测试
指标发布方GPT-5.4 ProKimi K3.1 Pro
编程
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
ALE-BenchEpoch AI Benchmarking Hub–1932.8†
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis–67.2%
GameBench 2 OverallDuelLab GameBench 2–78.3
GameBench 2 by reasoning settingDuelLab GameBench 2–84.0†
Design Arena WebsiteDesign Arena–1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis–25.4%
智能体与工具
Terminal-BenchTerminal-Bench–59.7%†
APEX-AgentsMercor–65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
HiL-BenchScale AI SEAL–61.3%
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis–1861
Analyst Agent (AA)Artificial Analysis–38.8%
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Legal Research BenchVals AI–37.5%†
SREBenchVals AI–27.1%†
Tax Agent BenchVals AI–24.9%†
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Arena Agent Task CompletionArena (LMArena)–2.7†
AutomationBenchArtificial Analysis–73.3%
GDP.pdf (AA)Artificial Analysis–31.4%
AA-Briefcase v1.1Artificial Analysis–1674
Design Arena AgenticDesign Arena–1301
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–34.3%
CWE-Bench (AA)Artificial Analysis–60.8%
DeepSec-Bench (AA)Artificial Analysis–36.7%
CyberGym end-to-end (AA)Artificial Analysis–94.7%
MKA (AA)Artificial Analysis–43.9%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub82.5%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub58.5%†–
ProofBenchVals AI–91.0%
MathArena ApexMathArena69.8%†–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.3%†–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
AA-Omniscience v1.1Artificial Analysis–29.9
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL–47.9%
MultiNRCScale AI SEAL62.3%–
BioMysteryBenchVals AI–75.6%†
Excel Modeling Benchmark v1.1Vals AI–70.0%†
Access to Justice BenchmarkVals AI–69.5%†
DrugDiscoveryBenchScale AI SEAL–63.4%†
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
指令遵循
MultiChallengeScale AI SEAL69.2%–
TutorBenchScale AI SEAL56.6%–
Arena Instruction FollowingArena (LMArena)–1487†
人类偏好
Arena TextArena (LMArena)–1485†
EQ-Bench Creative Writing v3EQ-Bench–2173
Arena Creative WritingArena (LMArena)–1453†
Arena Multi-turnArena (LMArena)–1475†
Arena Longer QueriesArena (LMArena)–1491†
多模态
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis–83.9%
VISTAScale AI SEAL53.9%–
Humanity's Sixth SenseScale AI SEAL–33.2%†
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis–1112
长上下文
AA-LCR v1.1Artificial Analysis–86.3%
MLCRArtificial Analysis–38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.2161.4
LiveBench 2.0LiveBench–68.7%†
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis–55.1
AA Progress Index v1Artificial Analysis–340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals Science IndexVals AI–44.4%†
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全与诚实
FORTRESSScale AI SEAL14.8%18.6%
MASKScale AI SEAL91.7%–
元数据
AA Openness IndexArtificial Analysis–33.3

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

  • Kimi K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。
  • Kimi K3.1 Pro:5 项分数修订。
  • Kimi K3.1 Pro:BenchLeader Index 61.3 → 61.8。
  • Kimi K3.1 Pro:1 项新结果(GameBench 2 Overall);1 项分数修订。

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-5.4 Pro vs Kimi K3.1 Pro:常见问题

GPT-5.4 Pro 比 Kimi K3.1 Pro 更好吗?
GPT-5.4 Pro 与 Kimi K3.1 Pro 的质量不相上下(63.1 比 61.8,在 ±4.6 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-5.4 Pro 和 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
目前 Kimi K3.1 Pro 更便宜:每百万 token $4.00 比 $67.50(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。
GPT-5.4 Pro 和 Kimi K3.1 Pro 哪个更快?
Kimi K3.1 Pro 输出更快(3 倍以上;输出 30 比 7 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.4 Pro 为 1,050,000,Kimi K3.1 Pro 为 1,048,576)。
哪个延迟更低?
GPT-5.4 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 7.9 秒比 157.4 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
更多问题(2)
第三方基准测试对 GPT-5.4 Pro 和 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 2 项基准测试中,GPT-5.4 Pro 领先 1 项,Kimi K3.1 Pro 领先 1 项。
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。