BenchLeader

GPT-5.4 Pro vs Qwen3.6 Max

完整资料:GPT-5.4 Pro(OpenAI)和 Qwen3.6 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 7 个来源

截至 2026年11月16日,GPT-5.4 Pro 与 Qwen3.6 Max 的质量不相上下(BenchLeader Index 63.1 比 62.1,在 ±4.6 的误差范围内)。Qwen3.6 Max 更便宜,对方的价格是它的 23 倍(每百万 token 混合价格 $2.92 比 $67.50)。看重知识(74 比 60)和推理(70 比 61)选 GPT-5.4 Pro;看重指令遵循(75 比 64)选 Qwen3.6 Max。

要点(截至 2026年11月16日)

  • GPT-5.4 Pro 的 BenchLeader Index 为 63.1,Qwen3.6 Max 为 62.1(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)。
  • Qwen3.6 Max 每百万 token 混合价格为 $2.92(标价,2026年11月16日)。
  • 在两者都有结果的 2 项基准测试中,GPT-5.4 Pro 领先 2 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
推理GPT-5.4 Pro类别得分 70 比 61;SimpleBench 74.1% 比 63.0%高
知识GPT-5.4 Pro类别得分 74 比 60高
指令遵循Qwen3.6 Max类别得分 75 比 64高
对话质量(人类偏好)–只有 Qwen3.6 Max 有 Arena 评分(类别得分 65)无法比较
成本最低Qwen3.6 Max每百万 token 混合价格 $2.92 比 $67.50;智能体编程会话 $0.109 比 $2.52–
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 Qwen3.6 Max (max) 的质量不相上下(63.1 比 62.1,在 ±4.6 的误差范围内)。
  • GPT-5.4 Pro 在知识、推理方面更强。
  • Qwen3.6 Max (max) 在指令遵循方面更强。
  • Qwen3.6 Max (max) 更便宜,对方的价格是它的 23 倍(每百万 token 混合价格 $2.92 比 $67.50)。

概览

规格GPT-5.4 ProQwen3.6 Max
提供商OpenAIAlibaba
发布日期2026年3月4日2026年4月20日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-5.4 ProQwen3.6 Max (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$30.00 / $180.00 / –$1.30 / $7.80 / $0.130

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 ProQwen3.6 Max (max)领先者
推理70.160.8GPT-5.4 Pro
编程–55.9无法比较
智能体与工具–72.1无法比较
数学–64.4无法比较
知识74.059.7GPT-5.4 Pro
指令遵循64.474.7Qwen3.6 Max
人类偏好–64.5无法比较
多模态69.8–无法比较
长上下文–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推理知识指令遵循GPT-5.4 Pro, 推理: 70.1GPT-5.4 Pro, 知识: 74.0GPT-5.4 Pro, 指令遵循: 64.4Qwen3.6 Max, 推理: 60.8Qwen3.6 Max, 知识: 59.7Qwen3.6 Max, 指令遵循: 74.7

未绘制(测得的模型少于两个):编程, 智能体与工具, 数学, 长上下文, 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 2 项基准测试中,GPT-5.4 Pro 领先 2 项,Qwen3.6 Max 领先 0 项。

综合 IndexGPT-5.4 ProQwen3.6 Max (max)领先者
BenchLeader Index63.162.1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-5.4 ProQwen3.6 Max (max)
每百万 token 混合价格$67.50$2.92
每百万 token 输入 / 输出$30.00 / $180.00$1.30 / $7.80
每百万 token 缓存输入–$0.130
每项任务价格:聊天回复$0.066$0.0029
每项任务价格:总结一份 30 页的报告$0.468$0.020
每项任务价格:代码编辑$0.450$0.019
每项任务价格:智能体编程会话$2.52$0.109
每项任务价格:结构化信息提取$0.096$0.0042
智能体编程会话(输入大多命中缓存)–$0.057
输出速度7 tok/s–
首次回答时间7.9 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)。Qwen3.6 Max (max) 得分 62.1。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 47 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 ProQwen3.6 Max (max)
BenchLeader IndexBenchLeader63.162.1
指令遵循得分BenchLeader64.474.7
知识得分BenchLeader74.059.7
多模态得分BenchLeader69.8–
推理得分BenchLeader70.160.8
智能体与工具得分BenchLeader–72.1
编程得分BenchLeader–55.9
人类偏好得分BenchLeader–64.5
长上下文得分BenchLeader–65.0
数学得分BenchLeader–64.4
混合价格(美元/百万 token)BenchLeader$67.50$2.92
输出速度BenchLeader7 tok/s–
首次回答时间BenchLeader7.9 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.6%†87.4%
Humanity's Last ExamScale AI / CAIS44.3%–
SimpleBenchSimpleBench74.1%63.0%
Arena Hard PromptsArena (LMArena)–1481
GPQA Diamond (AA)Artificial Analysis–88.8%
Humanity's Last Exam (AA)Artificial Analysis–30.8%
ARC-AGI-1ARC Prize94.5%†–
ARC-AGI-2ARC Prize83.3%†–
CritPtArtificial Analysis30.0%†3.7%
Arena ExpertArena (LMArena)–1497
Chess PuzzlesEpoch AI Benchmarking Hub59.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–19.0%†
LMCAEpoch AI Benchmarking Hub–42.5%
DTBenchEpoch AI Benchmarking Hub–87.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.7%
WeirdMLWeirdML57.4%†–
Arena CodingArena (LMArena)–1510
Arena WebDevArena (LMArena)–1482
SWE-bench (Vals)Vals AI–72.8%
智能体与工具
Terminal-Bench HardArtificial Analysis–43.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
Terminal-Bench 2.0 (Vals)Vals AI–51.7%
Vending-Bench 2Andon Labs–4254.2
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub82.5%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub58.5%†–
显示全部 47 项基准测试
指标发布方GPT-5.4 ProQwen3.6 Max (max)
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub–91.1%
MathArena ApexMathArena69.8%†–
Arena MathsArena (LMArena)–1471
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.3%†52.0%
CorpFinVals AI–66.5%
MultiNRCScale AI SEAL62.3%–
CaseLaw v2Vals AI–47.9%
指令遵循
IFBenchArtificial Analysis–76.6%
MultiChallengeScale AI SEAL69.2%–
TutorBenchScale AI SEAL56.6%–
Arena Instruction FollowingArena (LMArena)–1451
人类偏好
Arena TextArena (LMArena)–1460
Arena Creative WritingArena (LMArena)–1438
Arena Multi-turnArena (LMArena)–1466
Arena Longer QueriesArena (LMArena)–1473
多模态
VISTAScale AI SEAL53.9%–
长上下文
AA-LCR v1.1Artificial Analysis–80.7%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.2149.8
AA Intelligence Index v4.3.2Artificial Analysis–28.4
AA Progress Index v1Artificial Analysis–297.1
安全与诚实
FORTRESSScale AI SEAL14.8%–
MASKScale AI SEAL91.7%–

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。

变化

  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • Qwen3.6 Max (max):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 Pro:BenchLeader Index 63.6 → 63.1。
  • Qwen3.6 Max (max):BenchLeader Index 63.3 → 62.8。
  • GPT-5.4 Pro: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 Qwen3.6 Max:常见问题

GPT-5.4 Pro 比 Qwen3.6 Max 更好吗?
GPT-5.4 Pro 与 Qwen3.6 Max (max) 的质量不相上下(63.1 比 62.1,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 Qwen3.6 Max 哪个更便宜?价格会变吗?
目前 Qwen3.6 Max 更便宜:每百万 token $2.92 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。
处理长文档哪个更好?
GPT-5.4 Pro 支持更长的上下文:1,050,000 token,Qwen3.6 Max 为 262,144 token。
第三方基准测试对 GPT-5.4 Pro 和 Qwen3.6 Max 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 2 项,Qwen3.6 Max 领先 0 项。
Qwen3.6 Max 是什么时候发布的?
Qwen3.6 Max 于 2026年4月20日 发布。