BenchLeader

GPT-5.4 vs GPT-6 Sol

完整资料:GPT-5.4(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-5.4 与 GPT-6 Sol 的质量不相上下(BenchLeader Index 63.1 比 62.6,在 ±4.2 的误差范围内)。GPT-6 Sol 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。看重智能体与工具(63 比 59)选 GPT-5.4;看重数学(68 比 65)、知识(61 比 59)和编程(66 比 65)选 GPT-6 Sol。GPT-6 Sol 的首次回答更快(36.9 秒 比 144.9 秒)。GPT-6 Sol 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,GPT-6 Sol 为 62.6(BenchLeader,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(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-5.4 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 36 项基准测试中,GPT-6 Sol 领先 34 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 Sol类别得分 66 比 65;SciCode 57.6% 比 56.6%中
智能体与工具调用GPT-5.4类别得分 63 比 59;LiveBench Agentic Coding 53.8% 比 52.9%中
数学GPT-6 Sol类别得分 68 比 65;FrontierMath Tiers 1–3 89.8% 比 78.6%中
推理均可类别得分 66 比 66;GPQA Diamond 93.3% 比 94.3%均可
知识GPT-6 Sol类别得分 61 比 59;SimpleQA Verified 60.7% 比 45.1%中
长文档均可类别得分 66 比 67;AA-LCR v1.1 82.0% 比 83.7%均可
图像及其他媒体均可类别得分 61 比 61;MMMU-Pro 78.4% 比 83.0%均可
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 $5.63;智能体编程会话 $0.160 比 $0.210–
首次回答最快GPT-6 Sol首个回答 token 36.9 秒(GPT-6 Sol (max))比 144.9 秒(GPT-5.4 (xhigh))–
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 (xhigh) 与 GPT-6 Sol (max) 的质量不相上下(63.1 比 62.6,在 ±4.2 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、多模态方面更强。
  • GPT-6 Sol (max) 在编程、知识、长上下文、数学、推理方面更强。
  • GPT-6 Sol (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $4.00 比 $5.63)。
  • GPT-6 Sol (max) 的输出速度是对方的 1.8 倍(127 比 73 token/秒)。

概览

规格GPT-5.4GPT-6 Sol
提供商OpenAIOpenAI
发布日期2026年3月5日2026年9月22日
上下文窗口(token)1,050,0001,050,000
对比时的配置GPT-5.4 (xhigh)GPT-6 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.50 / $15.00 / $0.250$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 (xhigh)GPT-6 Sol (max)领先者
推理65.766.0持平
编程64.766.3GPT-6 Sol
智能体与工具63.058.8GPT-5.4
数学64.868.0GPT-6 Sol
知识58.660.6GPT-6 Sol
指令遵循72.4–无法比较
人类偏好–64.2无法比较
多模态60.860.6持平
长上下文65.766.6持平

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GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8GPT-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: 60.6

未绘制(测得的模型少于两个):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 36 项基准测试中,GPT-5.4 领先 2 项,GPT-6 Sol 领先 34 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。

综合 IndexGPT-5.4 (xhigh)GPT-6 Sol (max)领先者
BenchLeader Index63.162.6不相上下
Arena Text1475†1457GPT-5.4

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 (xhigh)GPT-6 Sol (max)
每百万 token 混合价格$5.63$4.00
每百万 token 输入 / 输出$2.50 / $15.00$2.00 / $10.00
每百万 token 缓存输入$0.250$0.200
每项任务价格:聊天回复$0.0055$0.0038
每项任务价格:总结一份 30 页的报告$0.039$0.030
每项任务价格:代码编辑$0.037$0.027
每项任务价格:智能体编程会话$0.210$0.160
每项任务价格:结构化信息提取$0.0080$0.0060
智能体编程会话(输入大多命中缓存)$0.109$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73 tok/s127 tok/s
首次回答时间144.9 秒36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒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-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 171 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 (xhigh)GPT-6 Sol (max)
BenchLeader IndexBenchLeader63.162.6
智能体与工具得分BenchLeader63.058.8
编程得分BenchLeader64.766.3
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.660.6
长上下文得分BenchLeader65.766.6
数学得分BenchLeader64.868.0
多模态得分BenchLeader60.860.6
推理得分BenchLeader65.766.0
人类偏好得分BenchLeader–64.2
混合价格(美元/百万 token)BenchLeader$5.63$4.00
输出速度BenchLeader73 tok/s127 tok/s
首次回答时间BenchLeader144.9 秒36.9 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%94.3%
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–73.1%†
Arena Hard PromptsArena (LMArena)1487†1483
LiveBench 1.0 ReasoningLiveBench88.1%88.7%
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%47.9%
HLE-Diamond (AA)Artificial Analysis–45.2%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%95.5%
ARC-AGI-2ARC Prize74.0%89.6%
ARC-AGI-3ARC Prize0.2%†23.0%
CritPtArtificial Analysis23.4%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)1491†1496
Chess PuzzlesEpoch AI Benchmarking Hub48.0%56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%56.0%
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%59.1%
DTBenchEpoch AI Benchmarking Hub94.4%97.3%
ForecastBenchForecastBench63.0%†–
显示全部 171 项基准测试
指标发布方GPT-5.4 (xhigh)GPT-6 Sol (max)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%57.6%
WeirdMLWeirdML77.7%–
FrontierCodeCognition–49.3%
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1521
Arena WebDevArena (LMArena)1400†1673
LiveBench 1.0 CodingLiveBench77.5%81.8%
SciCode (AA)Artificial Analysis–57.6%
LiveCodeBenchVals AI84.1%–
IOIVals AI–82.6%
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%57.2%
ProgramBenchVals AI0.0%2.0%
Vibe Code Bench v1.1Vals AI67.4%87.8%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
MirrorCodeEpoch AI Benchmarking Hub23.3%48.9%
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†2462
AlgoTuneAlgoTune1.9†–
WeirdML v3WeirdML–19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–43.9%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†73.0†
GameBench 2 by reasoning settingDuelLab GameBench 262.179.4†
Design Arena WebsiteDesign Arena1190†1290†
FrontierCode 2.0 (AA)Artificial Analysis–35.6%
智能体与工具
Terminal-BenchTerminal-Bench81.8%†50.3%
APEX-AgentsMercor52.4%†54.3%
Arena AgentArena (LMArena)–6.9
LiveBench Agentic CodingLiveBench53.8%52.9%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–83.2%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561514
τ³-Banking (AA)Artificial Analysis39.6%–
ITBench SRE (AA)Artificial Analysis–49.4%
APEX-Agents (AA)Artificial Analysis33.3%–
CyberBenchVals AI–78.0%
Finance Agent v2Vals AI–49.0%
Harvey's Legal Agent Benchmark v1Vals AI0.0%1.7%
Legal Research BenchVals AI–28.9%
SkillsBenchVals AI51.7%–
SREBenchVals AI–30.5%
Tax Agent BenchVals AI–15.0%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–44.4%
Terminal-Bench ScienceVals AI–30.0%
Arena SearchArena (LMArena)1196†1229
Arena Agent Task CompletionArena (LMArena)–4.5
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†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 Arena1042†1218†
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%
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%100.0%
ProofBenchVals AI56.0%83.0%†
LiveBench MathematicsLiveBench94.2%96.4%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1440
FrontierMath ErdősEpoch AI Benchmarking Hub–1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%60.7%
LiveBench 1.0 Data AnalysisLiveBench79.3%81.2%
AA-Omniscience v1.1Artificial Analysis–21.4
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†38.6%†
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–74.8%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–71.5%
MedCodeVals AI41.3%47.1%
MedScribeVals AI77.5%82.0%
Public Benefits Bench v1.1Vals AI–56.6%
Financial Coaching BenchVals AI–62.6%
EBR-benchEpoch AI Benchmarking Hub25.4%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 LanguageLiveBench82.6%85.3%
LiveBench Instruction FollowingLiveBench70.2%68.6%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1449
人类偏好
Arena TextArena (LMArena)1465†1457
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†2126†
Arena Creative WritingArena (LMArena)1433†1428
Arena Multi-turnArena (LMArena)1480†1468
Arena Longer QueriesArena (LMArena)1477†1466
多模态
Arena VisionArena (LMArena)1292†1233
MMMU-ProArtificial Analysis78.4%83.0%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
Humanity's Sixth SenseScale AI SEAL–31.2%
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub37.5%58.3%
AA-3DArtificial Analysis–1131
FACTS MultimodalGoogle–43.9%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%83.7%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–33.9%
FACTS GroundingGoogle–83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†163.8†
LiveBench 1.0LiveBench78.0%79.3%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis39.047.6
AA Progress Index v1Artificial Analysis311.6334
Vals RSI IndexVals AI15.5%28.1%
Vals Science IndexVals AI–45.0%
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL–13.5%†
MASKScale AI SEAL89.7%†–
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-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • 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-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-5.4 (xhigh):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 vs GPT-6 Sol:常见问题

GPT-5.4 比 GPT-6 Sol 更好吗?
GPT-5.4 (xhigh) 与 GPT-6 Sol (max) 的质量不相上下(63.1 比 62.6,在 ±4.2 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 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 $5.63(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-5.4 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 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.4 为 56.6%,GPT-6 Sol 为 57.6%。
GPT-5.4 和 GPT-6 Sol 哪个更快?
GPT-6 Sol 输出更快(约 1.5 倍;输出 127 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 GPT-6 Sol 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 59,50 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 67)。两者都支持 1,050,000 token 的上下文。
哪个延迟更低?
GPT-6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 36.9 秒比 144.9 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-5.4 和 GPT-6 Sol 的看法一致吗?
在两者都有结果的 36 项基准测试中,GPT-5.4 领先 2 项,GPT-6 Sol 领先 34 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。