BenchLeader

GPT-5.4 vs Grok 4.6

完整资料:GPT-5.4(OpenAI)和 Grok 4.6(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,GPT-5.4 与 Grok 4.6 的质量不相上下(BenchLeader Index 63.1 比 60.6,在 ±4.3 的误差范围内)。Grok 4.6 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。在两者都有成绩的所有类别中,GPT-5.4 均领先。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Grok 4.6 为 60.6(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)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 32 项基准测试中,Grok 4.6 领先 22 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-5.4类别得分 65 比 61;SciCode 56.6% 比 56.5%中
智能体与工具调用GPT-5.4类别得分 63 比 59;τ³-Banking (AA) 39.6% 比 50.7%中
数学GPT-5.4类别得分 65 比 63;OTIS Mock AIME 95.3% 比 97.8%中
推理GPT-5.4类别得分 66 比 64;ARC-AGI-2 74.0% 比 65.1%中
知识均可类别得分 59 比 60;SimpleQA Verified 45.1% 比 49.3%均可
长文档均可类别得分 66 比 65;AA-LCR v1.1 82.0% 比 80.3%均可
图像及其他媒体均可类别得分 61 比 60;MortgageTax 68.3% 比 64.2%均可
对话质量(人类偏好)–只有 Grok 4.6 有 Arena 评分(类别得分 64)无法比较
成本最低Grok 4.6每百万 token 混合价格 $3.00 比 $5.63;智能体编程会话 $0.144 比 $0.210–
首次回答最快Grok 4.6首个回答 token 28.6 秒(Grok 4.6 (high))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 Grok 4.6 (high) 的质量不相上下(63.1 比 60.6,在 ±4.3 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、长上下文、数学、多模态、推理方面更强。
  • Grok 4.6 (high) 在知识方面更强。
  • Grok 4.6 (high) 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $3.00 比 $5.63)。

概览

规格GPT-5.4Grok 4.6
提供商OpenAISpaceXAI
发布日期2026年3月5日2026年8月11日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-5.4 (xhigh)Grok 4.6 (high)
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 / $6.00 / $0.500

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)Grok 4.6 (high)领先者
推理65.763.5GPT-5.4
编程64.761.1GPT-5.4
智能体与工具63.059.2GPT-5.4
数学64.863.4GPT-5.4
知识58.659.5持平
指令遵循72.4–无法比较
人类偏好–64.1无法比较
多模态60.860.0持平
长上下文65.764.8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: 60.8Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 智能体与工具: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 知识: 59.5Grok 4.6, 长上下文: 64.8Grok 4.6, 多模态: 60.0

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 32 项基准测试中,GPT-5.4 领先 10 项,Grok 4.6 领先 22 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)Grok 4.6 (high)领先者
BenchLeader Index63.160.6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)Grok 4.6 (high)
每百万 token 混合价格$5.63$3.00
每百万 token 输入 / 输出$2.50 / $15.00$2.00 / $6.00
每百万 token 缓存输入$0.250$0.500
每项任务价格:聊天回复$0.0055$0.0026
每项任务价格:总结一份 30 页的报告$0.039$0.028
每项任务价格:代码编辑$0.037$0.021
每项任务价格:智能体编程会话$0.210$0.144
每项任务价格:结构化信息提取$0.0080$0.0052
智能体编程会话(输入大多命中缓存)$0.109$0.076
输出速度73 tok/s73 tok/s
首次回答时间144.9 秒28.6 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒62.7 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.4 (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)。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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)Grok 4.6 (high)
BenchLeader IndexBenchLeader63.160.6
智能体与工具得分BenchLeader63.059.2
编程得分BenchLeader64.761.1
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.659.5
长上下文得分BenchLeader65.764.8
数学得分BenchLeader64.863.4
多模态得分BenchLeader60.860.0
推理得分BenchLeader65.763.5
人类偏好得分BenchLeader–64.1
混合价格(美元/百万 token)BenchLeader$5.63$3.00
输出速度BenchLeader73 tok/s73 tok/s
首次回答时间BenchLeader144.9 秒28.6 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%94.0%
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–75.9%†
Arena Hard PromptsArena (LMArena)1487†1481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench88.1%90.5%†
GPQA Diamond (AA)Artificial Analysis92.0%95.0%
Humanity's Last Exam (AA)Artificial Analysis43.7%42.9%
HLE-Diamond (AA)Artificial Analysis–21.5%†
GPQA Diamond (Vals)Vals AI91.7%94.7%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%87.0%
ARC-AGI-2ARC Prize74.0%65.1%
ARC-AGI-3ARC Prize0.2%†2.1%†
CritPtArtificial Analysis23.4%17.1%
CritPt v2 hard subset (AA)Artificial Analysis–40.0%†
MysteryMechanismVals AI–30.6%
Arena ExpertArena (LMArena)1491†1496
Chess PuzzlesEpoch AI Benchmarking Hub48.0%33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%34.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%48.5%†
DTBenchEpoch AI Benchmarking Hub94.4%97.3%†
ForecastBenchForecastBench63.0%†65.4%†
显示全部 171 项基准测试
指标发布方GPT-5.4 (xhigh)Grok 4.6 (high)
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%56.5%
WeirdMLWeirdML77.7%67.3%
FrontierCodeCognition–48.0%†
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1508
Arena WebDevArena (LMArena)1400†1618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench77.5%76.8%†
SciCode (AA)Artificial Analysis–56.5%
LiveCodeBenchVals AI84.1%88.2%
IOIVals AI–47.6%
SWE-bench (Vals)Vals AI78.2%95.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%44.6%
ProgramBenchVals AI0.0%1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI67.4%76.2%
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%41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub1607†1508.1†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 253.4†59.4†
GameBench 2 by reasoning settingDuelLab GameBench 262.168.7†
Design Arena WebsiteDesign Arena1190†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†19.7%
APEX-AgentsMercor52.4%†65.3%†
Arena AgentArena (LMArena)–-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench53.8%57.0%†
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–78.3%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561627
τ³-Banking (AA)Artificial Analysis39.6%50.7%
Analyst Agent (AA)Artificial Analysis–41.3%
APEX-Agents (AA)Artificial Analysis33.3%–
CyberBenchVals AI–67.7%
Finance Agent v2Vals AI–53.7%
Harvey's Legal Agent Benchmark v1Vals AI0.0%15.8%
Legal Research BenchVals AI–48.1%
SkillsBenchVals AI51.7%55.8%
Tax Agent BenchVals AI–33.7%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%
Terminal-Bench ScienceVals AI–11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–-2.6†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†9047.0†
AutomationBenchArtificial Analysis–66.7%
GDP.pdf (AA)Artificial Analysis–17.0%
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis–1526
Design Arena AgenticDesign Arena1042†1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%97.8%
ProofBenchVals AI56.0%51.0%†
LiveBench MathematicsLiveBench94.2%92.6%†
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1445
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench79.3%73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI87.5%89.4%
LegalBenchVals AI86.0%86.3%
CorpFinVals AI65.3%66.2%
TaxEvalVals AI74.0%71.1%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–72.2%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–62.7%
MedCodeVals AI41.3%44.7%
MedScribeVals AI77.5%86.5%
Public Benefits Bench v1.1Vals AI–66.8%
Access to Justice BenchmarkVals AI–71.3%
Immigration BenchVals AI–66.0%
EBR-benchEpoch AI Benchmarking Hub25.4%30.5%†
GDP.pdfEpoch AI Benchmarking Hub–16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
FACTS ParametricGoogle–44.5%†
指令遵循
LiveBench LanguageLiveBench82.6%83.7%†
LiveBench Instruction FollowingLiveBench70.2%71.9%†
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1451
人类偏好
Arena TextArena (LMArena)1465†1457
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1442
Arena Multi-turnArena (LMArena)1480†1449
Arena Longer QueriesArena (LMArena)1477†1476
多模态
Arena VisionArena (LMArena)1292†1264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%64.2%
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub37.5%40.0%†
FACTS MultimodalGoogle–39.3%†
长上下文
AA-LCR v1.1Artificial Analysis82.0%80.3%
Arena DocumentArena (LMArena)1471†1450
MLCRArtificial Analysis–15.6%
FACTS GroundingGoogle–66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench78.0%78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis39.044.3
AA Progress Index v1Artificial Analysis311.6321.5
Vals RSI IndexVals AI15.5%25.5%†
Vals Science IndexVals AI–38.1%
安全与诚实
MASKScale AI SEAL89.7%†–

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。

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)。
  • Grok 4.6 (high):1 项新结果(GDPval-AA v2.1)。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.6 (high):2 项分数修订。
  • Grok 4.6 (high):1 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • Grok 4.6 (high):1 项新结果(AA Progress Index v1)。

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 Grok 4.6:常见问题

GPT-5.4 比 Grok 4.6 更好吗?
GPT-5.4 (xhigh) 与 Grok 4.6 (high) 的质量不相上下(63.1 比 60.6,在 ±4.3 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-5.4 和 Grok 4.6 哪个更便宜?价格会变吗?
目前 Grok 4.6 更便宜:每百万 token $3.00 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 Grok 4.6 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.4 为 84.1%,Grok 4.6 为 88.2%。
GPT-5.4 和 Grok 4.6 哪个更快?
Grok 4.6 输出更快(输出 73 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 Grok 4.6 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)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GPT-5.4 为 39.6%,Grok 4.6 为 50.7%。
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 65)。GPT-5.4 支持更长的上下文:1,050,000 token,Grok 4.6 为 500,000 token。
哪个延迟更低?
Grok 4.6 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 28.6 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 Grok 4.6 的看法一致吗?
在两者都有结果的 32 项基准测试中,GPT-5.4 领先 10 项,Grok 4.6 领先 22 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
Grok 4.6 是什么时候发布的?
Grok 4.6 于 2026年8月11日 发布。