BenchLeader

GPT-5.4 vs Kimi K3

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

更新于 · 数据来自 15 个来源

截至 2026年11月16日,GPT-5.4 与 Kimi K3 的质量不相上下(BenchLeader Index 63.1 比 60.7,在 ±6.6 的误差范围内)。两者价格相近(每百万 token 混合价格 $5.63 比 $6.00)。看重智能体与工具(63 比 54)和编程(65 比 62)选 GPT-5.4;看重知识(66 比 59)和数学(72 比 65)选 Kimi K3。Kimi K3 的首次回答更快(0.8 秒 比 144.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Kimi K3 为 60.7(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)。
  • Kimi K3 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • 在两者都有结果的 17 项基准测试中,Kimi K3 领先 14 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 62;SciCode 56.6% 比 58.7%中
智能体与工具调用GPT-5.4类别得分 63 比 54;LiveBench Agentic Coding 53.8% 比 62.2%高
数学Kimi K3类别得分 72 比 65;ProofBench 87.0% 比 56.0%中
知识Kimi K3类别得分 66 比 59;CorpFin 71.6% 比 65.3%中
对话质量(人类偏好)–只有 Kimi K3 有 Arena 评分(类别得分 69)无法比较
成本最低均可每百万 token 混合价格 $5.63 比 $6.00;智能体编程会话 $0.210 比 $0.240–
首次回答最快Kimi K3首个回答 token 0.8 秒(Kimi K3)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 Kimi K3 的质量不相上下(63.1 比 60.7,在 ±6.6 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、编程方面更强。
  • Kimi K3 在知识、数学方面更强。
  • 两者价格相近(每百万 token 混合价格 $5.63)。

概览

规格GPT-5.4Kimi K3
提供商OpenAIMoonshot AI
发布日期2026年3月5日2026年7月16日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Kimi K3
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.50 / $15.00 / $0.250$3.00 / $15.00 / $0.300

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)Kimi K3领先者
推理65.7–无法比较
编程64.761.8GPT-5.4
智能体与工具63.053.5GPT-5.4
数学64.871.5Kimi K3
知识58.666.1Kimi K3
指令遵循72.4–无法比较
人类偏好–68.6无法比较
多模态60.8–无法比较
长上下文65.7–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编程智能体与工具数学知识GPT-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: 58.6Kimi K3, 编程: 61.8Kimi K3, 智能体与工具: 53.5Kimi K3, 数学: 71.5Kimi K3, 知识: 66.1

未绘制(测得的模型少于两个):推理, 指令遵循, 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 17 项基准测试中,GPT-5.4 领先 3 项,Kimi K3 领先 14 项。所有同时评测两者的综合评分都认为 Kimi K3 更强。

综合 IndexGPT-5.4 (xhigh)Kimi K3领先者
BenchLeader Index63.160.7不相上下
Arena Text1475†1487Kimi K3

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)Kimi K3
每百万 token 混合价格$5.63$6.00
每百万 token 输入 / 输出$2.50 / $15.00$3.00 / $15.00
每百万 token 缓存输入$0.250$0.300
每项任务价格:聊天回复$0.0055$0.0057
每项任务价格:总结一份 30 页的报告$0.039$0.045
每项任务价格:代码编辑$0.037$0.041
每项任务价格:智能体编程会话$0.210$0.240
每项任务价格:结构化信息提取$0.0080$0.0090
智能体编程会话(输入大多命中缓存)$0.109$0.118
输出速度73 tok/s76 tok/s
首次回答时间144.9 秒0.8 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 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)。Kimi K3 得分 60.7,首个回答 token 需 1 秒;Kimi K3 (max) 为 60.2(55 秒),Kimi K3 (low) 为 53.6(8 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 202 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)Kimi K3
BenchLeader IndexBenchLeader63.160.7
智能体与工具得分BenchLeader63.053.5
编程得分BenchLeader64.761.8
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.666.1
长上下文得分BenchLeader65.7–
数学得分BenchLeader64.871.5
多模态得分BenchLeader60.8–
推理得分BenchLeader65.7–
人类偏好得分BenchLeader–68.6
混合价格(美元/百万 token)BenchLeader$5.63$6.00
输出速度BenchLeader73 tok/s76 tok/s
首次回答时间BenchLeader144.9 秒0.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%93.1%†
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–60.7%†
Arena Hard PromptsArena (LMArena)1487†1516†
LiveBench 2.0 ReasoningLiveBench–90.7%†
LiveBench 1.0 ReasoningLiveBench88.1%90.7%
GPQA Diamond (AA)Artificial Analysis92.0%93.5%†
Humanity's Last Exam (AA)Artificial Analysis43.7%46.9%†
HLE-Diamond (AA)Artificial Analysis–26.9%†
GPQA Diamond (Vals)Vals AI91.7%92.9%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%94.5%†
ARC-AGI-2ARC Prize74.0%60.4%†
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis–40.5%†
HLE-Diamond (Scale)Scale AI SEAL–22.2%
Arena ExpertArena (LMArena)1491†1528†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%26.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%52.7%†
DTBenchEpoch AI Benchmarking Hub94.4%91.2%†
ForecastBenchForecastBench63.0%†64.2%†
显示全部 202 项基准测试
指标发布方GPT-5.4 (xhigh)Kimi K3
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%58.7%
WeirdMLWeirdML77.7%82.6%†
FrontierCodeCognition–44.2%
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1538†
Arena WebDevArena (LMArena)1400†1658†
LiveBench 2.0 CodingLiveBench–53.1%†
LiveBench 1.0 CodingLiveBench77.5%81.5%
SciCode (AA)Artificial Analysis–59.5%†
LiveCodeBenchVals AI84.1%87.2%†
IOIVals AI–48.9%†
SWE-bench (Vals)Vals AI78.2%93.4%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%16.1%†
Code Migration v1.1Vals AI–28.6%†
ProgramBenchVals AI0.0%2.0%
SWE-bench MultimodalVals AI–44.2%†
Vibe Code Bench 1-100Vals AI–18.2%†
Vibe Code Bench v1.1Vals AI67.4%85.0%†
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%–
SWE Atlas v1.1Scale AI SEAL–61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
SWE-Bench Pro V2Scale AI SEAL–97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–88.2%†
MirrorCodeEpoch AI Benchmarking Hub23.3%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub–95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%68.5%†
ALE-BenchEpoch AI Benchmarking Hub1607†1524.5†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–25.9%†
WeirdML v3WeirdML–7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis–12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%85.0%†
Startrise FrontendStartrise–79.8%
GameBench 2 OverallDuelLab GameBench 253.4†48.0
GameBench 2 by reasoning settingDuelLab GameBench 262.145.7†
Design Arena WebsiteDesign Arena1190†1336
FrontierCode 1.1 (AA)Artificial Analysis–43.6%†
FrontierCode 2.0 (AA)Artificial Analysis–10.9%†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†23.0%†
APEX-AgentsMercor52.4%†47.8%
Arena AgentArena (LMArena)–0.6†
LiveBench Long AgenticLiveBench–36.0%†
LiveBench BrowserLiveBench–75.2%†
LiveBench Agentic CodingLiveBench53.8%62.2%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–80.9%
MCP AtlasScale AI SEAL70.6%82.3%†
HiL-BenchScale AI SEAL9.7%†42.7%
τ³-bench Bankingτ²-bench39.4%37.1%†
GDPval-AA v2.1Artificial Analysis12561542†
τ³-Banking (AA)Artificial Analysis39.6%46.0%†
ITBench SRE (AA)Artificial Analysis–47.7%†
Analyst Agent (AA)Artificial Analysis–38.8%†
APEX-Agents (AA)Artificial Analysis33.3%41.3%†
CyberBenchVals AI–75.2%†
Finance Agent v2Vals AI–53.1%†
Finance Agent v2.1Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%12.9%†
Legal Research BenchVals AI–46.1%†
SkillsBenchVals AI51.7%–
Tax Agent BenchVals AI–33.4%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%†
Terminal-Bench ScienceVals AI–1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–3.4†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†31.5%
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†48.4%
Vending-Bench 2Andon Labs6144.2†5165.0
AutomationBenchArtificial Analysis–58.3%†
GDP.pdf (AA)Artificial Analysis–22.0%†
Harvey LAB-AA v1.1Harvey–5.3%†
EnterpriseOps-GymArtificial Analysis–45.3%†
AA-Briefcase v1.1Artificial Analysis–1497†
GDPxGDPx by SemiAnalysis–3.7%†
Design Arena AgenticDesign Arena1042†1261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–8.1%†
CWE-Bench (AA)Artificial Analysis–53.3%†
DeepSec-Bench (AA)Artificial Analysis–12.4%†
CyberGym end-to-end (AA)Artificial Analysis–58.0%†
DeepSearchQAGoogle63.7%†–
FACTS SearchGoogle–90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%97.2%†
ProofBenchVals AI56.0%87.0%
LiveBench MathematicsLiveBench94.2%84.4%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%96.7%†
HMMT February 2026MathArena97.7%97.0%†
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%65.6%†
Arena MathsArena (LMArena)1459†1502†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%50.6%†
LiveBench 2.0 Data AnalysisLiveBench–78.7%†
LiveBench ResearchLiveBench–79.8%†
LiveBench 1.0 Data AnalysisLiveBench79.3%78.7%
AA-Omniscience v1.1Artificial Analysis–-1.7†
MMLU-ProVals AI87.5%88.0%†
LegalBenchVals AI86.0%86.2%†
CorpFinVals AI65.3%71.6%
TaxEvalVals AI74.0%75.7%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–72.6%†
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–66.7%†
Excel Modeling Benchmark v1.1Vals AI–71.3%†
MedCodeVals AI41.3%49.4%†
MedScribeVals AI77.5%88.0%†
Public Benefits Bench v1.1Vals AI–68.2%†
Access to Justice BenchmarkVals AI–68.2%†
Financial Coaching BenchVals AI–74.5%†
Immigration BenchVals AI–68.3%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis–42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–23.4%†
HealthBench Professional (AA)OpenAI–53.2%†
指令遵循
LiveBench LanguageLiveBench82.6%85.5%
LiveBench Instruction FollowingLiveBench70.2%71.4%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1489†
人类偏好
Arena TextArena (LMArena)1465†1487†
EQ-Bench 4EQ-Bench1258†1319
EQ-Bench Creative Writing v3EQ-Bench1841†2083
Arena Creative WritingArena (LMArena)1433†1459†
Arena Multi-turnArena (LMArena)1480†1502†
Arena Longer QueriesArena (LMArena)1477†1500†
多模态
Arena VisionArena (LMArena)1292†–
LiveBench DesignLiveBench–72.5%†
MMMU-ProArtificial Analysis78.4%80.5%†
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%88.2%
MortgageTaxVals AI68.3%66.3%
SAGEVals AI–86.8%†
Humanity's Sixth SenseScale AI SEAL–25.5%†
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†29.5%
Furniture AssemblyEpoch AI Benchmarking Hub37.5%34.2%†
Code2Video-AAArtificial Analysis–1041†
AA-3DArtificial Analysis–984†
长上下文
AA-LCR v1.1Artificial Analysis82.0%88.7%†
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–21.7%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†158.6
LiveBench 2.0LiveBench–65.0%†
LiveBench 1.0LiveBench78.0%79.2%
AA Intelligence Index v5.0.1Artificial Analysis–17.4†
AA Intelligence Index v4.3.2Artificial Analysis39.043.6†
AA Progress Index v1Artificial Analysis311.6319.9†
Vals IndexVals AI–53.0†
Vals Finance IndexVals AI–58.0%†
Vals RSI IndexVals AI15.5%20.9%†
Vals Multimodal IndexVals AI–73.4%
Vals Router IndexVals AI–53.0%
Vals Legal IndexVals AI–71.7%†
AA Cyber IndexArtificial Analysis–41.3†
安全与诚实
FORTRESSScale AI SEAL–27.3%
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–73.5%
元数据
AA Openness IndexArtificial Analysis–38.9†

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

  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Kimi K3:1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Kimi K3:4 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Kimi K3:1 项分数修订。
  • Kimi K3:1 项新结果(FACTS Search)。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Kimi K3:1 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 Kimi K3:常见问题

GPT-5.4 比 Kimi K3 更好吗?
GPT-5.4 (xhigh) 与 Kimi K3 的质量不相上下(63.1 比 60.7,在 ±6.6 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 和 Kimi K3 哪个更便宜?价格会变吗?
目前 GPT-5.4 更便宜:每百万 token $5.63 比 $6.00(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 Kimi K3 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 62,50 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%,Kimi K3 为 58.7%。
GPT-5.4 和 Kimi K3 哪个更快?
Kimi K3 输出更快(输出 76 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 Kimi K3 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 54,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.4 为 1,050,000,Kimi K3 为 1,048,576)。
哪个延迟更低?
Kimi K3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.8 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 Kimi K3 的看法一致吗?
在两者都有结果的 17 项基准测试中,GPT-5.4 领先 3 项,Kimi K3 领先 14 项。所有同时评测两者的综合评分都认为 Kimi K3 更强。
Kimi K3 是什么时候发布的?
Kimi K3 于 2026年7月16日 发布。