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-5.4 | Kimi K3 |
|---|---|---|
| 提供商 | OpenAI | Moonshot AI |
| 发布日期 | 2026年3月5日 | 2026年7月16日 |
| 上下文窗口(token) | 1,050,000 | 1,048,576 |
| 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 | 64.7 | 61.8 | GPT-5.4 |
| 智能体与工具 | 63.0 | 53.5 | GPT-5.4 |
| 数学 | 64.8 | 71.5 | Kimi K3 |
| 知识 | 58.6 | 66.1 | Kimi 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。
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。
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 Index | GPT-5.4 (xhigh) | Kimi K3 | 领先者 |
|---|---|---|---|
| BenchLeader Index | 63.1 | 60.7 | 不相上下 |
| Arena Text | 1475† | 1487 | Kimi 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/s | 76 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 Index | BenchLeader | 63.1 | 60.7 |
| 智能体与工具得分 | BenchLeader | 63.0 | 53.5 |
| 编程得分 | BenchLeader | 64.7 | 61.8 |
| 指令遵循得分 | BenchLeader | 72.4 | – |
| 知识得分 | BenchLeader | 58.6 | 66.1 |
| 长上下文得分 | BenchLeader | 65.7 | – |
| 数学得分 | BenchLeader | 64.8 | 71.5 |
| 多模态得分 | BenchLeader | 60.8 | – |
| 推理得分 | BenchLeader | 65.7 | – |
| 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 | BenchLeader | 73 tok/s | 76 tok/s |
| 首次回答时间 | BenchLeader | 144.9 秒 | 0.8 秒 |
| 上下文窗口 | BenchLeader | 1,050,000 token | 1,048,576 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 93.3% | 93.1%† |
| Humanity's Last Exam | Scale AI / CAIS | 36.2% | – |
| SimpleBench | SimpleBench | – | 60.7%† |
| Arena Hard Prompts | Arena (LMArena) | 1487† | 1516† |
| LiveBench 2.0 Reasoning | LiveBench | – | 90.7%† |
| LiveBench 1.0 Reasoning | LiveBench | 88.1% | 90.7% |
| GPQA Diamond (AA) | Artificial Analysis | 92.0% | 93.5%† |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.7% | 46.9%† |
| HLE-Diamond (AA) | Artificial Analysis | – | 26.9%† |
| GPQA Diamond (Vals) | Vals AI | 91.7% | 92.9% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 63.8%† | – |
| ARC-AGI-1 | ARC Prize | 93.7% | 94.5%† |
| ARC-AGI-2 | ARC Prize | 74.0% | 60.4%† |
| ARC-AGI-3 | ARC Prize | 0.2%† | – |
| CritPt | Artificial Analysis | 23.4% | 23.4%† |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 40.5%† |
| HLE-Diamond (Scale) | Scale AI SEAL | – | 22.2% |
| Arena Expert | Arena (LMArena) | 1491† | 1528† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 48.0% | 36.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 37.0% | 26.0%† |
| CL-bench | Epoch AI Benchmarking Hub | 27.9% | – |
| CL-bench Life | Epoch AI Benchmarking Hub | 21.7% | – |
| LMCA | Epoch AI Benchmarking Hub | 52.0% | 52.7%† |
| DTBench | Epoch AI Benchmarking Hub | 94.4% | 91.2%† |
| ForecastBench | ForecastBench | 63.0%† | 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 Hub | 76.9%† | – |
| SciCode | SciCode | 56.6% | 58.7% |
| WeirdML | WeirdML | 77.7% | 82.6%† |
| FrontierCode | Cognition | – | 44.2% |
| GSO-Bench | GSO-Bench | 31.4% | – |
| Arena Coding | Arena (LMArena) | 1511† | 1538† |
| Arena WebDev | Arena (LMArena) | 1400† | 1658† |
| LiveBench 2.0 Coding | LiveBench | – | 53.1%† |
| LiveBench 1.0 Coding | LiveBench | 77.5% | 81.5% |
| SciCode (AA) | Artificial Analysis | – | 59.5%† |
| LiveCodeBench | Vals AI | 84.1% | 87.2%† |
| IOI | Vals AI | – | 48.9%† |
| SWE-bench (Vals) | Vals AI | 78.2% | 93.4% |
| SWE-Bench Pro | Scale AI SEAL | 59.1% | – |
| Code Migration | Vals AI | 35.0% | 16.1%† |
| Code Migration v1.1 | Vals AI | – | 28.6%† |
| ProgramBench | Vals AI | 0.0% | 2.0% |
| SWE-bench Multimodal | Vals AI | – | 44.2%† |
| Vibe Code Bench 1-100 | Vals AI | – | 18.2%† |
| Vibe Code Bench v1.1 | Vals AI | 67.4% | 85.0%† |
| SWE-Bench Pro (private) | Scale AI SEAL | 43.4% | – |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 40.8% | – |
| SWE Atlas v1.0: Refactoring | Scale AI SEAL | 44.3% | – |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 44.4% | – |
| SWE Atlas v1.1 | Scale AI SEAL | – | 61.0% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 65.3% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 63.3% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 54.3% |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 97.7%† |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 88.2%† |
| MirrorCode | Epoch AI Benchmarking Hub | 23.3% | 54.4%† |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | – | 95.0% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | 51.8% | 68.5%† |
| ALE-Bench | Epoch AI Benchmarking Hub | 1607† | 1524.5† |
| AlgoTune | AlgoTune | 1.9† | – |
| FrontierSWE | Epoch AI Benchmarking Hub | – | 25.9%† |
| WeirdML v3 | WeirdML | – | 7.5%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 12.6%† |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 78.3% | 85.0%† |
| Startrise Frontend | Startrise | – | 79.8% |
| GameBench 2 Overall | DuelLab GameBench 2 | 53.4† | 48.0 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 62.1 | 45.7† |
| Design Arena Website | Design Arena | 1190† | 1336 |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 43.6%† |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 10.9%† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 81.8%† | 23.0%† |
| APEX-Agents | Mercor | 52.4%† | 47.8% |
| Arena Agent | Arena (LMArena) | – | 0.6† |
| LiveBench Long Agentic | LiveBench | – | 36.0%† |
| LiveBench Browser | LiveBench | – | 75.2%† |
| LiveBench Agentic Coding | LiveBench | 53.8% | 62.2% |
| Terminal-Bench Hard | Artificial Analysis | 57.6% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 87.1% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 80.9% |
| MCP Atlas | Scale AI SEAL | 70.6% | 82.3%† |
| HiL-Bench | Scale AI SEAL | 9.7%† | 42.7% |
| τ³-bench Banking | τ²-bench | 39.4% | 37.1%† |
| GDPval-AA v2.1 | Artificial Analysis | 1256 | 1542† |
| τ³-Banking (AA) | Artificial Analysis | 39.6% | 46.0%† |
| ITBench SRE (AA) | Artificial Analysis | – | 47.7%† |
| Analyst Agent (AA) | Artificial Analysis | – | 38.8%† |
| APEX-Agents (AA) | Artificial Analysis | 33.3% | 41.3%† |
| CyberBench | Vals AI | – | 75.2%† |
| Finance Agent v2 | Vals AI | – | 53.1%† |
| Finance Agent v2.1 | Vals AI | – | 60.0%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 12.9%† |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 0.0% | 12.9%† |
| Legal Research Bench | Vals AI | – | 46.1%† |
| SkillsBench | Vals AI | 51.7% | – |
| Tax Agent Bench | Vals AI | – | 33.4%† |
| Terminal-Bench 2.0 (Vals) | Vals AI | 58.4%† | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 17.2%† |
| Terminal-Bench Science | Vals AI | – | 1.4%† |
| Time Horizon Index: KSP | Vals AI | – | 10.5%† |
| Arena Search | Arena (LMArena) | 1196† | – |
| Arena Agent Task Completion | Arena (LMArena) | – | 3.4† |
| DeepResearch Bench | DeepResearch Bench | 35.1%† | – |
| PostTrainBench | Epoch AI Benchmarking Hub | 17.8%† | 31.5% |
| METR Time Horizons | METR | 74.3% | – |
| GBAEval | Epoch AI Benchmarking Hub | 45.1%† | 48.4% |
| Vending-Bench 2 | Andon Labs | 6144.2† | 5165.0 |
| AutomationBench | Artificial Analysis | – | 58.3%† |
| GDP.pdf (AA) | Artificial Analysis | – | 22.0%† |
| Harvey LAB-AA v1.1 | Harvey | – | 5.3%† |
| EnterpriseOps-Gym | Artificial Analysis | – | 45.3%† |
| AA-Briefcase v1.1 | Artificial Analysis | – | 1497† |
| GDPx | GDPx by SemiAnalysis | – | 3.7%† |
| Design Arena Agentic | Design Arena | 1042† | 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%† |
| DeepSearchQA | 63.7%† | – | |
| FACTS Search | – | 90.3% | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 78.6% | 72.2%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 49.0% | 39.0%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 95.3% | 97.2%† |
| ProofBench | Vals AI | 56.0% | 87.0% |
| LiveBench Mathematics | LiveBench | 94.2% | 84.4% |
| AIME (Vals) | Vals AI | 96.7% | – |
| AIME 2026 | MathArena | 99.2% | 96.7%† |
| HMMT February 2026 | MathArena | 97.7% | 97.0%† |
| USAMO 2026 | MathArena | 95.2% | – |
| MathArena Apex | MathArena | 54.2% | 65.6%† |
| Arena Maths | Arena (LMArena) | 1459† | 1502† |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | – | 0.0%† |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 45.1% | 50.6%† |
| LiveBench 2.0 Data Analysis | LiveBench | – | 78.7%† |
| LiveBench Research | LiveBench | – | 79.8%† |
| LiveBench 1.0 Data Analysis | LiveBench | 79.3% | 78.7% |
| AA-Omniscience v1.1 | Artificial Analysis | – | -1.7† |
| MMLU-Pro | Vals AI | 87.5% | 88.0%† |
| LegalBench | Vals AI | 86.0% | 86.2%† |
| CorpFin | Vals AI | 65.3% | 71.6% |
| TaxEval | Vals AI | 74.0% | 75.7% |
| MedQA | Vals AI | 96.1% | – |
| PRBench Finance | Scale AI SEAL | 45.6%† | – |
| PRBench Legal | Scale AI SEAL | 44.4%† | – |
| MultiNRC | Scale AI SEAL | 58.3%† | – |
| BioMysteryBench | Vals AI | – | 72.6%† |
| CaseLaw v2 | Vals AI | 63.8% | – |
| Excel Modeling Benchmark | Vals AI | – | 66.7%† |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 71.3%† |
| MedCode | Vals AI | 41.3% | 49.4%† |
| MedScribe | Vals AI | 77.5% | 88.0%† |
| Public Benefits Bench v1.1 | Vals AI | – | 68.2%† |
| Access to Justice Benchmark | Vals AI | – | 68.2%† |
| Financial Coaching Bench | Vals AI | – | 74.5%† |
| Immigration Bench | Vals AI | – | 68.3%† |
| EBR-bench | Epoch AI Benchmarking Hub | 25.4% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 19.0%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 42.4%† |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 23.4%† |
| HealthBench Professional (AA) | OpenAI | – | 53.2%† |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 82.6% | 85.5% |
| LiveBench Instruction Following | LiveBench | 70.2% | 71.4% |
| IFBench | Artificial Analysis | 74.0% | – |
| Arena Instruction Following | Arena (LMArena) | 1460† | 1489† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1465† | 1487† |
| EQ-Bench 4 | EQ-Bench | 1258† | 1319 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1841† | 2083 |
| Arena Creative Writing | Arena (LMArena) | 1433† | 1459† |
| Arena Multi-turn | Arena (LMArena) | 1480† | 1502† |
| Arena Longer Queries | Arena (LMArena) | 1477† | 1500† |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1292† | – |
| LiveBench Design | LiveBench | – | 72.5%† |
| MMMU-Pro | Artificial Analysis | 78.4% | 80.5%† |
| VISTA | Scale AI SEAL | 50.9%† | – |
| MMMU-Pro (Vals) | Vals AI | 87.5% | 88.2% |
| MortgageTax | Vals AI | 68.3% | 66.3% |
| SAGE | Vals AI | – | 86.8%† |
| Humanity's Sixth Sense | Scale AI SEAL | – | 25.5%† |
| VTB | Scale AI SEAL | 29.2%† | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 27.1%† | 29.5% |
| Furniture Assembly | Epoch AI Benchmarking Hub | 37.5% | 34.2%† |
| Code2Video-AA | Artificial Analysis | – | 1041† |
| AA-3D | Artificial Analysis | – | 984† |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.0% | 88.7%† |
| Arena Document | Arena (LMArena) | 1471† | – |
| MLCR | Artificial Analysis | – | 21.7%† |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 157.8† | 158.6 |
| LiveBench 2.0 | LiveBench | – | 65.0%† |
| LiveBench 1.0 | LiveBench | 78.0% | 79.2% |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 17.4† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 39.0 | 43.6† |
| AA Progress Index v1 | Artificial Analysis | 311.6 | 319.9† |
| Vals Index | Vals AI | – | 53.0† |
| Vals Finance Index | Vals AI | – | 58.0%† |
| Vals RSI Index | Vals AI | 15.5% | 20.9%† |
| Vals Multimodal Index | Vals AI | – | 73.4% |
| Vals Router Index | Vals AI | – | 53.0% |
| Vals Legal Index | Vals AI | – | 71.7%† |
| AA Cyber Index | Artificial Analysis | – | 41.3† |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 27.3% |
| MASK | Scale AI SEAL | 89.7%† | – |
| DistressBench | Scale AI SEAL | – | 73.5% |
| 元数据 | |||
| AA Openness Index | Artificial 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。
相关对比
- GPT-5.4 vs Claude Fable 5.2
- GPT-5.4 vs Gemini 4 Carbon
- GPT-5.4 vs Claude Opus 5.5
- GPT-5.4 vs GPT-6 Astra
- Kimi K3 vs Claude Opus 5.5
- GPT-5.4 vs Claude Fable 5.1
- GPT-5.4 vs GPT-6.1 Sol
- GPT-5.4 vs Claude Fable 5
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。