BenchLeader

GPT-5.4 vs Kimi K3.1 Pro

完整资料:GPT-5.4(OpenAI)和 Kimi K3.1 Pro(Moonshot AI),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 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 63.1 比 61.8,在 ±4.0 的误差范围内)。Kimi K3.1 Pro 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)。看重推理(66 比 59)和编程(65 比 60)选 GPT-5.4;看重数学(73 比 65)、多模态(66 比 61)和长上下文(68 比 66)选 Kimi K3.1 Pro。GPT-5.4 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Kimi K3.1 Pro 为 61.8(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 K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-5.4 比 Kimi K3.1 Pro 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 8 项基准测试中,Kimi K3.1 Pro 领先 8 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 60;SciCode 56.6% 比 60.8%中
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 63;GDPval-AA v2.1 1861 比 1256中
数学Kimi K3.1 Pro类别得分 73 比 65;ProofBench 91.0% 比 56.0%高
推理GPT-5.4类别得分 66 比 59;Humanity's Last Exam (AA) 43.7% 比 52.5%中
知识均可类别得分 59 比 58均可
长文档Kimi K3.1 Pro类别得分 68 比 66;AA-LCR v1.1 86.3% 比 82.0%中
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 61;MMMU-Pro 83.9% 比 78.4%中
成本最低Kimi K3.1 Pro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–
首次回答最快均可首个回答 token 144.9 秒(GPT-5.4 (xhigh))比 157.4 秒(Kimi K3.1 Pro)–
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 K3.1 Pro 的质量不相上下(63.1 比 61.8,在 ±4.0 的误差范围内)。
  • GPT-5.4 (xhigh) 在编程、知识、推理方面更强。
  • Kimi K3.1 Pro 在智能体与工具、长上下文、数学、多模态方面更强。
  • Kimi K3.1 Pro 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-5.4 (xhigh) 的输出速度是对方的 2.4 倍(73 比 30 token/秒)。

概览

规格GPT-5.4Kimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年3月5日2026年10月23日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Kimi K3.1 Pro
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$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)Kimi K3.1 Pro领先者
推理65.759.2GPT-5.4
编程64.759.6GPT-5.4
智能体与工具63.064.6Kimi K3.1 Pro
数学64.873.4Kimi K3.1 Pro
知识58.658.2持平
指令遵循72.4–无法比较
多模态60.866.3Kimi K3.1 Pro
长上下文65.767.9Kimi K3.1 Pro

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: 60.8Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3

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 8 项基准测试中,GPT-5.4 领先 0 项,Kimi K3.1 Pro 领先 8 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。

综合 IndexGPT-5.4 (xhigh)Kimi K3.1 Pro领先者
BenchLeader Index63.161.8不相上下
Arena Text1475†1485Kimi K3.1 Pro

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 K3.1 Pro
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)–$3.68
每项任务输出 token(AA Index)–72k
其中推理部分–44k
每项任务耗时(AA Index)–40 min
输出速度73 tok/s30 tok/s
首次回答时间144.9 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒417.5 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 K3.1 Pro 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 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 179 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 K3.1 Pro
BenchLeader IndexBenchLeader63.161.8
智能体与工具得分BenchLeader63.064.6
编程得分BenchLeader64.759.6
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.658.2
长上下文得分BenchLeader65.767.9
数学得分BenchLeader64.873.4
多模态得分BenchLeader60.866.3
推理得分BenchLeader65.759.2
混合价格(美元/百万 token)BenchLeader$5.63$4.00
输出速度BenchLeader73 tok/s30 tok/s
首次回答时间BenchLeader144.9 秒157.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%–
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)1491†1515†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%57.6%†
DTBenchEpoch AI Benchmarking Hub94.4%93.3%†
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
显示全部 179 项基准测试
指标发布方GPT-5.4 (xhigh)Kimi K3.1 Pro
编程
SciCodeSciCode56.6%60.8%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1530†
Arena WebDevArena (LMArena)1400†1687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveBench 1.0 CodingLiveBench77.5%–
SciCode (AA)Artificial Analysis–60.8%
LiveCodeBenchVals AI84.1%–
IOIVals AI–81.9%†
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI67.4%84.9%†
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–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†1932.8†
AlgoTuneAlgoTune1.9†–
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis–67.2%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†78.3
GameBench 2 by reasoning settingDuelLab GameBench 262.184.0†
Design Arena WebsiteDesign Arena1190†1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis–25.4%
智能体与工具
Terminal-BenchTerminal-Bench81.8%†59.7%†
APEX-AgentsMercor52.4%†65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
LiveBench Agentic CodingLiveBench53.8%–
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†61.3%
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis12561861
τ³-Banking (AA)Artificial Analysis39.6%–
Analyst Agent (AA)Artificial Analysis–38.8%
APEX-Agents (AA)Artificial Analysis33.3%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
Legal Research BenchVals AI–37.5%†
SkillsBenchVals AI51.7%–
SREBenchVals AI–27.1%†
Tax Agent BenchVals AI–24.9%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–2.7†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–73.3%
GDP.pdf (AA)Artificial Analysis–31.4%
AA-Briefcase v1.1Artificial Analysis–1674
Design Arena AgenticDesign Arena1042†1301
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–34.3%
CWE-Bench (AA)Artificial Analysis–60.8%
DeepSec-Bench (AA)Artificial Analysis–36.7%
CyberGym end-to-end (AA)Artificial Analysis–94.7%
MKA (AA)Artificial Analysis–43.9%
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%–
ProofBenchVals AI56.0%91.0%
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1459†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
LiveBench 1.0 Data AnalysisLiveBench79.3%–
AA-Omniscience v1.1Artificial Analysis–29.9
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†47.5%
PRBench LegalScale AI SEAL44.4%†47.9%
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–75.6%†
CaseLaw v2Vals AI63.8%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
Access to Justice BenchmarkVals AI–69.5%†
DrugDiscoveryBenchScale AI SEAL–63.4%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
指令遵循
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1487†
人类偏好
Arena TextArena (LMArena)1465†1485†
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†2173
Arena Creative WritingArena (LMArena)1433†1453†
Arena Multi-turnArena (LMArena)1480†1475†
Arena Longer QueriesArena (LMArena)1477†1491†
多模态
Arena VisionArena (LMArena)1292†–
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis78.4%83.9%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
Humanity's Sixth SenseScale AI SEAL–33.2%†
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis–1112
长上下文
AA-LCR v1.1Artificial Analysis82.0%86.3%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†161.4
LiveBench 2.0LiveBench–68.7%†
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis39.055.1
AA Progress Index v1Artificial Analysis311.6340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals RSI IndexVals AI15.5%–
Vals Science IndexVals AI–44.4%†
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全与诚实
FORTRESSScale AI SEAL–18.6%
MASKScale AI SEAL89.7%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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 K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。
  • Kimi K3.1 Pro:5 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 K3.1 Pro:常见问题

GPT-5.4 比 Kimi K3.1 Pro 更好吗?
GPT-5.4 (xhigh) 与 Kimi K3.1 Pro 的质量不相上下(63.1 比 61.8,在 ±4.0 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 K3.1 Pro 哪个更便宜?价格会变吗?
目前 Kimi K3.1 Pro 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 Kimi K3.1 Pro 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 60,50 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 K3.1 Pro 为 60.8%。
GPT-5.4 和 Kimi K3.1 Pro 哪个更快?
GPT-5.4 输出更快(约 2 倍;输出 73 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 Kimi K3.1 Pro 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 63,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Kimi K3.1 Pro 在长上下文基准测试上得分更高(68 比 66)。两者都约为 1.1M token(GPT-5.4 为 1,050,000,Kimi K3.1 Pro 为 1,048,576)。
哪个延迟更低?
GPT-5.4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 144.9 秒比 157.4 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 K3.1 Pro 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5.4 领先 0 项,Kimi K3.1 Pro 领先 8 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。