BenchLeader

GPT-5.4 vs Kimi K3.1 Pro Together

完整资料:GPT-5.4(OpenAI)和 Kimi K3.1 Pro Together(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,GPT-5.4 与 Kimi K3.1 Pro Together 的质量不相上下(BenchLeader Index 63.1 比 60.0,在 ±3.5 的误差范围内)。在两者都有成绩的所有类别中,Kimi K3.1 Pro Together 均领先。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Kimi K3.1 Pro Together 为 60.0(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)。
  • 在两者都有结果的 8 项基准测试中,Kimi K3.1 Pro Together 领先 6 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
数学均可类别得分 65 比 65;FrontierMath Tiers 1–3 78.6% 比 78.3%均可
推理Kimi K3.1 Pro Together类别得分 67 比 66;GPQA Diamond 94.2% 比 93.3%中
知识Kimi K3.1 Pro Together类别得分 66 比 59;SimpleQA Verified 62.2% 比 45.1%中
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 Together (max) 的质量不相上下(63.1 比 60.0,在 ±3.5 的误差范围内)。
  • Kimi K3.1 Pro Together (max) 在知识、数学、推理方面更强。

概览

规格GPT-5.4Kimi K3.1 Pro Together
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)1,050,000–
对比时的配置GPT-5.4 (xhigh)Kimi K3.1 Pro Together (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–

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 Together (max)领先者
推理65.766.9Kimi K3.1 Pro Together
编程64.7–无法比较
智能体与工具63.0–无法比较
数学64.865.2持平
知识58.666.0Kimi K3.1 Pro Together
指令遵循72.4–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推理数学知识GPT-5.4, 推理: 65.7GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6Kimi K3.1 Pro Together, 推理: 66.9Kimi K3.1 Pro Together, 数学: 65.2Kimi K3.1 Pro Together, 知识: 66.0

未绘制(测得的模型少于两个):编程, 智能体与工具, 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 8 项基准测试中,GPT-5.4 领先 2 项,Kimi K3.1 Pro Together 领先 6 项。

综合 IndexGPT-5.4 (xhigh)Kimi K3.1 Pro Together (max)领先者
BenchLeader Index63.160.0不相上下

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 Together (max)
每百万 token 混合价格$5.63–
每百万 token 输入 / 输出$2.50 / $15.00– / –
每百万 token 缓存输入$0.250–
每项任务价格:聊天回复$0.0055–
每项任务价格:总结一份 30 页的报告$0.039–
每项任务价格:代码编辑$0.037–
每项任务价格:智能体编程会话$0.210–
每项任务价格:结构化信息提取$0.0080–
智能体编程会话(输入大多命中缓存)$0.109–
输出速度73 tok/s–
首次回答时间144.9 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 K3.1 Pro Together (max) 得分 60.0。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 118 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 Together (max)
BenchLeader IndexBenchLeader63.160.0
智能体与工具得分BenchLeader63.0–
编程得分BenchLeader64.7–
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.666.0
长上下文得分BenchLeader65.7–
数学得分BenchLeader64.865.2
多模态得分BenchLeader60.8–
推理得分BenchLeader65.766.9
混合价格(美元/百万 token)BenchLeader$5.63–
输出速度BenchLeader73 tok/s–
首次回答时间BenchLeader144.9 秒–
上下文窗口BenchLeader1,050,000 token–
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%94.2%
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†–
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%–
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%–
Arena ExpertArena (LMArena)1491†–
Chess PuzzlesEpoch AI Benchmarking Hub48.0%45.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%42.0%
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%–
DTBenchEpoch AI Benchmarking Hub94.4%–
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%–
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†–
显示全部 118 项基准测试
指标发布方GPT-5.4 (xhigh)Kimi K3.1 Pro Together (max)
编程
Arena WebDevArena (LMArena)1400†–
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
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%–
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%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†–
智能体与工具
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†–
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%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis1256–
τ³-Banking (AA)Artificial Analysis39.6%–
APEX-Agents (AA)Artificial Analysis33.3%–
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
SkillsBenchVals AI51.7%–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Arena SearchArena (LMArena)1196†–
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
Design Arena AgenticDesign Arena1042†–
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%78.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%65.8%
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%100.0%
ProofBenchVals AI56.0%–
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%62.2%
LiveBench 1.0 Data AnalysisLiveBench79.3%–
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%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%–
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
EBR-benchEpoch AI Benchmarking Hub25.4%–
指令遵循
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†–
人类偏好
Arena TextArena (LMArena)1465†–
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†–
Arena Multi-turnArena (LMArena)1480†–
Arena Longer QueriesArena (LMArena)1477†–
多模态
Arena VisionArena (LMArena)1292†–
MMMU-ProArtificial Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%55.8%
长上下文
AA-LCR v1.1Artificial Analysis82.0%–
Arena DocumentArena (LMArena)1471†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†–
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.0–
AA Progress Index v1Artificial Analysis311.6–
Vals RSI IndexVals AI15.5%–
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)。
  • Kimi K3.1 Pro Together (max):BenchLeader Index 60.5 → 60.0。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Kimi K3.1 Pro Together (max):首批结果。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.4 (xhigh):2 项新结果(USAMO 2026, τ³-bench Banking)。

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 Together:常见问题

GPT-5.4 比 Kimi K3.1 Pro Together 更好吗?
GPT-5.4 (xhigh) 与 Kimi K3.1 Pro Together (max) 的质量不相上下(63.1 比 60.0,在 ±3.5 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。
第三方基准测试对 GPT-5.4 和 Kimi K3.1 Pro Together 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 2 项,Kimi K3.1 Pro Together 领先 6 项。
Kimi K3.1 Pro Together 是什么时候发布的?
Kimi K3.1 Pro Together 于 2026年10月23日 发布。