BenchLeader

GPT-5.4 vs Qwen3.6 Max

完整资料:GPT-5.4(OpenAI)和 Qwen3.6 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,GPT-5.4 与 Qwen3.6 Max 的质量不相上下(BenchLeader Index 63.1 比 62.1,在 ±4.0 的误差范围内)。Qwen3.6 Max 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $2.92 比 $5.63)。看重编程(65 比 56)和推理(66 比 61)选 GPT-5.4;看重智能体与工具(72 比 63)、指令遵循(75 比 72)和知识(60 比 59)选 Qwen3.6 Max。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Qwen3.6 Max 为 62.1(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)。
  • Qwen3.6 Max 每百万 token 混合价格为 $2.92(标价,2026年11月16日)。
  • 在两者都有结果的 16 项基准测试中,GPT-5.4 领先 12 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 56;SWE-bench (Vals) 78.2% 比 72.8%高
智能体与工具调用Qwen3.6 Max类别得分 72 比 63;Terminal-Bench Hard 43.9% 比 57.6%高
数学均可类别得分 65 比 64;OTIS Mock AIME 95.3% 比 91.1%均可
推理GPT-5.4类别得分 66 比 61;GPQA Diamond 93.3% 比 87.4%中
知识Qwen3.6 Max类别得分 60 比 59;SimpleQA Verified 52.0% 比 45.1%中
长文档均可类别得分 66 比 65;AA-LCR v1.1 82.0% 比 80.7%均可
指令遵循Qwen3.6 Max类别得分 75 比 72;IFBench 76.6% 比 74.0%中
对话质量(人类偏好)–只有 Qwen3.6 Max 有 Arena 评分(类别得分 65)无法比较
成本最低Qwen3.6 Max每百万 token 混合价格 $2.92 比 $5.63;智能体编程会话 $0.109 比 $0.210–
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 Qwen3.6 Max (max) 的质量不相上下(63.1 比 62.1,在 ±4.0 的误差范围内)。
  • GPT-5.4 (xhigh) 在编程、长上下文、数学、推理方面更强。
  • Qwen3.6 Max (max) 在智能体与工具、指令遵循、知识方面更强。
  • Qwen3.6 Max (max) 更便宜,对方的价格是它的 1.9 倍(每百万 token 混合价格 $2.92 比 $5.63)。

概览

规格GPT-5.4Qwen3.6 Max
提供商OpenAIAlibaba
发布日期2026年3月5日2026年4月20日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-5.4 (xhigh)Qwen3.6 Max (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$1.30 / $7.80 / $0.130

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)Qwen3.6 Max (max)领先者
推理65.760.8GPT-5.4
编程64.755.9GPT-5.4
智能体与工具63.072.1Qwen3.6 Max
数学64.864.4持平
知识58.659.7Qwen3.6 Max
指令遵循72.474.7Qwen3.6 Max
人类偏好–64.5无法比较
多模态60.8–无法比较
长上下文65.765.0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指令遵循长上下文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, 指令遵循: 72.4GPT-5.4, 长上下文: 65.7Qwen3.6 Max, 推理: 60.8Qwen3.6 Max, 编程: 55.9Qwen3.6 Max, 智能体与工具: 72.1Qwen3.6 Max, 数学: 64.4Qwen3.6 Max, 知识: 59.7Qwen3.6 Max, 指令遵循: 74.7Qwen3.6 Max, 长上下文: 65.0

未绘制(测得的模型少于两个):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 16 项基准测试中,GPT-5.4 领先 12 项,Qwen3.6 Max 领先 4 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)Qwen3.6 Max (max)领先者
BenchLeader Index63.162.1不相上下
Arena Text1475†1460GPT-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)Qwen3.6 Max (max)
每百万 token 混合价格$5.63$2.92
每百万 token 输入 / 输出$2.50 / $15.00$1.30 / $7.80
每百万 token 缓存输入$0.250$0.130
每项任务价格:聊天回复$0.0055$0.0029
每项任务价格:总结一份 30 页的报告$0.039$0.020
每项任务价格:代码编辑$0.037$0.019
每项任务价格:智能体编程会话$0.210$0.109
每项任务价格:结构化信息提取$0.0080$0.0042
智能体编程会话(输入大多命中缓存)$0.109$0.057
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)。Qwen3.6 Max (max) 得分 62.1。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 119 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)Qwen3.6 Max (max)
BenchLeader IndexBenchLeader63.162.1
智能体与工具得分BenchLeader63.072.1
编程得分BenchLeader64.755.9
指令遵循得分BenchLeader72.474.7
知识得分BenchLeader58.659.7
长上下文得分BenchLeader65.765.0
数学得分BenchLeader64.864.4
多模态得分BenchLeader60.8–
推理得分BenchLeader65.760.8
人类偏好得分BenchLeader–64.5
混合价格(美元/百万 token)BenchLeader$5.63$2.92
输出速度BenchLeader73 tok/s–
首次回答时间BenchLeader144.9 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%87.4%
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–63.0%
Arena Hard PromptsArena (LMArena)1487†1481
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%88.8%
Humanity's Last Exam (AA)Artificial Analysis43.7%30.8%
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%3.7%
Arena ExpertArena (LMArena)1491†1497
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%19.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%42.5%
DTBenchEpoch AI Benchmarking Hub94.4%87.2%
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†76.7%
SciCodeSciCode56.6%–
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
显示全部 119 项基准测试
指标发布方GPT-5.4 (xhigh)Qwen3.6 Max (max)
编程
Arena CodingArena (LMArena)1511†1510
Arena WebDevArena (LMArena)1400†1482
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
SWE-bench (Vals)Vals AI78.2%72.8%
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%43.9%
τ²-Bench Telecom (AA)Artificial Analysis87.1%95.9%
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%†51.7%
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†4254.2
Design Arena AgenticDesign Arena1042†–
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%91.1%
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†1471
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%52.0%
LiveBench 1.0 Data AnalysisLiveBench79.3%–
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%66.5%
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%47.9%
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%76.6%
Arena Instruction FollowingArena (LMArena)1460†1451
人类偏好
Arena TextArena (LMArena)1465†1460
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1438
Arena Multi-turnArena (LMArena)1480†1466
Arena Longer QueriesArena (LMArena)1477†1473
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%–
长上下文
AA-LCR v1.1Artificial Analysis82.0%80.7%
Arena DocumentArena (LMArena)1471†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†149.8
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.028.4
AA Progress Index v1Artificial Analysis311.6297.1
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)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • 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)。
  • Qwen3.6 Max (max):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)。
  • Qwen3.6 Max (max):BenchLeader Index 63.3 → 62.8。
  • 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 Qwen3.6 Max:常见问题

GPT-5.4 比 Qwen3.6 Max 更好吗?
GPT-5.4 (xhigh) 与 Qwen3.6 Max (max) 的质量不相上下(63.1 比 62.1,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 Qwen3.6 Max 哪个更便宜?价格会变吗?
目前 Qwen3.6 Max 更便宜:每百万 token $2.92 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 Qwen3.6 Max 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 56,50 为平均水平)。
智能体和工具调用用 GPT-5.4 还是 Qwen3.6 Max 更好?
Qwen3.6 Max 在智能体任务方面得分更高(类别得分 72 比 63,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,GPT-5.4 为 57.6%,Qwen3.6 Max 为 43.9%。
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,Qwen3.6 Max 为 262,144 token。
更多问题(2)
第三方基准测试对 GPT-5.4 和 Qwen3.6 Max 的看法一致吗?
在两者都有结果的 16 项基准测试中,GPT-5.4 领先 12 项,Qwen3.6 Max 领先 4 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
Qwen3.6 Max 是什么时候发布的?
Qwen3.6 Max 于 2026年4月20日 发布。