BenchLeader

GPT-5.5 vs GPT-5.6 Luna

完整资料:GPT-5.5(OpenAI)和 GPT-5.6 Luna(OpenAI),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,质量上 GPT-5.5 领先 GPT-5.6 Luna(BenchLeader Index 64.1 比 58.2)。不过,GPT-5.6 Luna 更便宜,对方的价格是它的 25 倍(每百万 token 混合价格 $0.450 比 $11.25)。在两者都有成绩的所有类别中,GPT-5.5 均领先。GPT-5.6 Luna 输出更快。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,GPT-5.6 Luna 为 58.2(BenchLeader,2026年11月16日)。
  • GPT-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • GPT-5.6 Luna 每百万 token 混合价格为 $0.450(标价,2026年11月16日)。
  • GPT-5.6 Luna 比 GPT-5.5 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 22 项基准测试中,GPT-5.5 领先 18 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5.5 的评分为 1512,GPT-5.6 Luna 为 1519(LMArena,截至 2026年11月16日 的公布数据)。

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-5.5类别得分 61 比 56;SciCode 55.8% 比 50.5%中
智能体与工具调用GPT-5.5类别得分 62 比 57;τ³-Banking (AA) 39.0% 比 28.7%中
数学GPT-5.5类别得分 69 比 66中
推理GPT-5.5类别得分 68 比 52;ARC-AGI-2 85.0% 比 47.6%高
长文档GPT-5.5类别得分 67 比 66;AA-LCR v1.1 84.3% 比 81.7%中
图像及其他媒体GPT-5.5类别得分 62 比 60;MMMU-Pro 79.9% 比 78.5%中
对话质量(人类偏好)–只有 GPT-5.6 Luna 有 Arena 评分(类别得分 64)无法比较
成本最低GPT-5.6 Luna每百万 token 混合价格 $0.450 比 $11.25;智能体编程会话 $0.017 比 $0.420–
首次回答最快GPT-5.6 Luna首个回答 token 28.1 秒(GPT-5.6 Luna (xhigh))比 38.3 秒(GPT-5.5 (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

  • 质量上 GPT-5.5 (xhigh) 领先:64.1 比 58.2。
  • GPT-5.5 (xhigh) 在智能体与工具、编程、长上下文、数学、多模态、推理方面更强。
  • GPT-5.6 Luna (xhigh) 更便宜,对方的价格是它的 25 倍(每百万 token 混合价格 $0.450 比 $11.25)。
  • GPT-5.6 Luna (xhigh) 的输出速度是对方的 1.4 倍(110 比 81 token/秒)。

概览

规格GPT-5.5GPT-5.6 Luna
提供商OpenAIOpenAI
发布日期2026年4月23日2026年7月9日
上下文窗口(token)1,050,0001,050,000
对比时的配置GPT-5.5 (xhigh)GPT-5.6 Luna (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $30.00 / $0.500$0.200 / $1.20 / $0.020

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-5.5 (xhigh)GPT-5.6 Luna (xhigh)领先者
推理68.151.8GPT-5.5
编程60.756.4GPT-5.5
智能体与工具61.857.1GPT-5.5
数学69.365.7GPT-5.5
知识63.6–无法比较
指令遵循74.0–无法比较
人类偏好–63.7无法比较
多模态62.359.9GPT-5.5
长上下文66.965.5GPT-5.5

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长上下文多模态GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3GPT-5.6 Luna, 推理: 51.8GPT-5.6 Luna, 编程: 56.4GPT-5.6 Luna, 智能体与工具: 57.1GPT-5.6 Luna, 数学: 65.7GPT-5.6 Luna, 长上下文: 65.5GPT-5.6 Luna, 多模态: 59.9

未绘制(测得的模型少于两个):知识, 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 22 项基准测试中,GPT-5.5 领先 18 项,GPT-5.6 Luna 领先 4 项。所有同时评测两者的综合评分都认为 GPT-5.5 更强。

综合 IndexGPT-5.5 (xhigh)GPT-5.6 Luna (xhigh)领先者
BenchLeader Index64.158.2GPT-5.5
Arena Text1481†1453GPT-5.5

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-5.5 (xhigh)GPT-5.6 Luna (xhigh)
每百万 token 混合价格$11.25$0.450
每百万 token 输入 / 输出$5.00 / $30.00$0.200 / $1.20
每百万 token 缓存输入$0.500$0.020
每项任务价格:聊天回复$0.011$0.0004
每项任务价格:总结一份 30 页的报告$0.078$0.0031
每项任务价格:代码编辑$0.075$0.0030
每项任务价格:智能体编程会话$0.420$0.017
每项任务价格:结构化信息提取$0.016$0.0006
智能体编程会话(输入大多命中缓存)$0.217$0.0087
输出速度81 tok/s110 tok/s
首次回答时间38.3 秒28.1 秒
完整回答耗时(最近一次测量 2026年11月13日)104.3 秒101.7 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 秒)。GPT-5.6 Luna (xhigh) 得分 58.2,首个回答 token 需 28 秒;GPT-5.6 Luna (max) 为 56.2(59 秒),GPT-5.6 Luna (high) 为 54.7(11 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 160 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-5.5 (xhigh)GPT-5.6 Luna (xhigh)
BenchLeader IndexBenchLeader64.158.2
智能体与工具得分BenchLeader61.857.1
编程得分BenchLeader60.756.4
指令遵循得分BenchLeader74.0–
知识得分BenchLeader63.6–
长上下文得分BenchLeader66.965.5
数学得分BenchLeader69.365.7
多模态得分BenchLeader62.359.9
推理得分BenchLeader68.151.8
人类偏好得分BenchLeader–63.7
混合价格(美元/百万 token)BenchLeader$11.25$0.450
输出速度BenchLeader81 tok/s110 tok/s
首次回答时间BenchLeader38.3 秒28.1 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†91.6%†
SimpleBenchSimpleBench69.0%†46.8%
Arena Hard PromptsArena (LMArena)1499†1475
LiveBench 1.0 ReasoningLiveBench89.7%85.6%†
GPQA Diamond (AA)Artificial Analysis93.5%89.5%
Humanity's Last Exam (AA)Artificial Analysis45.8%37.0%
HLE-Diamond (AA)Artificial Analysis–20.9%†
GPQA Diamond (Vals)Vals AI93.2%91.7%†
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†49.1%†
ARC-AGI-1ARC Prize95.0%87.7%
ARC-AGI-2ARC Prize85.0%47.6%
ARC-AGI-3ARC Prize0.4%†0.0%
CritPtArtificial Analysis27.1%20.6%
CritPt v2 hard subset (AA)Artificial Analysis–30.5%†
MysteryMechanismVals AI–14.4%†
Arena ExpertArena (LMArena)1510†1490
Chess PuzzlesEpoch AI Benchmarking Hub63.0%43.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%21.0%†
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%48.5%
DTBenchEpoch AI Benchmarking Hub96.0%89.1%
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%50.5%
WeirdMLWeirdML84.9%60.9%†
显示全部 160 项基准测试
指标发布方GPT-5.5 (xhigh)GPT-5.6 Luna (xhigh)
编程
FrontierCodeCognition43.0%†39.8%†
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1503
Arena WebDevArena (LMArena)15121519
LiveBench 1.0 CodingLiveBench82.2%82.9%†
LiveCodeBenchVals AI85.3%–
IOIVals AI–61.8%†
SWE-bench (Vals)Vals AI82.6%93.0%†
Code MigrationVals AI45.2%44.5%†
ProgramBenchVals AI0.5%0.0%†
Vibe Code Bench 1-100Vals AI–22.6%†
Vibe Code Bench v1.1Vals AI69.8%77.1%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%–
MirrorCodeEpoch AI Benchmarking Hub23.3%21.1%†
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†61.9%†
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%56.9%
CursorBenchCursor–33.0%
ALE-BenchEpoch AI Benchmarking Hub1943.01667.4†
WeirdML v3WeirdML–5.2%
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%3.5%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%77.9%
Startrise FrontendStartrise–65.0%†
GameBench 2 OverallDuelLab GameBench 249.2†40.2†
GameBench 2 by reasoning settingDuelLab GameBench 259.954
Design Arena WebsiteDesign Arena1248†1248†
FrontierCode 2.0 (AA)Artificial Analysis–17.6%†
智能体与工具
Terminal-BenchTerminal-Bench84.7%†17.6%†
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†43.0%†
LiveBench Agentic CodingLiveBench54.0%48.4%†
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†79.0%†
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1Artificial Analysis13571407
τ³-Banking (AA)Artificial Analysis39.0%28.7%
ITBench SRE (AA)Artificial Analysis45.8%40.3%†
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%35.8%†
CyberBenchVals AI–73.6%†
Finance Agent v2Vals AI51.8%55.0%†
Harvey's Legal Agent Benchmark v1Vals AI3.8%1.3%†
Legal Research BenchVals AI40.4%36.5%†
SkillsBenchVals AI62.2%60.5%†
SREBenchVals AI3.8%1.5%†
Tax Agent BenchVals AI21.8%24.8%†
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–11.6%†
Terminal-Bench ScienceVals AI–0.0%†
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†–
BALROGBALROG–45.6%†
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†–
Vending-Bench 2Andon Labs7523.8†4094.7†
AutomationBenchArtificial Analysis47.3%42.6%
GDP.pdf (AA)Artificial Analysis21.2%23.8%
EnterpriseOps-GymArtificial Analysis46.6%40.8%†
AA-Briefcase v1.1Artificial Analysis11351267
Design Arena AgenticDesign Arena1113†1149†
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–3.3%†
FACTS SearchGoogle–87.0%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%61.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†98.3%†
ProofBenchVals AI50.0%60.0%†
LiveBench MathematicsLiveBench95.9%87.2%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1476
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%41.0%†
LiveBench 1.0 Data AnalysisLiveBench81.6%78.0%†
AA-Omniscience v1.1Artificial Analysis–-17.1†
MMLU-ProVals AI88.1%86.0%†
LegalBenchVals AI86.5%84.0%†
CorpFinVals AI68.4%64.2%†
TaxEvalVals AI75.0%76.2%†
BioMysteryBenchVals AI–61.5%†
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%67.1%†
MedCodeVals AI49.1%42.4%†
MedScribeVals AI86.9%84.4%†
Public Benefits Bench v1.1Vals AI60.9%61.2%†
Access to Justice BenchmarkVals AI–65.6%†
Financial Coaching BenchVals AI–69.3%†
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%22.7%†
AA-Omniscience v1.1: accuracyArtificial Analysis–39.1%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–7.7%†
FACTS ParametricGoogle–50.6%†
指令遵循
LiveBench LanguageLiveBench87.4%72.6%†
LiveBench Instruction FollowingLiveBench70.7%60.1%†
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1443
人类偏好
Arena TextArena (LMArena)1476†1453
EQ-Bench 4EQ-Bench1295†1146†
EQ-Bench Creative Writing v3EQ-Bench1845†1832†
Arena Creative WritingArena (LMArena)1448†1411
Arena Multi-turnArena (LMArena)1484†1458
Arena Longer QueriesArena (LMArena)1486†1452
多模态
Arena VisionArena (LMArena)1296†1256
MMMU-ProArtificial Analysis79.9%78.5%
MMMU-Pro (Vals)Vals AI88.3%85.0%†
MortgageTaxVals AI68.8%67.3%†
Humanity's Sixth SenseScale AI SEAL–21.6%†
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†22.6%†
Furniture AssemblyEpoch AI Benchmarking Hub44.2%42.5%†
Code2Video-AAArtificial Analysis1000–
FACTS MultimodalGoogle–37.4%†
长上下文
AA-LCR v1.1Artificial Analysis84.3%81.7%
Arena DocumentArena (LMArena)1479†1460
MLCRArtificial Analysis28.9%15.0%
FACTS GroundingGoogle–52.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†156.7†
LiveBench 1.0LiveBench80.2%73.6%†
AA Intelligence Index v5.0.1Artificial Analysis–23.8†
AA Intelligence Index v4.3.2Artificial Analysis38.434.6
AA Progress Index v1Artificial Analysis320305.8
Vals RSI IndexVals AI16.5%–
Vals Science IndexVals AI–25.3%†
Vals Multimodal IndexVals AI68.1%69.1%†
安全与诚实
FORTRESSScale AI SEAL16.3%–
DistressBenchScale AI SEAL–72.7%†

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-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Luna (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.6 Luna (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.6 Luna (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.6 Luna (xhigh):1 项新结果(AA Progress Index v1)。

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-5.5 vs GPT-5.6 Luna:常见问题

GPT-5.5 比 GPT-5.6 Luna 更好吗?
质量上 GPT-5.5 (xhigh) 领先:64.1 比 58.2。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.5 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
GPT-5.5 和 GPT-5.6 Luna 哪个更便宜?价格会变吗?
目前 GPT-5.6 Luna 更便宜:每百万 token $0.450 比 $11.25(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-5.5 还是 GPT-5.6 Luna 更好?
GPT-5.5 在编程方面得分更高(类别得分 61 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-5.5 为 1512,GPT-5.6 Luna 为 1519。
GPT-5.5 和 GPT-5.6 Luna 哪个更快?
GPT-5.6 Luna 输出更快(输出 110 比 81 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.5 还是 GPT-5.6 Luna 更好?
GPT-5.5 在智能体任务方面得分更高(类别得分 62 比 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GPT-5.5 为 39.0%,GPT-5.6 Luna 为 28.7%。
更多问题(4)
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 66)。两者都支持 1,050,000 token 的上下文。
哪个延迟更低?
GPT-5.6 Luna 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 28.1 秒比 38.3 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-5.5 和 GPT-5.6 Luna 的看法一致吗?
在两者都有结果的 22 项基准测试中,GPT-5.5 领先 18 项,GPT-5.6 Luna 领先 4 项。所有同时评测两者的综合评分都认为 GPT-5.5 更强。
GPT-5.6 Luna 是什么时候发布的?
GPT-5.6 Luna 于 2026年7月9日 发布。