BenchLeader

GPT-5.5 vs GPT-5.6 Sol

完整资料:GPT-5.5(OpenAI)和 GPT-5.6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,GPT-5.5 与 GPT-5.6 Sol 的质量不相上下(BenchLeader Index 64.1 比 65.3,在 ±5.0 的误差范围内)。GPT-5.6 Sol 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $8.00 比 $11.25)。看重推理(68 比 65)和指令遵循(74 比 71)选 GPT-5.5;看重智能体与工具(68 比 62)、编程(66 比 61)和多模态(66 比 62)选 GPT-5.6 Sol。GPT-5.6 Sol 的输出更快。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,GPT-5.6 Sol 为 65.3(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 Sol 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 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 74 项基准测试中,GPT-5.6 Sol 领先 57 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-5.6 Sol类别得分 66 比 61;SciCode 57.1% 比 55.8%中
智能体与工具调用GPT-5.6 Sol类别得分 68 比 62;τ³-Banking (AA) 44.3% 比 39.0%中
数学均可类别得分 69 比 70;FrontierMath Tiers 1–3 85.3% 比 89.1%均可
推理GPT-5.5类别得分 68 比 65;ARC-AGI-2 85.0% 比 92.5%中
知识均可类别得分 64 比 64;SimpleQA Verified 63.0% 比 69.7%均可
长文档均可类别得分 67 比 67;AA-LCR v1.1 84.3% 比 84.0%均可
图像及其他媒体GPT-5.6 Sol类别得分 66 比 62;MMMU-Pro 83.4% 比 79.9%中
指令遵循GPT-5.5类别得分 74 比 71;IFBench 75.8% 比 72.7%中
成本最低GPT-5.6 Sol每百万 token 混合价格 $8.00 比 $11.25;智能体编程会话 $0.320 比 $0.420–
首次回答最快均可首个回答 token 38.3 秒(GPT-5.5 (xhigh))比 33.5 秒(GPT-5.6 Sol (max))–
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-5.5 (xhigh) 与 GPT-5.6 Sol (max) 的质量不相上下(64.1 比 65.3,在 ±5.0 的误差范围内)。
  • GPT-5.5 (xhigh) 在指令遵循、长上下文、推理方面更强。
  • GPT-5.6 Sol (max) 在智能体与工具、编程、知识、数学、多模态方面更强。
  • GPT-5.6 Sol (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $8.00 比 $11.25)。

概览

规格GPT-5.5GPT-5.6 Sol
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 Sol (max)
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$4.00 / $20.00 / $0.400

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 Sol (max)领先者
推理68.164.7GPT-5.5
编程60.765.8GPT-5.6 Sol
智能体与工具61.867.5GPT-5.6 Sol
数学69.370.0持平
知识63.663.8持平
指令遵循74.071.2GPT-5.5
多模态62.365.9GPT-5.6 Sol
长上下文66.966.7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, 知识: 63.6GPT-5.5, 指令遵循: 74.0GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3GPT-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知识: 63.8GPT-5.6 Sol, 指令遵循: 71.2GPT-5.6 Sol, 长上下文: 66.7GPT-5.6 Sol, 多模态: 65.9

未绘制(测得的模型少于两个):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 74 项基准测试中,GPT-5.5 领先 16 项,GPT-5.6 Sol 领先 57 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。

综合 IndexGPT-5.5 (xhigh)GPT-5.6 Sol (max)领先者
BenchLeader Index64.165.3不相上下
Arena Text1481†1485GPT-5.6 Sol

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 Sol (max)
每百万 token 混合价格$11.25$8.00
每百万 token 输入 / 输出$5.00 / $30.00$4.00 / $20.00
每百万 token 缓存输入$0.500$0.400
每项任务价格:聊天回复$0.011$0.0076
每项任务价格:总结一份 30 页的报告$0.078$0.060
每项任务价格:代码编辑$0.075$0.054
每项任务价格:智能体编程会话$0.420$0.320
每项任务价格:结构化信息提取$0.016$0.012
智能体编程会话(输入大多命中缓存)$0.217$0.158
输出速度81 tok/s100 tok/s
首次回答时间38.3 秒33.5 秒
完整回答耗时(最近一次测量 2026年11月13日)104.3 秒157.3 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 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(10 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 165 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 Sol (max)
BenchLeader IndexBenchLeader64.165.3
智能体与工具得分BenchLeader61.867.5
编程得分BenchLeader60.765.8
指令遵循得分BenchLeader74.071.2
知识得分BenchLeader63.663.8
长上下文得分BenchLeader66.966.7
数学得分BenchLeader69.370.0
多模态得分BenchLeader62.365.9
推理得分BenchLeader68.164.7
混合价格(美元/百万 token)BenchLeader$11.25$8.00
输出速度BenchLeader81 tok/s100 tok/s
首次回答时间BenchLeader38.3 秒33.5 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†93.5%
SimpleBenchSimpleBench69.0%†64.8%†
Arena Hard PromptsArena (LMArena)1499†1511†
LiveBench 1.0 ReasoningLiveBench89.7%91.7%
GPQA Diamond (AA)Artificial Analysis93.5%94.1%
Humanity's Last Exam (AA)Artificial Analysis45.8%49.5%
GPQA Diamond (Vals)Vals AI93.2%95.2%
EnigmaEvalScale AI SEAL–37.1%†
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†67.0%†
ARC-AGI-1ARC Prize95.0%96.5%
ARC-AGI-2ARC Prize85.0%92.5%
ARC-AGI-3ARC Prize0.4%†7.8%
CritPtArtificial Analysis27.1%32.3%
CritPt v2 hard subset (AA)Artificial Analysis–60.0%
MysteryMechanismVals AI–33.3%
HLE-Diamond (Scale)Scale AI SEAL–31.2%†
Arena ExpertArena (LMArena)1510†1532†
Chess PuzzlesEpoch AI Benchmarking Hub63.0%59.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%58.0%
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%58.4%
DTBenchEpoch AI Benchmarking Hub96.0%95.5%
ForecastBenchForecastBench64.2%†65.7%
BTF-3Epoch AI Benchmarking Hub14.3%†13.7%
编程
SciCodeSciCode55.8%57.1%
显示全部 165 项基准测试
指标发布方GPT-5.5 (xhigh)GPT-5.6 Sol (max)
编程
WeirdMLWeirdML84.9%87.0%
FrontierCodeCognition43.0%†47.5%†
GSO-BenchGSO-Bench40.2%76.5%†
Arena CodingArena (LMArena)1510†1533†
Arena WebDevArena (LMArena)15121615†
LiveBench 1.0 CodingLiveBench82.2%83.9%
LiveCodeBenchVals AI85.3%82.6%
IOIVals AI–91.2%
SWE-bench (Vals)Vals AI82.6%96.2%
Code MigrationVals AI45.2%52.9%
ProgramBenchVals AI0.5%1.5%
Vibe Code Bench 1-100Vals AI–20.0%
Vibe Code Bench v1.1Vals AI69.8%80.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%46.0%†
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%45.9%†
SWE-Bench Pro V2Scale AI SEAL–95.5%†
SWE-Bench Pro V2 HARDScale AI SEAL–82.4%†
MirrorCodeEpoch AI Benchmarking Hub23.3%20.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†93.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%72.7%
CursorBenchCursor–41.7%
ALE-BenchEpoch AI Benchmarking Hub1943.02176.9
FrontierSWEEpoch AI Benchmarking Hub–32.2%
WeirdML v3WeirdML–15.0%†
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%39.9%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%88.0%
Startrise FrontendStartrise–66.2%†
GameBench 2 OverallDuelLab GameBench 249.2†67.0†
GameBench 2 by reasoning settingDuelLab GameBench 259.980.0†
Design Arena WebsiteDesign Arena1248†1319†
智能体与工具
Terminal-BenchTerminal-Bench84.7%†38.5%
OSWorld-Verified 2.0OSWorld13.0%27.3%
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†51.4%†
Arena AgentArena (LMArena)–4.6†
LiveBench Agentic CodingLiveBench54.0%56.2%
Terminal-Bench HardArtificial Analysis60.6%65.9%
τ²-Bench Telecom (AA)Artificial Analysis93.9%85.1%
Terminal-Bench 2.1 (Vals)Vals AI57.3%†85.8%
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†32.3%†
τ³-bench Bankingτ²-bench44.6%46.9%†
GDPval-AA v2.1Artificial Analysis13571619
τ³-Banking (AA)Artificial Analysis39.0%44.3%
ITBench SRE (AA)Artificial Analysis45.8%56.2%
Analyst Agent (AA)Artificial Analysis50.0%47.5%
APEX-Agents (AA)Artificial Analysis37.7%–
CUA-benchVals AI–8.3%
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI51.8%53.8%
Harvey's Legal Agent Benchmark v1Vals AI3.8%2.5%
Legal Research BenchVals AI40.4%48.1%
SkillsBenchVals AI62.2%54.1%
SREBenchVals AI3.8%30.5%
Tax Agent BenchVals AI21.8%31.1%
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–37.9%
Terminal-Bench ScienceVals AI–20.0%
Time Horizon Index: KSPVals AI8.3%23.8%
Web Search IndexVals AI–43.6%
Arena SearchArena (LMArena)1226†1255†
Arena Agent Task CompletionArena (LMArena)–2.3†
BALROGBALROG–60.0%
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%31.0%
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†52.6%†
Vending-Bench 2Andon Labs7523.8†9619.4†
AutomationBenchArtificial Analysis47.3%60.1%
GDP.pdf (AA)Artificial Analysis21.2%27.2%
EnterpriseOps-GymArtificial Analysis46.6%42.9%
AA-Briefcase v1.1Artificial Analysis11351479
Design Arena AgenticDesign Arena1113†1238†
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–22.4%
FACTS SearchGoogle–92.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%89.1%
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%82.9%
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†100.0%
ProofBenchVals AI50.0%83.0%
LiveBench MathematicsLiveBench95.9%96.2%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1494†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%69.7%
LiveBench 1.0 Data AnalysisLiveBench81.6%79.8%
MMLU-ProVals AI88.1%89.1%
LegalBenchVals AI86.5%87.0%
CorpFinVals AI68.4%64.4%
TaxEvalVals AI75.0%74.8%
PRBench FinanceScale AI SEAL–50.5%
PRBench LegalScale AI SEAL–50.5%
BioMysteryBenchVals AI–71.1%
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%72.3%
MedCodeVals AI49.1%44.0%
MedScribeVals AI86.9%85.2%
Public Benefits Bench v1.1Vals AI60.9%66.5%
Financial Coaching BenchVals AI–74.9%
DrugDiscoveryBenchScale AI SEAL51.6%56.5%
EBR-benchEpoch AI Benchmarking Hub34.3%44.8%
GDP.pdfEpoch AI Benchmarking Hub26.0%30.7%
FACTS ParametricGoogle–81.1%†
指令遵循
LiveBench LanguageLiveBench87.4%87.7%
LiveBench Instruction FollowingLiveBench70.7%71.8%
IFBenchArtificial Analysis75.8%72.7%
Arena Instruction FollowingArena (LMArena)1475†1490†
人类偏好
Arena TextArena (LMArena)1476†1485†
EQ-Bench 4EQ-Bench1295†1236†
EQ-Bench Creative Writing v3EQ-Bench1845†1974†
Arena Creative WritingArena (LMArena)1448†1471†
Arena Multi-turnArena (LMArena)1484†1491†
Arena Longer QueriesArena (LMArena)1486†1498†
多模态
Arena VisionArena (LMArena)1296†1282†
MMMU-ProArtificial Analysis79.9%83.4%
MMMU-Pro (Vals)Vals AI88.3%88.8%
MortgageTaxVals AI68.8%67.3%
Humanity's Sixth SenseScale AI SEAL–30.0%
GeoBenchGeoBench–73.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†33.6%†
Furniture AssemblyEpoch AI Benchmarking Hub44.2%56.7%
Code2Video-AAArtificial Analysis1000–
FACTS MultimodalGoogle–46.4%†
长上下文
AA-LCR v1.1Artificial Analysis84.3%84.0%
Arena DocumentArena (LMArena)1479†1487†
MLCRArtificial Analysis28.9%30.0%
FACTS GroundingGoogle–61.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†163.0†
LiveBench 1.0LiveBench80.2%81.0%
AA Intelligence Index v4.3.2Artificial Analysis38.447.0
AA Progress Index v1Artificial Analysis320331.5
Vals RSI IndexVals AI16.5%23.9%
Vals Science IndexVals AI–41.5%
Vals Multimodal IndexVals AI68.1%72.6%
安全与诚实
FORTRESSScale AI SEAL16.3%20.1%†
DistressBenchScale AI SEAL–73.6%†

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.6 Sol (max):1 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-5.5 vs GPT-5.6 Sol:常见问题

GPT-5.5 比 GPT-5.6 Sol 更好吗?
GPT-5.5 (xhigh) 与 GPT-5.6 Sol (max) 的质量不相上下(64.1 比 65.3,在 ±5.0 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-5.5 和 GPT-5.6 Sol 哪个更便宜?价格会变吗?
目前 GPT-5.6 Sol 更便宜:每百万 token $8.00 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 Sol 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.5 为 85.3%,GPT-5.6 Sol 为 82.6%。
GPT-5.5 和 GPT-5.6 Sol 哪个更快?
GPT-5.6 Sol 输出更快(输出 100 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 Sol 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 比 62,50 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 Sol 为 44.3%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(67 比 67)。两者都支持 1,050,000 token 的上下文。
哪个延迟更低?
GPT-5.6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 33.5 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 Sol 的看法一致吗?
在两者都有结果的 74 项基准测试中,GPT-5.5 领先 16 项,GPT-5.6 Sol 领先 57 项,1 项持平。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。