BenchLeader

GPT-5.5 vs GPT-6 Luna

完整资料:GPT-5.5(OpenAI)和 GPT-6 Luna(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,质量上 GPT-5.5 领先 GPT-6 Luna(BenchLeader Index 64.1 比 55.1)。不过,GPT-6 Luna 更便宜,对方的价格是它的 56 倍(每百万 token 混合价格 $0.200 比 $11.25)。在两者都有成绩的所有类别中,GPT-5.5 均领先。GPT-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-6 Luna 为 55.1(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-6 Luna 每百万 token 混合价格为 $0.200(标价,2026年11月16日)。
  • GPT-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 47 项基准测试中,GPT-5.5 领先 36 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5.5 的评分为 1512,GPT-6 Luna 为 1577(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 57;SciCode 55.8% 比 54.6%中
智能体与工具调用GPT-5.5类别得分 62 比 49;LiveBench Agentic Coding 54.0% 比 51.2%高
数学GPT-5.5类别得分 69 比 64;FrontierMath Tiers 1–3 85.3% 比 79.0%中
推理GPT-5.5类别得分 68 比 56;ARC-AGI-2 85.0% 比 59.3%高
知识GPT-5.5类别得分 64 比 45;SimpleQA Verified 63.0% 比 41.4%高
长文档均可类别得分 67 比 66;AA-LCR v1.1 84.3% 比 83.3%均可
图像及其他媒体GPT-5.5类别得分 62 比 58;MMMU-Pro 79.9% 比 79.7%中
对话质量(人类偏好)–只有 GPT-6 Luna 有 Arena 评分(类别得分 62)无法比较
成本最低GPT-6 Luna每百万 token 混合价格 $0.200 比 $11.25;智能体编程会话 $0.008 比 $0.420–
首次回答最快GPT-5.5首个回答 token 38.3 秒(GPT-5.5 (xhigh))比 73.9 秒(GPT-6 Luna (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

  • 质量上 GPT-5.5 (xhigh) 领先:64.1 比 55.1。
  • GPT-5.5 (xhigh) 在智能体与工具、编程、知识、长上下文、数学、多模态、推理方面更强。
  • GPT-6 Luna (max) 更便宜,对方的价格是它的 56 倍(每百万 token 混合价格 $0.200 比 $11.25)。

概览

规格GPT-5.5GPT-6 Luna
提供商OpenAIOpenAI
发布日期2026年4月23日2026年9月22日
上下文窗口(token)1,050,0001,050,000
对比时的配置GPT-5.5 (xhigh)GPT-6 Luna (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$0.100 / $0.500 / $0.010

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-6 Luna (max)领先者
推理68.155.7GPT-5.5
编程60.757.3GPT-5.5
智能体与工具61.848.5GPT-5.5
数学69.363.6GPT-5.5
知识63.644.8GPT-5.5
指令遵循74.0–无法比较
人类偏好–62.2无法比较
多模态62.357.6GPT-5.5
长上下文66.966.4持平
综合–44.5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推理编程智能体与工具数学知识长上下文多模态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, 长上下文: 66.9GPT-5.5, 多模态: 62.3GPT-6 Luna, 推理: 55.7GPT-6 Luna, 编程: 57.3GPT-6 Luna, 智能体与工具: 48.5GPT-6 Luna, 数学: 63.6GPT-6 Luna, 知识: 44.8GPT-6 Luna, 长上下文: 66.4GPT-6 Luna, 多模态: 57.6

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 47 项基准测试中,GPT-5.5 领先 36 项,GPT-6 Luna 领先 9 项,2 项持平。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-6 Luna (max)领先者
BenchLeader Index64.155.1GPT-5.5
Arena Text1481†1441GPT-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-6 Luna (max)
每百万 token 混合价格$11.25$0.200
每百万 token 输入 / 输出$5.00 / $30.00$0.100 / $0.500
每百万 token 缓存输入$0.500$0.010
每项任务价格:聊天回复$0.011$0.0002
每项任务价格:总结一份 30 页的报告$0.078$0.0015
每项任务价格:代码编辑$0.075$0.0014
每项任务价格:智能体编程会话$0.420$0.0080
每项任务价格:结构化信息提取$0.016$0.0003
智能体编程会话(输入大多命中缓存)$0.217$0.0040
每项基准测试任务成本(AA Index)–$0.152
每项任务输出 token(AA Index)–75k
其中推理部分–58k
每项任务耗时(AA Index)–12 min
输出速度81 tok/s103 tok/s
首次回答时间38.3 秒73.9 秒
完整回答耗时(最近一次测量 2026年11月13日)104.3 秒171.6 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-6 Luna (max) 得分 55.1,首个回答 token 需 74 秒;GPT-6 Luna (xhigh) 为 52.0(17 秒),GPT-6 Luna (high) 为 51.1(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 196 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-6 Luna (max)
BenchLeader IndexBenchLeader64.155.1
智能体与工具得分BenchLeader61.848.5
编程得分BenchLeader60.757.3
指令遵循得分BenchLeader74.0–
知识得分BenchLeader63.644.8
长上下文得分BenchLeader66.966.4
数学得分BenchLeader69.363.6
多模态得分BenchLeader62.357.6
推理得分BenchLeader68.155.7
综合得分BenchLeader–44.5
人类偏好得分BenchLeader–62.2
混合价格(美元/百万 token)BenchLeader$11.25$0.200
输出速度BenchLeader81 tok/s103 tok/s
首次回答时间BenchLeader38.3 秒73.9 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†90.5%
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1464
LiveBench 2.0 ReasoningLiveBench–81.8%
LiveBench 1.0 ReasoningLiveBench89.7%81.8%
GPQA Diamond (AA)Artificial Analysis93.5%–
Humanity's Last Exam (AA)Artificial Analysis45.8%38.5%
HLE-Diamond (AA)Artificial Analysis–22.2%
GPQA Diamond (Vals)Vals AI93.2%–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%86.7%
ARC-AGI-2ARC Prize85.0%59.3%
ARC-AGI-3ARC Prize0.4%†0.6%
CritPtArtificial Analysis27.1%19.4%
CritPt v2 hard subset (AA)Artificial Analysis–42.5%
MysteryMechanismVals AI–19.4%
Arena ExpertArena (LMArena)1510†1487
Chess PuzzlesEpoch AI Benchmarking Hub63.0%36.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%7.0%
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%44.5%
DTBenchEpoch AI Benchmarking Hub96.0%90.1%
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%54.6%
显示全部 196 项基准测试
指标发布方GPT-5.5 (xhigh)GPT-6 Luna (max)
编程
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†42.4%
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1501
Arena WebDevArena (LMArena)15121577
LiveBench 2.0 CodingLiveBench–70.8%
LiveBench 1.0 CodingLiveBench82.2%79.0%
LiveCodeBenchVals AI85.3%–
IOIVals AI–55.6%
SWE-bench (Vals)Vals AI82.6%–
Code MigrationVals AI45.2%42.5%
Code Migration v1.1Vals AI–46.7%
ProgramBenchVals AI0.5%0.5%
SWE-bench MultimodalVals AI–37.5%
Vibe Code Bench v1.1Vals AI69.8%81.7%
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%–
SWE Atlas v1.1Scale AI SEAL–50.8%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–50.8%†
SWE Atlas v1.1: Test WritingScale AI SEAL–54.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL–47.1%†
MirrorCodeEpoch AI Benchmarking Hub23.3%26.7%
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.01576.9†
WeirdML v3WeirdML–7.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%12.6%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%–
Startrise FrontendStartrise–69.3%†
GameBench 2 OverallDuelLab GameBench 249.2†47.5†
GameBench 2 by reasoning settingDuelLab GameBench 259.955.9†
Design Arena WebsiteDesign Arena1248†1268†
FrontierCode 1.1 (AA)Artificial Analysis–41.9%
FrontierCode 2.0 (AA)Artificial Analysis–25.2%
智能体与工具
Terminal-BenchTerminal-Bench84.7%†15.2%
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†44.3%
Arena AgentArena (LMArena)–1.6
LiveBench Long AgenticLiveBench–24.7%
LiveBench BrowserLiveBench–70.3%
LiveBench Agentic CodingLiveBench54.0%51.2%
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†73.0%
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–46.6%
GDPval-AA v2.1Artificial Analysis13571443
τ³-Banking (AA)Artificial Analysis39.0%–
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%43.8%
APEX-Agents (AA)Artificial Analysis37.7%–
CyberBenchVals AI–76.3%
Finance Agent v2Vals AI51.8%49.9%
Finance Agent v2.1Vals AI–56.8%
Harvey's Legal Agent Benchmark v1.1Vals AI–4.2%
Harvey's Legal Agent Benchmark v1Vals AI3.8%2.9%
Legal Research BenchVals AI40.4%30.3%
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%2.7%
Tax Agent BenchVals AI21.8%19.9%
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–13.6%
Terminal-Bench ScienceVals AI–4.3%
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†1211
Arena Agent Task CompletionArena (LMArena)–-0.4
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†–
Vending-Bench 2Andon Labs7523.8†–
SpireClimbEpoch AI Benchmarking Hub–0.0%
AutomationBenchArtificial Analysis47.3%53.2%
GDP.pdf (AA)Artificial Analysis21.2%22.8%
Harvey LAB-AA v1.1Harvey–3.3%
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis11351337
GDPxGDPx by SemiAnalysis–5.1%
Design Arena AgenticDesign Arena1113†1152†
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–8.6%
CWE-Bench (AA)Artificial Analysis–56.7%
DeepSec-Bench (AA)Artificial Analysis–23.5%
CyberGym end-to-end (AA)Artificial Analysis–77.9%
MKA (AA)Artificial Analysis–36.8%
FACTS SearchGoogle–86.8%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%79.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%56.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†98.9%
ProofBenchVals AI50.0%64.0%†
LiveBench MathematicsLiveBench95.9%89.1%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1449
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%41.4%
LiveBench 2.0 Data AnalysisLiveBench–73.4%
LiveBench ResearchLiveBench–48.5%
LiveBench 1.0 Data AnalysisLiveBench81.6%73.4%
AA-Omniscience v1.1Artificial Analysis–-8.3
MMLU-ProVals AI88.1%–
LegalBenchVals AI86.5%–
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%–
PRBench LegalScale AI SEAL–42.9%†
BioMysteryBenchVals AI–61.5%
CaseLaw v2Vals AI66.2%–
ClaimBenchVals AI–99.2%
Excel Modeling BenchmarkVals AI64.5%68.5%
Excel Modeling Benchmark v1.1Vals AI–70.0%
MedCodeVals AI49.1%44.7%
MedScribeVals AI86.9%83.7%
Public Benefits Bench v1.1Vals AI60.9%57.6%
Financial Coaching BenchVals AI–65.2%
Immigration BenchVals AI–62.5%
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%23.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–39.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–20.6%
HealthBench Professional (AA)OpenAI–61.9%
FACTS ParametricGoogle–57.0%†
指令遵循
LiveBench LanguageLiveBench87.4%73.8%
LiveBench Instruction FollowingLiveBench70.7%55.9%
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1436
人类偏好
Arena TextArena (LMArena)1476†1441
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†–
Arena Creative WritingArena (LMArena)1448†1408
Arena Multi-turnArena (LMArena)1484†1441
Arena Longer QueriesArena (LMArena)1486†1449
多模态
Arena VisionArena (LMArena)1296†1211
LiveBench DesignLiveBench–76.1%
MMMU-ProArtificial Analysis79.9%79.7%
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.8%–
SAGEVals AI–83.4%
Humanity's Sixth SenseScale AI SEAL–21.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†31.2%†
Furniture AssemblyEpoch AI Benchmarking Hub44.2%44.2%
VIALS-AAHandshake AI–27.3%
Code2Video-AAArtificial Analysis10001030
AA-3DArtificial Analysis–1000
FACTS MultimodalGoogle–38.7%†
长上下文
AA-LCR v1.1Artificial Analysis84.3%83.3%
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%26.1%
FACTS GroundingGoogle–76.7%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†156.4†
LiveBench 2.0LiveBench–60.4%
LiveBench 1.0LiveBench80.2%72.0%
AA Intelligence Index v5.0.1Artificial Analysis–27.9
AA Intelligence Index v4.3.2Artificial Analysis38.438.1
AA Progress Index v1Artificial Analysis320317.1
Vals IndexVals AI–52.3
Vals Finance IndexVals AI–53.0%
Vals RSI IndexVals AI16.5%–
Vals Science IndexVals AI–28.4%
Vals Multimodal IndexVals AI68.1%–
Vals Router IndexVals AI–52.3%†
Vals Legal IndexVals AI–62.2%
AA Cyber IndexArtificial Analysis–52.7
安全与诚实
FORTRESSScale AI SEAL16.3%10.8%†
DistressBenchScale AI SEAL–66.7%†

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-6 Luna (max):BenchLeader Index 56.6 → 55.1。
  • GPT-6 Luna (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-5.5 (xhigh):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-5.5 (xhigh):1 项新结果(MirrorCode)。
  • GPT-6 Luna (max):1 项分数修订。
  • GPT-6 Luna (max):1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-6 Luna (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-6 Luna:常见问题

GPT-5.5 比 GPT-6 Luna 更好吗?
质量上 GPT-5.5 (xhigh) 领先:64.1 比 55.1。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-6 Luna 哪个更便宜?价格会变吗?
目前 GPT-6 Luna 更便宜:每百万 token $0.200 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-6 Luna 更好?
GPT-5.5 在编程方面得分更高(类别得分 61 比 57,50 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-6 Luna 为 1577。
GPT-5.5 和 GPT-6 Luna 哪个更快?
GPT-6 Luna 输出更快(输出 103 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-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 49,50 为平均水平)。
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 66)。两者都支持 1,050,000 token 的上下文。
哪个延迟更低?
GPT-5.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 38.3 秒比 73.9 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-6 Luna 的看法一致吗?
在两者都有结果的 47 项基准测试中,GPT-5.5 领先 36 项,GPT-6 Luna 领先 9 项,2 项持平。所有同时评测两者的综合评分都认为 GPT-5.5 更强。
GPT-6 Luna 是什么时候发布的?
GPT-6 Luna 于 2026年9月22日 发布。