BenchLeader

GPT-5.5 vs Grok 4.20 Multi-Agent

完整资料:GPT-5.5(OpenAI)和 Grok 4.20 Multi-Agent(SpaceXAI),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,质量上 GPT-5.5 领先 Grok 4.20 Multi-Agent(BenchLeader Index 64.1 比 58.5)。不过,Grok 4.20 Multi-Agent 更便宜,对方的价格是它的 7.2 倍(每百万 token 混合价格 $1.56 比 $11.25)。看重数学(69 比 63)、推理(68 比 65)和多模态(62 比 59)选 GPT-5.5;看重编程(64 比 61)选 Grok 4.20 Multi-Agent。Grok 4.20 Multi-Agent 的首次回答更快(11.8 秒 比 38.3 秒)。Grok 4.20 Multi-Agent 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,Grok 4.20 Multi-Agent 为 58.5(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)。
  • Grok 4.20 Multi-Agent 每百万 token 混合价格为 $1.56(标价,2026年11月16日)。
  • Grok 4.20 Multi-Agent 比 GPT-5.5 输出更快(3 倍以上;Artificial Analysis,7 日中位数,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Grok 4.20 Multi-Agent类别得分 64 比 61中
数学GPT-5.5类别得分 69 比 63中
推理GPT-5.5类别得分 68 比 65中
图像及其他媒体GPT-5.5类别得分 62 比 59中
对话质量(人类偏好)–只有 Grok 4.20 Multi-Agent 有 Arena 评分(类别得分 66)无法比较
成本最低Grok 4.20 Multi-Agent每百万 token 混合价格 $1.56 比 $11.25;智能体编程会话 $0.085 比 $0.420–
首次回答最快Grok 4.20 Multi-Agent首个回答 token 11.8 秒(Grok 4.20 Multi-Agent)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 58.5。
  • GPT-5.5 (xhigh) 在数学、多模态、推理方面更强。
  • Grok 4.20 Multi-Agent 在编程方面更强。
  • Grok 4.20 Multi-Agent 更便宜,对方的价格是它的 7.2 倍(每百万 token 混合价格 $1.56 比 $11.25)。
  • Grok 4.20 Multi-Agent 的输出速度是对方的 4.3 倍(349 比 81 token/秒)。

概览

规格GPT-5.5Grok 4.20 Multi-Agent
提供商OpenAISpaceXAI
发布日期2026年4月23日2026年3月9日
上下文窗口(token)1,050,0002,000,000
对比时的配置GPT-5.5 (xhigh)Grok 4.20 Multi-Agent
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$1.25 / $2.50 / $0.200

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)Grok 4.20 Multi-Agent领先者
推理68.164.7GPT-5.5
编程60.764.3Grok 4.20 Multi-Agent
智能体与工具61.8–无法比较
数学69.363.4GPT-5.5
知识63.6–无法比较
指令遵循74.0–无法比较
人类偏好–65.9无法比较
多模态62.359.3GPT-5.5
长上下文66.9–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推理编程数学多模态GPT-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 数学: 69.3GPT-5.5, 多模态: 62.3Grok 4.20 Multi-Agent, 推理: 64.7Grok 4.20 Multi-Agent, 编程: 64.3Grok 4.20 Multi-Agent, 数学: 63.4Grok 4.20 Multi-Agent, 多模态: 59.3

未绘制(测得的模型少于两个):智能体与工具, 知识, 指令遵循, 长上下文, 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 0 项基准测试中,GPT-5.5 领先 0 项,Grok 4.20 Multi-Agent 领先 0 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)Grok 4.20 Multi-Agent领先者
BenchLeader Index64.158.5GPT-5.5
Arena Text1481†1471GPT-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)Grok 4.20 Multi-Agent
每百万 token 混合价格$11.25$1.56
每百万 token 输入 / 输出$5.00 / $30.00$1.25 / $2.50
每百万 token 缓存输入$0.500$0.200
每项任务价格:聊天回复$0.011$0.0013
每项任务价格:总结一份 30 页的报告$0.078$0.017
每项任务价格:代码编辑$0.075$0.011
每项任务价格:智能体编程会话$0.420$0.085
每项任务价格:结构化信息提取$0.016$0.0030
智能体编程会话(输入大多命中缓存)$0.217$0.038
输出速度81 tok/s349 tok/s
首次回答时间38.3 秒11.8 秒
完整回答耗时(最近一次测量 2026年11月13日)104.3 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)。Grok 4.20 Multi-Agent 得分 58.5,首个回答 token 需 12 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 132 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)Grok 4.20 Multi-Agent
BenchLeader IndexBenchLeader64.158.5
智能体与工具得分BenchLeader61.8–
编程得分BenchLeader60.764.3
指令遵循得分BenchLeader74.0–
知识得分BenchLeader63.6–
长上下文得分BenchLeader66.9–
数学得分BenchLeader69.363.4
多模态得分BenchLeader62.359.3
推理得分BenchLeader68.164.7
人类偏好得分BenchLeader–65.9
混合价格(美元/百万 token)BenchLeader$11.25$1.56
输出速度BenchLeader81 tok/s349 tok/s
首次回答时间BenchLeader38.3 秒11.8 秒
上下文窗口BenchLeader1,050,000 token2,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†–
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1484
LiveBench 1.0 ReasoningLiveBench89.7%–
GPQA Diamond (AA)Artificial Analysis93.5%–
Humanity's Last Exam (AA)Artificial Analysis45.8%–
GPQA Diamond (Vals)Vals AI93.2%–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%–
Arena ExpertArena (LMArena)1510†1483
Chess PuzzlesEpoch AI Benchmarking Hub63.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%–
DTBenchEpoch AI Benchmarking Hub96.0%–
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%–
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1509
显示全部 132 项基准测试
指标发布方GPT-5.5 (xhigh)Grok 4.20 Multi-Agent
编程
Arena WebDevArena (LMArena)1512–
LiveBench 1.0 CodingLiveBench82.2%–
LiveCodeBenchVals AI85.3%–
SWE-bench (Vals)Vals AI82.6%–
Code MigrationVals AI45.2%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI69.8%–
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%–
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.0–
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%–
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%–
GameBench 2 OverallDuelLab GameBench 249.2†–
GameBench 2 by reasoning settingDuelLab GameBench 259.9–
Design Arena WebsiteDesign Arena1248†–
智能体与工具
Terminal-BenchTerminal-Bench84.7%†–
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†–
LiveBench Agentic CodingLiveBench54.0%–
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†–
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1Artificial Analysis1357–
τ³-Banking (AA)Artificial Analysis39.0%–
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%–
Finance Agent v2Vals AI51.8%–
Harvey's Legal Agent Benchmark v1Vals AI3.8%–
Legal Research BenchVals AI40.4%–
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†1207
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†–
Vending-Bench 2Andon Labs7523.8†–
AutomationBenchArtificial Analysis47.3%–
GDP.pdf (AA)Artificial Analysis21.2%–
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis1135–
Design Arena AgenticDesign Arena1113†–
RoboDojo (LLM as robot policy)RoboDojo1.1†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%–
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†–
ProofBenchVals AI50.0%–
LiveBench MathematicsLiveBench95.9%–
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1455
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 1.0 Data AnalysisLiveBench81.6%–
MMLU-ProVals AI88.1%–
LegalBenchVals AI86.5%–
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%–
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%–
MedCodeVals AI49.1%–
MedScribeVals AI86.9%–
Public Benefits Bench v1.1Vals AI60.9%–
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%–
指令遵循
LiveBench LanguageLiveBench87.4%–
LiveBench Instruction FollowingLiveBench70.7%–
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1444
人类偏好
Arena TextArena (LMArena)1476†1471
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†–
Arena Creative WritingArena (LMArena)1448†1448
Arena Multi-turnArena (LMArena)1484†1475
Arena Longer QueriesArena (LMArena)1486†1458
多模态
Arena VisionArena (LMArena)1296†1259
MMMU-ProArtificial Analysis79.9%–
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.8%–
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
Code2Video-AAArtificial Analysis1000–
长上下文
AA-LCR v1.1Artificial Analysis84.3%–
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†–
LiveBench 1.0LiveBench80.2%–
AA Intelligence Index v4.3.2Artificial Analysis38.4–
AA Progress Index v1Artificial Analysis320–
Vals RSI IndexVals AI16.5%–
Vals Multimodal IndexVals AI68.1%–
安全与诚实
FORTRESSScale AI SEAL16.3%–

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-5.5 (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-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.5 (xhigh):价格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.5 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • GPT-5.5 (xhigh):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 Grok 4.20 Multi-Agent:常见问题

GPT-5.5 比 Grok 4.20 Multi-Agent 更好吗?
质量上 GPT-5.5 (xhigh) 领先:64.1 比 58.5。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 Grok 4.20 Multi-Agent 哪个更便宜?价格会变吗?
目前 Grok 4.20 Multi-Agent 更便宜:每百万 token $1.56 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 Grok 4.20 Multi-Agent 更好?
Grok 4.20 Multi-Agent 在编程方面得分更高(类别得分 64 比 61,50 为平均水平)。
GPT-5.5 和 Grok 4.20 Multi-Agent 哪个更快?
Grok 4.20 Multi-Agent 输出更快(3 倍以上;输出 349 比 81 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
Grok 4.20 Multi-Agent 支持更长的上下文:2,000,000 token,GPT-5.5 为 1,050,000 token。
更多问题(2)
哪个延迟更低?
Grok 4.20 Multi-Agent 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.8 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。
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。