BenchLeader

GPT-5.5 vs Kimi K3.1 Pro

完整资料:GPT-5.5(OpenAI)和 Kimi K3.1 Pro(Moonshot AI),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 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 64.1 比 61.8,在 ±4.9 的误差范围内)。Kimi K3.1 Pro 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $4.00 比 $11.25)。看重推理(68 比 59)、知识(64 比 58)和编程(61 比 60)选 GPT-5.5;看重数学(73 比 69)、多模态(66 比 62)和智能体与工具(65 比 62)选 Kimi K3.1 Pro。GPT-5.5 的首次回答更快(38.3 秒 比 157.4 秒)。GPT-5.5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,Kimi K3.1 Pro 为 61.8(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)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-5.5 比 Kimi K3.1 Pro 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 15 项基准测试中,Kimi K3.1 Pro 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-5.5类别得分 61 比 60;SciCode 55.8% 比 60.8%中
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 62;GDPval-AA v2.1 1861 比 1357中
数学Kimi K3.1 Pro类别得分 73 比 69;ProofBench 91.0% 比 50.0%中
推理GPT-5.5类别得分 68 比 59;CritPt 27.1% 比 24.6%高
知识GPT-5.5类别得分 64 比 58中
长文档Kimi K3.1 Pro类别得分 68 比 67;AA-LCR v1.1 86.3% 比 84.3%中
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 62;MMMU-Pro 83.9% 比 79.9%中
成本最低Kimi K3.1 Pro每百万 token 混合价格 $4.00 比 $11.25;智能体编程会话 $0.160 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 157.4 秒(Kimi K3.1 Pro)–
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 Kimi K3.1 Pro 的质量不相上下(64.1 比 61.8,在 ±4.9 的误差范围内)。
  • GPT-5.5 (xhigh) 在编程、知识、推理方面更强。
  • Kimi K3.1 Pro 在智能体与工具、长上下文、数学、多模态方面更强。
  • Kimi K3.1 Pro 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $4.00 比 $11.25)。
  • GPT-5.5 (xhigh) 的输出速度是对方的 2.7 倍(81 比 30 token/秒)。

概览

规格GPT-5.5Kimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年4月23日2026年10月23日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.5 (xhigh)Kimi K3.1 Pro
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $30.00 / $0.500$2.00 / $10.00 / $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)Kimi K3.1 Pro领先者
推理68.159.2GPT-5.5
编程60.759.6GPT-5.5
智能体与工具61.864.6Kimi K3.1 Pro
数学69.373.4Kimi K3.1 Pro
知识63.658.2GPT-5.5
指令遵循74.0–无法比较
多模态62.366.3Kimi K3.1 Pro
长上下文66.967.9Kimi K3.1 Pro

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: 62.3Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3

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 15 项基准测试中,GPT-5.5 领先 3 项,Kimi K3.1 Pro 领先 12 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。

综合 IndexGPT-5.5 (xhigh)Kimi K3.1 Pro领先者
BenchLeader Index64.161.8不相上下
Arena Text1481†1485Kimi K3.1 Pro

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)Kimi K3.1 Pro
每百万 token 混合价格$11.25$4.00
每百万 token 输入 / 输出$5.00 / $30.00$2.00 / $10.00
每百万 token 缓存输入$0.500$0.200
每项任务价格:聊天回复$0.011$0.0038
每项任务价格:总结一份 30 页的报告$0.078$0.030
每项任务价格:代码编辑$0.075$0.027
每项任务价格:智能体编程会话$0.420$0.160
每项任务价格:结构化信息提取$0.016$0.0060
智能体编程会话(输入大多命中缓存)$0.217$0.079
每项基准测试任务成本(AA Index)–$3.68
每项任务输出 token(AA Index)–72k
其中推理部分–44k
每项任务耗时(AA Index)–40 min
输出速度81 tok/s30 tok/s
首次回答时间38.3 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)104.3 秒417.5 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)。Kimi K3.1 Pro 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 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 183 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)Kimi K3.1 Pro
BenchLeader IndexBenchLeader64.161.8
智能体与工具得分BenchLeader61.864.6
编程得分BenchLeader60.759.6
指令遵循得分BenchLeader74.0–
知识得分BenchLeader63.658.2
长上下文得分BenchLeader66.967.9
数学得分BenchLeader69.373.4
多模态得分BenchLeader62.366.3
推理得分BenchLeader68.159.2
混合价格(美元/百万 token)BenchLeader$11.25$4.00
输出速度BenchLeader81 tok/s30 tok/s
首次回答时间BenchLeader38.3 秒157.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†–
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
LiveBench 1.0 ReasoningLiveBench89.7%–
GPQA Diamond (AA)Artificial Analysis93.5%–
Humanity's Last Exam (AA)Artificial Analysis45.8%52.5%
HLE-Diamond (AA)Artificial Analysis–37.3%
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%24.6%
CritPt v2 hard subset (AA)Artificial Analysis–49.5%
MysteryMechanismVals AI–26.1%†
Arena ExpertArena (LMArena)1510†1515†
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%57.6%†
DTBenchEpoch AI Benchmarking Hub96.0%93.3%†
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%60.8%
显示全部 183 项基准测试
指标发布方GPT-5.5 (xhigh)Kimi K3.1 Pro
编程
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1530†
Arena WebDevArena (LMArena)15121687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveBench 1.0 CodingLiveBench82.2%–
LiveCodeBenchVals AI85.3%–
IOIVals AI–81.9%†
SWE-bench (Vals)Vals AI82.6%–
Code MigrationVals AI45.2%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI69.8%84.9%†
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–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.01932.8†
WeirdML v3WeirdML–9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%67.2%
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%–
GameBench 2 OverallDuelLab GameBench 249.2†78.3
GameBench 2 by reasoning settingDuelLab GameBench 259.984.0†
Design Arena WebsiteDesign Arena1248†1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis–25.4%
智能体与工具
Terminal-BenchTerminal-Bench84.7%†59.7%†
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†65.5%
Arena AgentArena (LMArena)–4.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
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%†61.3%
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis13571861
τ³-Banking (AA)Artificial Analysis39.0%–
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%38.8%
APEX-Agents (AA)Artificial Analysis37.7%–
Finance Agent v2Vals AI51.8%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Harvey's Legal Agent Benchmark v1Vals AI3.8%–
Legal Research BenchVals AI40.4%37.5%†
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%27.1%†
Tax Agent BenchVals AI21.8%24.9%†
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–63.6%†
Terminal-Bench ScienceVals AI–31.4%†
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†–
Arena Agent Task CompletionArena (LMArena)–2.7†
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%73.3%
GDP.pdf (AA)Artificial Analysis21.2%31.4%
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis11351674
Design Arena AgenticDesign Arena1113†1301
RoboDojo (LLM as robot policy)RoboDojo1.1†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–34.3%
CWE-Bench (AA)Artificial Analysis–60.8%
DeepSec-Bench (AA)Artificial Analysis–36.7%
CyberGym end-to-end (AA)Artificial Analysis–94.7%
MKA (AA)Artificial Analysis–43.9%
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%91.0%
LiveBench MathematicsLiveBench95.9%–
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1500†–
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
LiveBench 1.0 Data AnalysisLiveBench81.6%–
AA-Omniscience v1.1Artificial Analysis–29.9
MMLU-ProVals AI88.1%–
LegalBenchVals AI86.5%–
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%–
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL–47.9%
BioMysteryBenchVals AI–75.6%†
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
MedCodeVals AI49.1%–
MedScribeVals AI86.9%–
Public Benefits Bench v1.1Vals AI60.9%–
Access to Justice BenchmarkVals AI–69.5%†
DrugDiscoveryBenchScale AI SEAL51.6%63.4%†
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–62.7%
指令遵循
LiveBench LanguageLiveBench87.4%–
LiveBench Instruction FollowingLiveBench70.7%–
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1487†
人类偏好
Arena TextArena (LMArena)1476†1485†
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†2173
Arena Creative WritingArena (LMArena)1448†1453†
Arena Multi-turnArena (LMArena)1484†1475†
Arena Longer QueriesArena (LMArena)1486†1491†
多模态
Arena VisionArena (LMArena)1296†–
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis79.9%83.9%
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.8%–
Humanity's Sixth SenseScale AI SEAL–33.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
VIALS-AAHandshake AI–45.3%
Code2Video-AAArtificial Analysis1000–
AA-3DArtificial Analysis–1112
长上下文
AA-LCR v1.1Artificial Analysis84.3%86.3%
Arena DocumentArena (LMArena)1479†–
MLCRArtificial Analysis28.9%38.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†161.4
LiveBench 2.0LiveBench–68.7%†
LiveBench 1.0LiveBench80.2%–
AA Intelligence Index v5.0.1Artificial Analysis–46.5
AA Intelligence Index v4.3.2Artificial Analysis38.455.1
AA Progress Index v1Artificial Analysis320340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals RSI IndexVals AI16.5%–
Vals Science IndexVals AI–44.4%†
Vals Multimodal IndexVals AI68.1%–
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis–64.1
安全与诚实
FORTRESSScale AI SEAL16.3%18.6%
元数据
AA Openness IndexArtificial Analysis–33.3

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

  • Kimi K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Kimi K3.1 Pro:1 项分数修订。
  • GPT-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • GPT-5.5 (xhigh):1 项分数修订。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。

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 Kimi K3.1 Pro:常见问题

GPT-5.5 比 Kimi K3.1 Pro 更好吗?
GPT-5.5 (xhigh) 与 Kimi K3.1 Pro 的质量不相上下(64.1 比 61.8,在 ±4.9 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 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
目前 Kimi K3.1 Pro 更便宜:每百万 token $4.00 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 Kimi K3.1 Pro 更好?
GPT-5.5 在编程方面得分更高(类别得分 61 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.5 为 55.8%,Kimi K3.1 Pro 为 60.8%。
GPT-5.5 和 Kimi K3.1 Pro 哪个更快?
GPT-5.5 输出更快(约 2 倍;输出 81 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.5 还是 Kimi K3.1 Pro 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 62,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
Kimi K3.1 Pro 在长上下文基准测试上得分更高(68 比 67)。两者都约为 1.1M token(GPT-5.5 为 1,050,000,Kimi K3.1 Pro 为 1,048,576)。
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 157.4 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 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 15 项基准测试中,GPT-5.5 领先 3 项,Kimi K3.1 Pro 领先 12 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。