BenchLeader

GPT-5.6 Sol vs GPT-6 Sol

完整资料:GPT-5.6 Sol(OpenAI)和 GPT-6 Sol(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,GPT-5.6 Sol 与 GPT-6 Sol 的质量不相上下(BenchLeader Index 65.3 比 62.6,在 ±4.5 的误差范围内)。GPT-6 Sol 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。看重智能体与工具(68 比 59)、多模态(66 比 61)和知识(64 比 61)选 GPT-5.6 Sol;看重推理(66 比 65)选 GPT-6 Sol。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 的 BenchLeader Index 为 65.3,GPT-6 Sol 为 62.6(BenchLeader,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-6 Sol 每百万 token 混合价格为 $4.00(标价,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
编程均可类别得分 66 比 66;SciCode 57.1% 比 57.6%均可
智能体与工具调用GPT-5.6 Sol类别得分 68 比 59;Terminal-Bench 2.1 (Vals) 85.8% 比 83.2%高
数学GPT-5.6 Sol类别得分 70 比 68;FrontierMath Tiers 1–3 89.1% 比 89.8%中
推理GPT-6 Sol类别得分 66 比 65;GPQA Diamond 94.3% 比 93.5%中
知识GPT-5.6 Sol类别得分 64 比 61;SimpleQA Verified 69.7% 比 60.7%中
长文档均可类别得分 67 比 67;AA-LCR v1.1 84.0% 比 83.7%均可
图像及其他媒体GPT-5.6 Sol类别得分 66 比 61;MMMU-Pro 83.4% 比 83.0%中
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)无法比较
成本最低GPT-6 Sol每百万 token 混合价格 $4.00 比 $8.00;智能体编程会话 $0.160 比 $0.320–
首次回答最快均可首个回答 token 33.5 秒(GPT-5.6 Sol (max))比 36.9 秒(GPT-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-5.6 Sol (max) 与 GPT-6 Sol (max) 的质量不相上下(65.3 比 62.6,在 ±4.5 的误差范围内)。
  • GPT-5.6 Sol (max) 在智能体与工具、知识、长上下文、数学、多模态方面更强。
  • GPT-6 Sol (max) 在编程、推理方面更强。
  • GPT-6 Sol (max) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。

概览

规格GPT-5.6 SolGPT-6 Sol
提供商OpenAIOpenAI
发布日期2026年7月9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-5.6 Sol (max)GPT-6 Sol (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$4.00 / $20.00 / $0.400$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-5.6 Sol (max)GPT-6 Sol (max)领先者
推理64.766.0GPT-6 Sol
编程65.866.3持平
智能体与工具67.558.8GPT-5.6 Sol
数学70.068.0GPT-5.6 Sol
知识63.860.6GPT-5.6 Sol
指令遵循71.2–无法比较
人类偏好–64.2无法比较
多模态65.960.6GPT-5.6 Sol
长上下文66.766.6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长上下文多模态GPT-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, 长上下文: 66.7GPT-5.6 Sol, 多模态: 65.9GPT-6 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 长上下文: 66.6GPT-6 Sol, 多模态: 60.6

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 64 项基准测试中,GPT-5.6 Sol 领先 31 项,GPT-6 Sol 领先 31 项,2 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-5.6 Sol (max)GPT-6 Sol (max)领先者
BenchLeader Index65.362.6不相上下
Arena Text1485†1457GPT-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-5.6 Sol (max)GPT-6 Sol (max)
每百万 token 混合价格$8.00$4.00
每百万 token 输入 / 输出$4.00 / $20.00$2.00 / $10.00
每百万 token 缓存输入$0.400$0.200
每项任务价格:聊天回复$0.0076$0.0038
每项任务价格:总结一份 30 页的报告$0.060$0.030
每项任务价格:代码编辑$0.054$0.027
每项任务价格:智能体编程会话$0.320$0.160
每项任务价格:结构化信息提取$0.012$0.0060
智能体编程会话(输入大多命中缓存)$0.158$0.079
每项基准测试任务成本(AA Index)–$2.47
每项任务输出 token(AA Index)–54k
其中推理部分–35k
每项任务耗时(AA Index)–7 min
输出速度100 tok/s127 tok/s
首次回答时间33.5 秒36.9 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒143.8 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.6 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)。GPT-6 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 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 164 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-5.6 Sol (max)GPT-6 Sol (max)
BenchLeader IndexBenchLeader65.362.6
智能体与工具得分BenchLeader67.558.8
编程得分BenchLeader65.866.3
指令遵循得分BenchLeader71.2–
知识得分BenchLeader63.860.6
长上下文得分BenchLeader66.766.6
数学得分BenchLeader70.068.0
多模态得分BenchLeader65.960.6
推理得分BenchLeader64.766.0
人类偏好得分BenchLeader–64.2
混合价格(美元/百万 token)BenchLeader$8.00$4.00
输出速度BenchLeader100 tok/s127 tok/s
首次回答时间BenchLeader33.5 秒36.9 秒
上下文窗口BenchLeader1,050,000 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%94.3%
SimpleBenchSimpleBench64.8%†73.1%†
Arena Hard PromptsArena (LMArena)1511†1483
LiveBench 1.0 ReasoningLiveBench91.7%88.7%
GPQA Diamond (AA)Artificial Analysis94.1%–
Humanity's Last Exam (AA)Artificial Analysis49.5%47.9%
HLE-Diamond (AA)Artificial Analysis–45.2%
GPQA Diamond (Vals)Vals AI95.2%–
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†–
ARC-AGI-1ARC Prize96.5%95.5%
ARC-AGI-2ARC Prize92.5%89.6%
ARC-AGI-3ARC Prize7.8%23.0%
CritPtArtificial Analysis32.3%30.9%
CritPt v2 hard subset (AA)Artificial Analysis60.0%66.5%
MysteryMechanismVals AI33.3%30.2%
HLE-Diamond (Scale)Scale AI SEAL31.2%†33.8%†
Arena ExpertArena (LMArena)1532†1496
Chess PuzzlesEpoch AI Benchmarking Hub59.0%56.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%56.0%
LMCAEpoch AI Benchmarking Hub58.4%59.1%
DTBenchEpoch AI Benchmarking Hub95.5%97.3%
ForecastBenchForecastBench65.7%–
BTF-3Epoch AI Benchmarking Hub13.7%–
编程
SciCodeSciCode57.1%57.6%
显示全部 164 项基准测试
指标发布方GPT-5.6 Sol (max)GPT-6 Sol (max)
编程
WeirdMLWeirdML87.0%–
FrontierCodeCognition47.5%†49.3%
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1521
Arena WebDevArena (LMArena)1615†1673
LiveBench 1.0 CodingLiveBench83.9%81.8%
LiveCodeBenchVals AI82.6%–
IOIVals AI91.2%82.6%
SWE-bench (Vals)Vals AI96.2%–
Code MigrationVals AI52.9%57.2%
ProgramBenchVals AI1.5%2.0%
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%87.8%
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†–
SWE-Bench Pro V2Scale AI SEAL95.5%†–
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†–
MirrorCodeEpoch AI Benchmarking Hub20.0%†48.9%
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.92462
FrontierSWEEpoch AI Benchmarking Hub32.2%–
WeirdML v3WeirdML15.0%†19.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%43.9%
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%–
Startrise FrontendStartrise66.2%†–
GameBench 2 OverallDuelLab GameBench 267.0†73.0†
GameBench 2 by reasoning settingDuelLab GameBench 280.0†79.4†
Design Arena WebsiteDesign Arena1319†1290†
FrontierCode 2.0 (AA)Artificial Analysis–35.6%
智能体与工具
Terminal-BenchTerminal-Bench38.5%50.3%
OSWorld-Verified 2.0OSWorld27.3%–
APEX-AgentsMercor51.4%†54.3%
Arena AgentArena (LMArena)4.6†6.9
LiveBench Agentic CodingLiveBench56.2%52.9%
Terminal-Bench HardArtificial Analysis65.9%–
τ²-Bench Telecom (AA)Artificial Analysis85.1%–
Terminal-Bench 2.1 (Vals)Vals AI85.8%83.2%
HiL-BenchScale AI SEAL32.3%†–
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1Artificial Analysis16191514
τ³-Banking (AA)Artificial Analysis44.3%–
ITBench SRE (AA)Artificial Analysis56.2%49.4%
Analyst Agent (AA)Artificial Analysis47.5%–
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%78.0%
Finance Agent v2Vals AI53.8%49.0%
Harvey's Legal Agent Benchmark v1Vals AI2.5%1.7%
Legal Research BenchVals AI48.1%28.9%
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%30.5%
Tax Agent BenchVals AI31.1%15.0%
Terminal-Bench 4.0 (Vals)Vals AI37.9%44.4%
Terminal-Bench ScienceVals AI20.0%30.0%
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†1229
Arena Agent Task CompletionArena (LMArena)2.3†4.5
BALROGBALROG60.0%–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†14427.9†
SpireClimbEpoch AI Benchmarking Hub–9.2%
AutomationBenchArtificial Analysis60.1%61.6%
GDP.pdf (AA)Artificial Analysis27.2%25.2%
Harvey LAB-AA v1.1Harvey–3.6%
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis14791476
Design Arena AgenticDesign Arena1238†1218†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%30.0%
CWE-Bench (AA)Artificial Analysis–64.2%
DeepSec-Bench (AA)Artificial Analysis–46.3%
CyberGym end-to-end (AA)Artificial Analysis–0.0%
FACTS SearchGoogle92.9%†92.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%89.8%
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%90.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%
ProofBenchVals AI83.0%83.0%†
LiveBench MathematicsLiveBench96.2%96.4%
Arena MathsArena (LMArena)1494†1440
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%1.5%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%60.7%
LiveBench 1.0 Data AnalysisLiveBench79.8%81.2%
AA-Omniscience v1.1Artificial Analysis–21.4
MMLU-ProVals AI89.1%–
LegalBenchVals AI87.0%–
CorpFinVals AI64.4%–
TaxEvalVals AI74.8%–
PRBench FinanceScale AI SEAL50.5%–
PRBench LegalScale AI SEAL50.5%38.6%†
BioMysteryBenchVals AI71.1%74.8%
Excel Modeling BenchmarkVals AI72.3%71.5%
MedCodeVals AI44.0%47.1%
MedScribeVals AI85.2%82.0%
Public Benefits Bench v1.1Vals AI66.5%56.6%
Financial Coaching BenchVals AI74.9%62.6%
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%53.3%
GDP.pdfEpoch AI Benchmarking Hub30.7%26.4%
AA-Omniscience v1.1: accuracyArtificial Analysis–51.1%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–39.1%
HealthBench Professional (AA)OpenAI–62.3%
FACTS ParametricGoogle81.1%†76.1%†
指令遵循
LiveBench LanguageLiveBench87.7%85.3%
LiveBench Instruction FollowingLiveBench71.8%68.6%
IFBenchArtificial Analysis72.7%–
Arena Instruction FollowingArena (LMArena)1490†1449
人类偏好
Arena TextArena (LMArena)1485†1457
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†2126†
Arena Creative WritingArena (LMArena)1471†1428
Arena Multi-turnArena (LMArena)1491†1468
Arena Longer QueriesArena (LMArena)1498†1466
多模态
Arena VisionArena (LMArena)1282†1233
MMMU-ProArtificial Analysis83.4%83.0%
MMMU-Pro (Vals)Vals AI88.8%–
MortgageTaxVals AI67.3%–
Humanity's Sixth SenseScale AI SEAL30.0%31.2%
GeoBenchGeoBench73.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†36.9%†
Furniture AssemblyEpoch AI Benchmarking Hub56.7%58.3%
AA-3DArtificial Analysis–1131
FACTS MultimodalGoogle46.4%†43.9%†
长上下文
AA-LCR v1.1Artificial Analysis84.0%83.7%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%33.9%
FACTS GroundingGoogle61.9%†83.3%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†163.8†
LiveBench 1.0LiveBench81.0%79.3%
AA Intelligence Index v5.0.1Artificial Analysis–44.2
AA Intelligence Index v4.3.2Artificial Analysis47.047.6
AA Progress Index v1Artificial Analysis331.5334
Vals RSI IndexVals AI23.9%28.1%
Vals Science IndexVals AI41.5%45.0%
Vals Multimodal IndexVals AI72.6%–
AA Cyber IndexArtificial Analysis–36.8
安全与诚实
FORTRESSScale AI SEAL20.1%†13.5%†
DistressBenchScale AI SEAL73.6%†68.0%†

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • GPT-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-5.6 Sol vs GPT-6 Sol:常见问题

GPT-5.6 Sol 比 GPT-6 Sol 更好吗?
GPT-5.6 Sol (max) 与 GPT-6 Sol (max) 的质量不相上下(65.3 比 62.6,在 ±4.5 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-5.6 Sol 和 GPT-6 Sol 哪个更便宜?价格会变吗?
目前 GPT-6 Sol 更便宜:每百万 token $4.00 比 $8.00(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-5.6 Sol 还是 GPT-6 Sol 更好?
两者在编程方面持平(类别得分 66 比 66)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.6 Sol 为 57.1%,GPT-6 Sol 为 57.6%。
GPT-5.6 Sol 和 GPT-6 Sol 哪个更快?
GPT-6 Sol 输出更快(输出 127 比 100 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Sol 还是 GPT-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 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,GPT-5.6 Sol 为 38.5%,GPT-6 Sol 为 50.3%。
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 36.9 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-5.6 Sol 和 GPT-6 Sol 的看法一致吗?
在两者都有结果的 64 项基准测试中,GPT-5.6 Sol 领先 31 项,GPT-6 Sol 领先 31 项,2 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-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。