BenchLeader

GPT-5.6 Sol vs Grok 4

完整资料:GPT-5.6 Sol(OpenAI)和 Grok 4(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,质量上 GPT-5.6 Sol 领先 Grok 4(BenchLeader Index 65.3 比 58.1)。不过,Grok 4 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $6.00 比 $8.00)。看重多模态(66 比 52)、数学(70 比 58)和编程(66 比 56)选 GPT-5.6 Sol;看重长上下文(68 比 67)选 Grok 4。Grok 4 的首次回答更快(17.5 秒 比 33.5 秒)。GPT-5.6 Sol 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 的 BenchLeader Index 为 65.3,Grok 4 为 58.1(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)。
  • Grok 4 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 比 Grok 4 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 26 项基准测试中,GPT-5.6 Sol 领先 24 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 56;WeirdML 87.0% 比 45.7%高
智能体与工具调用GPT-5.6 Sol类别得分 68 比 59;Terminal-Bench 38.5% 比 27.2%高
数学GPT-5.6 Sol类别得分 70 比 58;OTIS Mock AIME 100.0% 比 84.0%高
推理GPT-5.6 Sol类别得分 65 比 60;GPQA Diamond 93.5% 比 87.0%中
知识GPT-5.6 Sol类别得分 64 比 56;MMLU-Pro 89.1% 比 85.3%高
长文档Grok 4类别得分 68 比 67;AA-LCR v1.1 68.0% 比 84.0%中
图像及其他媒体GPT-5.6 Sol类别得分 66 比 52;MMMU-Pro 83.4% 比 68.8%高
指令遵循GPT-5.6 Sol类别得分 71 比 63;IFBench 72.7% 比 53.7%高
对话质量(人类偏好)–只有 Grok 4 有 Arena 评分(类别得分 59)无法比较
成本最低Grok 4每百万 token 混合价格 $6.00 比 $8.00;智能体编程会话 $0.240 比 $0.320–
首次回答最快Grok 4首个回答 token 17.5 秒(Grok 4)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

  • 质量上 GPT-5.6 Sol (max) 领先:65.3 比 58.1。
  • GPT-5.6 Sol (max) 在智能体与工具、编程、指令遵循、知识、数学、多模态、推理方面更强。
  • Grok 4 在长上下文方面更强。
  • Grok 4 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $6.00 比 $8.00)。
  • GPT-5.6 Sol (max) 的输出速度是对方的 1.4 倍(100 比 69 token/秒)。

概览

规格GPT-5.6 SolGrok 4
提供商OpenAISpaceXAI
发布日期2026年7月9日2025年7月9日
上下文窗口(token)1,050,000256,000
对比时的配置GPT-5.6 Sol (max)Grok 4
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$3.00 / $15.00 / –

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)Grok 4领先者
推理64.760.0GPT-5.6 Sol
编程65.855.9GPT-5.6 Sol
智能体与工具67.558.6GPT-5.6 Sol
数学70.058.3GPT-5.6 Sol
知识63.856.0GPT-5.6 Sol
指令遵循71.262.5GPT-5.6 Sol
人类偏好–58.5无法比较
多模态65.952.0GPT-5.6 Sol
长上下文66.768.3Grok 4

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-5.6 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: 65.9Grok 4, 推理: 60.0Grok 4, 编程: 55.9Grok 4, 智能体与工具: 58.6Grok 4, 数学: 58.3Grok 4, 知识: 56.0Grok 4, 指令遵循: 62.5Grok 4, 长上下文: 68.3Grok 4, 多模态: 52.0

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 26 项基准测试中,GPT-5.6 Sol 领先 24 项,Grok 4 领先 2 项。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)Grok 4领先者
BenchLeader Index65.358.1GPT-5.6 Sol
Arena Text1485†1411GPT-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)Grok 4
每百万 token 混合价格$8.00$6.00
每百万 token 输入 / 输出$4.00 / $20.00$3.00 / $15.00
每百万 token 缓存输入$0.400–
每项任务价格:聊天回复$0.0076$0.0057
每项任务价格:总结一份 30 页的报告$0.060$0.045
每项任务价格:代码编辑$0.054$0.041
每项任务价格:智能体编程会话$0.320$0.240
每项任务价格:结构化信息提取$0.012$0.0090
智能体编程会话(输入大多命中缓存)$0.158–
输出速度100 tok/s69 tok/s
首次回答时间33.5 秒17.5 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒42.8 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)。Grok 4 得分 58.1,首个回答 token 需 18 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 176 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)Grok 4
BenchLeader IndexBenchLeader65.358.1
智能体与工具得分BenchLeader67.558.6
编程得分BenchLeader65.855.9
指令遵循得分BenchLeader71.262.5
知识得分BenchLeader63.856.0
长上下文得分BenchLeader66.768.3
数学得分BenchLeader70.058.3
多模态得分BenchLeader65.952.0
推理得分BenchLeader64.760.0
人类偏好得分BenchLeader–58.5
混合价格(美元/百万 token)BenchLeader$8.00$6.00
输出速度BenchLeader100 tok/s69 tok/s
首次回答时间BenchLeader33.5 秒17.5 秒
上下文窗口BenchLeader1,050,000 token256,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%87.0%
SimpleBenchSimpleBench64.8%†60.5%
Arena Hard PromptsArena (LMArena)1511†1421
LiveBench 1.0 ReasoningLiveBench91.7%–
GPQA Diamond (AA)Artificial Analysis94.1%87.7%
Humanity's Last Exam (AA)Artificial Analysis49.5%26.7%
GPQA Diamond (Vals)Vals AI95.2%88.1%
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†73.6%
GPQA Diamond (HELM)HELM Capabilities–72.6%
ARC-AGI-1ARC Prize96.5%66.7%†
ARC-AGI-2ARC Prize92.5%16.0%†
ARC-AGI-3ARC Prize7.8%–
CritPtArtificial Analysis32.3%2.0%
CritPt v2 hard subset (AA)Artificial Analysis60.0%–
MysteryMechanismVals AI33.3%–
HLE-Diamond (Scale)Scale AI SEAL31.2%†–
Arena ExpertArena (LMArena)1532†1429
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%–
LMCAEpoch AI Benchmarking Hub58.4%–
DTBenchEpoch AI Benchmarking Hub95.5%–
ForecastBenchForecastBench65.7%64.7%
BTF-3Epoch AI Benchmarking Hub13.7%–
编程
SciCodeSciCode57.1%–
显示全部 176 项基准测试
指标发布方GPT-5.6 Sol (max)Grok 4
编程
WeirdMLWeirdML87.0%45.7%
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1435
Arena WebDevArena (LMArena)1615†–
LiveBench 1.0 CodingLiveBench83.9%–
LiveCodeBenchVals AI82.6%83.3%
IOIVals AI91.2%–
SWE-bench (Vals)Vals AI96.2%57.8%
Aider PolyglotAider polyglot leaderboard–79.6%†
Code MigrationVals AI52.9%–
ProgramBenchVals AI1.5%–
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%–
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%†–
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.9–
FrontierSWEEpoch AI Benchmarking Hub32.2%–
WeirdML v3WeirdML15.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%–
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%–
Startrise FrontendStartrise66.2%†–
GameBench 2 OverallDuelLab GameBench 267.0†–
GameBench 2 by reasoning settingDuelLab GameBench 280.0†–
Design Arena WebsiteDesign Arena1319†1006
LiveCodeBench (AA)Artificial Analysis–81.9%
智能体与工具
Terminal-BenchTerminal-Bench38.5%27.2%
OSWorld-Verified 2.0OSWorld27.3%–
GDPvalOpenAI–21.1%†
CybenchCybench–43.0%
APEX-AgentsMercor51.4%†–
Arena AgentArena (LMArena)4.6†–
LiveBench Agentic CodingLiveBench56.2%–
Terminal-Bench HardArtificial Analysis65.9%37.9%
τ²-Bench Telecom (AA)Artificial Analysis85.1%74.8%
Terminal-Bench 2.1 (Vals)Vals AI85.8%–
HiL-BenchScale AI SEAL32.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1Artificial Analysis1619–
τ³-Banking (AA)Artificial Analysis44.3%–
ITBench SRE (AA)Artificial Analysis56.2%–
Analyst Agent (AA)Artificial Analysis47.5%–
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%–
Finance Agent v2Vals AI53.8%–
Harvey's Legal Agent Benchmark v1Vals AI2.5%–
Legal Research BenchVals AI48.1%–
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%–
Tax Agent BenchVals AI31.1%–
Terminal-Bench 2.0 (Vals)Vals AI–28.1%
Terminal-Bench 4.0 (Vals)Vals AI37.9%–
Terminal-Bench ScienceVals AI20.0%–
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†1123
Arena Agent Task CompletionArena (LMArena)2.3†–
BALROGBALROG60.0%43.6%
DeepResearch BenchDeepResearch Bench–47.3%
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
METR Time HorizonsMETR–66.6%
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†–
AutomationBenchArtificial Analysis60.1%–
GDP.pdf (AA)Artificial Analysis27.2%–
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis1479–
Design Arena AgenticDesign Arena1238†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%–
FACTS SearchGoogle92.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%–
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%84.0%
ProofBenchVals AI83.0%–
LiveBench MathematicsLiveBench96.2%–
AIME (Vals)Vals AI–90.6%
MGSMVals AI–90.9%
IMO 2025MathArena–21.4%
MathArena ApexMathArena–2.1%
Omni-MATH (HELM)HELM Capabilities–60.3%
MATH 500Vals AI–96.2%
Arena MathsArena (LMArena)1494†1425
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
AIME 2025 (AA)Artificial Analysis–92.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%–
LiveBench 1.0 Data AnalysisLiveBench79.8%–
MMLU-ProVals AI89.1%85.3%
LegalBenchVals AI87.0%83.2%
CorpFinVals AI64.4%66.0%
TaxEvalVals AI74.8%65.1%
MedQAVals AI–92.5%
PRBench FinanceScale AI SEAL50.5%–
PRBench LegalScale AI SEAL50.5%–
MMLU-Pro (HELM)HELM Capabilities–85.1%
BioMysteryBenchVals AI71.1%–
CaseLaw v2Vals AI–65.8%
Excel Modeling BenchmarkVals AI72.3%–
MedCodeVals AI44.0%38.1%
MedScribeVals AI85.2%78.2%
Public Benefits Bench v1.1Vals AI66.5%–
Financial Coaching BenchVals AI74.9%–
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%–
Global-MMLU-Lite (AA)Artificial Analysis–89.5%
FACTS ParametricGoogle81.1%†–
指令遵循
LiveBench LanguageLiveBench87.7%–
LiveBench Instruction FollowingLiveBench71.8%–
IFBenchArtificial Analysis72.7%53.7%
IFEval (HELM)HELM Capabilities–94.9%
WildBench (HELM)HELM Capabilities–79.7%
Arena Instruction FollowingArena (LMArena)1490†1396
人类偏好
Arena TextArena (LMArena)1485†1411
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†–
Arena Creative WritingArena (LMArena)1471†1394
Arena Multi-turnArena (LMArena)1491†1413
Arena Longer QueriesArena (LMArena)1498†1416
Lech Mazur Creative WritingLech Mazur–76.9%
多模态
Arena VisionArena (LMArena)1282†1210
MMMU-ProArtificial Analysis83.4%68.8%
MMMU-Pro (Vals)Vals AI88.8%76.3%
MortgageTaxVals AI67.3%44.5%
Humanity's Sixth SenseScale AI SEAL30.0%–
GeoBenchGeoBench73.0%†45.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub56.7%–
FACTS MultimodalGoogle46.4%†–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis84.0%68.0%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%–
FACTS GroundingGoogle61.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†146.9
LiveBench 1.0LiveBench81.0%–
AA Intelligence Index v4.3.2Artificial Analysis47.022.5
AA Progress Index v1Artificial Analysis331.5262.3
HELM Capabilities meanHELM Capabilities–78.5%
Vals RSI IndexVals AI23.9%–
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%–
安全与诚实
FORTRESSScale AI SEAL20.1%†–
DistressBenchScale AI SEAL73.6%†–
元数据
AA Openness IndexArtificial Analysis–5.6

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Grok 4:1 项新结果(AIME 2025 (AA))。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Grok 4:1 项新结果(Arena Search)。
  • Grok 4:1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • GPT-5.6 Sol (max):2 项新结果(AA Progress Index v1, CritPt v2 hard subset (AA))。

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 Grok 4:常见问题

GPT-5.6 Sol 比 Grok 4 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 58.1。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-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-5.6 Sol 和 Grok 4 哪个更便宜?价格会变吗?
目前 Grok 4 更便宜:每百万 token $6.00 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 Grok 4 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 LiveCodeBench 上,GPT-5.6 Sol 为 82.6%,Grok 4 为 83.3%。
GPT-5.6 Sol 和 Grok 4 哪个更快?
GPT-5.6 Sol 输出更快(约 1.5 倍;输出 100 比 69 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Sol 还是 Grok 4 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%,Grok 4 为 27.2%。
更多问题(4)
处理长文档哪个更好?
Grok 4 在长上下文基准测试上得分更高(68 比 67)。GPT-5.6 Sol 支持更长的上下文:1,050,000 token,Grok 4 为 256,000 token。
哪个延迟更低?
Grok 4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 17.5 秒比 33.5 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 Grok 4 的看法一致吗?
在两者都有结果的 26 项基准测试中,GPT-5.6 Sol 领先 24 项,Grok 4 领先 2 项。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。