BenchLeader

GPT-5.6 Sol vs Grok 4.7

完整资料:GPT-5.6 Sol(OpenAI)和 Grok 4.7(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 GPT-5.6 Sol 领先 Grok 4.7(BenchLeader Index 65.3 比 57.4)。不过,Grok 4.7 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $3.00 比 $8.00)。在两者都有成绩的所有类别中,GPT-5.6 Sol 均领先。GPT-5.6 Sol 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 4.7 为 57.4(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 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-5.6 Sol 比 Grok 4.7 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 66 项基准测试中,GPT-5.6 Sol 领先 51 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 61;IOI 91.2% 比 57.7%中
智能体与工具调用GPT-5.6 Sol类别得分 68 比 57;Terminal-Bench 2.1 (Vals) 85.8% 比 73.4%高
数学GPT-5.6 Sol类别得分 70 比 56;FrontierMath Tiers 1–3 89.1% 比 53.0%高
推理GPT-5.6 Sol类别得分 65 比 56;GPQA Diamond 93.5% 比 92.7%高
知识GPT-5.6 Sol类别得分 64 比 60;SimpleQA Verified 69.7% 比 56.0%中
长文档GPT-5.6 Sol类别得分 67 比 63;AA-LCR v1.1 84.0% 比 76.7%中
图像及其他媒体GPT-5.6 Sol类别得分 66 比 56;Furniture Assembly 56.7% 比 20.8%高
对话质量(人类偏好)–只有 Grok 4.7 有 Arena 评分(类别得分 63)无法比较
成本最低Grok 4.7每百万 token 混合价格 $3.00 比 $8.00;智能体编程会话 $0.144 比 $0.320–
首次回答最快GPT-5.6 Sol首个回答 token 33.5 秒(GPT-5.6 Sol (max))比 55.9 秒(Grok 4.7 (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-5.6 Sol (max) 领先:65.3 比 57.4。
  • GPT-5.6 Sol (max) 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。
  • Grok 4.7 (xhigh) 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $3.00 比 $8.00)。
  • GPT-5.6 Sol (max) 的输出速度是对方的 1.5 倍(100 比 68 token/秒)。

概览

规格GPT-5.6 SolGrok 4.7
提供商OpenAISpaceXAI
发布日期2026年7月9日2026年9月21日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-5.6 Sol (max)Grok 4.7 (xhigh)
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 / $6.00 / $0.500

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 4.7 (xhigh)领先者
推理64.755.6GPT-5.6 Sol
编程65.860.9GPT-5.6 Sol
智能体与工具67.556.9GPT-5.6 Sol
数学70.055.8GPT-5.6 Sol
知识63.859.9GPT-5.6 Sol
指令遵循71.2–无法比较
人类偏好–62.5无法比较
多模态65.955.5GPT-5.6 Sol
长上下文66.762.9GPT-5.6 Sol
综合–52.8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-5.6 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: 65.9Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5

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 66 项基准测试中,GPT-5.6 Sol 领先 51 项,Grok 4.7 领先 14 项,1 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)Grok 4.7 (xhigh)领先者
BenchLeader Index65.357.4GPT-5.6 Sol
Arena Text1485†1443GPT-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 4.7 (xhigh)
每百万 token 混合价格$8.00$3.00
每百万 token 输入 / 输出$4.00 / $20.00$2.00 / $6.00
每百万 token 缓存输入$0.400$0.500
每项任务价格:聊天回复$0.0076$0.0026
每项任务价格:总结一份 30 页的报告$0.060$0.028
每项任务价格:代码编辑$0.054$0.021
每项任务价格:智能体编程会话$0.320$0.144
每项任务价格:结构化信息提取$0.012$0.0052
智能体编程会话(输入大多命中缓存)$0.158$0.076
每项基准测试任务成本(AA Index)–$7.77
每项任务输出 token(AA Index)–105k
其中推理部分–69k
每项任务耗时(AA Index)–26 min
输出速度100 tok/s68 tok/s
首次回答时间33.5 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒145.5 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.6 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 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(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 195 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 4.7 (xhigh)
BenchLeader IndexBenchLeader65.357.4
智能体与工具得分BenchLeader67.556.9
编程得分BenchLeader65.860.9
指令遵循得分BenchLeader71.2–
知识得分BenchLeader63.859.9
长上下文得分BenchLeader66.762.9
数学得分BenchLeader70.055.8
多模态得分BenchLeader65.955.5
推理得分BenchLeader64.755.6
综合得分BenchLeader–52.8
人类偏好得分BenchLeader–62.5
混合价格(美元/百万 token)BenchLeader$8.00$3.00
输出速度BenchLeader100 tok/s68 tok/s
首次回答时间BenchLeader33.5 秒55.9 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%92.7%
SimpleBenchSimpleBench64.8%†–
Arena Hard PromptsArena (LMArena)1511†1466
LiveBench 2.0 ReasoningLiveBench–82.7%
LiveBench 1.0 ReasoningLiveBench91.7%82.7%
GPQA Diamond (AA)Artificial Analysis94.1%–
Humanity's Last Exam (AA)Artificial Analysis49.5%43.1%
HLE-Diamond (AA)Artificial Analysis–23.2%
GPQA Diamond (Vals)Vals AI95.2%–
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†–
ARC-AGI-1ARC Prize96.5%89.5%
ARC-AGI-2ARC Prize92.5%61.4%
ARC-AGI-3ARC Prize7.8%7.0%
CritPtArtificial Analysis32.3%17.7%
CritPt v2 hard subset (AA)Artificial Analysis60.0%33.5%
MysteryMechanismVals AI33.3%25.2%
HLE-Diamond (Scale)Scale AI SEAL31.2%†23.4%†
Arena ExpertArena (LMArena)1532†1478
Chess PuzzlesEpoch AI Benchmarking Hub59.0%41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%29.0%
LMCAEpoch AI Benchmarking Hub58.4%49.4%
DTBenchEpoch AI Benchmarking Hub95.5%96.0%
ForecastBenchForecastBench65.7%–
BTF-3Epoch AI Benchmarking Hub13.7%–
显示全部 195 项基准测试
指标发布方GPT-5.6 Sol (max)Grok 4.7 (xhigh)
编程
SciCodeSciCode57.1%57.4%
WeirdMLWeirdML87.0%–
FrontierCodeCognition47.5%†47.6%†
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1493
Arena WebDevArena (LMArena)1615†1641
LiveBench 2.0 CodingLiveBench–73.1%
LiveBench 1.0 CodingLiveBench83.9%77.2%
LiveCodeBenchVals AI82.6%–
IOIVals AI91.2%57.7%
SWE-bench (Vals)Vals AI96.2%–
Code MigrationVals AI52.9%44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI1.5%0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†–
SWE Atlas v1.1Scale AI SEAL–62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL–64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL–48.6%†
SWE-Bench Pro V2Scale AI SEAL95.5%†–
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†–
MirrorCodeEpoch AI Benchmarking Hub20.0%†54.4%
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%46.3%
ALE-BenchEpoch AI Benchmarking Hub2176.91545.8
FrontierSWEEpoch AI Benchmarking Hub32.2%29.5%
WeirdML v3WeirdML15.0%†8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%25.8%
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%–
Startrise FrontendStartrise66.2%†75.9%†
GameBench 2 OverallDuelLab GameBench 267.0†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 280.0†71.2
Design Arena WebsiteDesign Arena1319†1244†
FrontierCode 1.1 (AA)Artificial Analysis–33.8%
FrontierCode 2.0 (AA)Artificial Analysis–28.7%
智能体与工具
Terminal-BenchTerminal-Bench38.5%38.8%
OSWorld-Verified 2.0OSWorld27.3%–
APEX-AgentsMercor51.4%†54.6%†
Arena AgentArena (LMArena)4.6†2.6
LiveBench Long AgenticLiveBench–45.3%
LiveBench BrowserLiveBench–49.3%
LiveBench Agentic CodingLiveBench56.2%54.0%
Terminal-Bench HardArtificial Analysis65.9%–
τ²-Bench Telecom (AA)Artificial Analysis85.1%–
Terminal-Bench 2.1 (Vals)Vals AI85.8%73.4%
HiL-BenchScale AI SEAL32.3%†–
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–60.7%
GDPval-AA v2.1Artificial Analysis16191717
τ³-Banking (AA)Artificial Analysis44.3%–
ITBench SRE (AA)Artificial Analysis56.2%42.1%
Analyst Agent (AA)Artificial Analysis47.5%52.5%
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%69.5%
Finance Agent v2Vals AI53.8%52.3%
Finance Agent v2.1Vals AI–60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–18.3%
Harvey's Legal Agent Benchmark v1Vals AI2.5%12.5%
Legal Research BenchVals AI48.1%47.1%
Robo-benchVals AI–0.2%
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%3.8%
Tax Agent BenchVals AI31.1%35.8%
Terminal-Bench 4.0 (Vals)Vals AI37.9%28.8%
Terminal-Bench ScienceVals AI20.0%10.0%
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†–
Arena Agent Task CompletionArena (LMArena)2.3†5.1
BALROGBALROG60.0%–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†10536.8†
AutomationBenchArtificial Analysis60.1%65.6%
GDP.pdf (AA)Artificial Analysis27.2%20.0%
Harvey LAB-AA v1.1Harvey–9.4%
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis14791636
GDPxGDPx by SemiAnalysis–3.9%
Design Arena AgenticDesign Arena1238†1277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%11.4%
CWE-Bench (AA)Artificial Analysis–68.3%
DeepSec-Bench (AA)Artificial Analysis–26.9%
CyberGym end-to-end (AA)Artificial Analysis–74.0%
MKA (AA)Artificial Analysis–40.1%
FACTS SearchGoogle92.9%†85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%98.1%
ProofBenchVals AI83.0%26.0%†
LiveBench MathematicsLiveBench96.2%95.7%
Arena MathsArena (LMArena)1494†1447
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%56.0%
LiveBench 2.0 Data AnalysisLiveBench–76.9%
LiveBench ResearchLiveBench–89.5%
LiveBench 1.0 Data AnalysisLiveBench79.8%76.9%
AA-Omniscience v1.1Artificial Analysis–31.2
MMLU-ProVals AI89.1%–
LegalBenchVals AI87.0%84.4%
CorpFinVals AI64.4%–
TaxEvalVals AI74.8%–
PRBench FinanceScale AI SEAL50.5%–
PRBench LegalScale AI SEAL50.5%47.6%
BioMysteryBenchVals AI71.1%69.3%
Excel Modeling BenchmarkVals AI72.3%67.0%
Excel Modeling Benchmark v1.1Vals AI–71.5%
MedCodeVals AI44.0%49.5%
MedScribeVals AI85.2%89.4%
Public Benefits Bench v1.1Vals AI66.5%65.6%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI74.9%74.1%
Immigration BenchVals AI–68.0%
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis–42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–80.0%
HealthBench Professional (AA)OpenAI–55.8%
FACTS ParametricGoogle81.1%†54.3%†
指令遵循
LiveBench LanguageLiveBench87.7%80.1%
LiveBench Instruction FollowingLiveBench71.8%75.3%
IFBenchArtificial Analysis72.7%–
Arena Instruction FollowingArena (LMArena)1490†1435
人类偏好
Arena TextArena (LMArena)1485†1443
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†2012†
Arena Creative WritingArena (LMArena)1471†1421
Arena Multi-turnArena (LMArena)1491†1435
Arena Longer QueriesArena (LMArena)1498†1454
多模态
Arena VisionArena (LMArena)1282†1230
LiveBench DesignLiveBench–75.0%
MMMU-ProArtificial Analysis83.4%78.2%†
MMMU-Pro (Vals)Vals AI88.8%–
MortgageTaxVals AI67.3%–
SAGEVals AI–88.7%
Humanity's Sixth SenseScale AI SEAL30.0%–
GeoBenchGeoBench73.0%†61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub56.7%20.8%
VIALS-AAHandshake AI–37.9%
Code2Video-AAArtificial Analysis–1127
AA-3DArtificial Analysis–992
FACTS MultimodalGoogle46.4%†40.9%†
长上下文
AA-LCR v1.1Artificial Analysis84.0%76.7%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%20.0%
FACTS GroundingGoogle61.9%†68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†156.2†
LiveBench 2.0LiveBench–67.9%
LiveBench 1.0LiveBench81.0%77.4%
AA Intelligence Index v5.0.1Artificial Analysis–35.5
AA Intelligence Index v4.3.2Artificial Analysis47.046.5
AA Progress Index v1Artificial Analysis331.5322.7
Vals IndexVals AI–58.6
Vals Finance IndexVals AI–58.8%
Vals RSI IndexVals AI23.9%20.2%
Vals Science IndexVals AI41.5%34.8%
Vals Multimodal IndexVals AI72.6%–
Vals Router IndexVals AI–58.6%†
Vals Legal IndexVals AI–72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
FORTRESSScale AI SEAL20.1%†–
DistressBenchScale AI SEAL73.6%†52.4%†

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • GPT-5.6 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 Grok 4.7:常见问题

GPT-5.6 Sol 比 Grok 4.7 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 57.4。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 4.7 哪个更便宜?价格会变吗?
目前 Grok 4.7 更便宜:每百万 token $3.00 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 4.7 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.6 Sol 为 57.1%,Grok 4.7 为 57.4%。
GPT-5.6 Sol 和 Grok 4.7 哪个更快?
GPT-5.6 Sol 输出更快(约 1.5 倍;输出 100 比 68 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 4.7 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 比 57,50 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 4.7 为 38.8%。
更多问题(4)
处理长文档哪个更好?
GPT-5.6 Sol 在长上下文基准测试上得分更高(67 比 63)。GPT-5.6 Sol 支持更长的上下文:1,050,000 token,Grok 4.7 为 500,000 token。
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 55.9 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 Grok 4.7 的看法一致吗?
在两者都有结果的 66 项基准测试中,GPT-5.6 Sol 领先 51 项,Grok 4.7 领先 14 项,1 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。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。