BenchLeader

GPT-5.6 Sol vs o3

完整资料:GPT-5.6 Sol(OpenAI)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 20 个来源

截至 2026年11月16日,质量上 GPT-5.6 Sol 领先 o3(BenchLeader Index 65.3 比 60.4)。不过,o3 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $3.50 比 $8.00)。看重多模态(66 比 53)、知识(64 比 56)和编程(66 比 60)选 GPT-5.6 Sol;看重智能体与工具(70 比 68)选 o3。o3 的首次回答更快(5.2 秒 比 33.5 秒)。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 的 BenchLeader Index 为 65.3,o3 为 60.4(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)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • 在两者都有结果的 12 项基准测试中,GPT-5.6 Sol 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-5.6 Sol类别得分 66 比 60中
智能体与工具调用o3类别得分 70 比 68;Terminal-Bench Hard 37.1% 比 65.9%中
数学均可类别得分 70 比 71均可
推理GPT-5.6 Sol类别得分 65 比 61;GPQA Diamond (AA) 94.1% 比 82.7%中
知识GPT-5.6 Sol类别得分 64 比 56;PRBench Finance 50.5% 比 47.7%高
长文档GPT-5.6 Sol类别得分 67 比 62;AA-LCR v1.1 84.0% 比 74.7%中
图像及其他媒体GPT-5.6 Sol类别得分 66 比 53;MMMU-Pro 83.4% 比 70.1%高
指令遵循GPT-5.6 Sol类别得分 71 比 65;IFBench 72.7% 比 71.4%中
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低o3每百万 token 混合价格 $3.50 比 $8.00;智能体编程会话 $0.152 比 $0.320–
首次回答最快o3首个回答 token 5.2 秒(o3)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 60.4。
  • GPT-5.6 Sol (max) 在编程、指令遵循、知识、长上下文、多模态、推理方面更强。
  • o3 在智能体与工具、数学方面更强。
  • o3 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $3.50 比 $8.00)。
  • o3 的输出速度是对方的 1.3 倍(131 比 100 token/秒)。

概览

规格GPT-5.6 Solo3
提供商OpenAIOpenAI
发布日期2026年7月9日2025年4月16日
上下文窗口(token)1,050,000200,000
对比时的配置GPT-5.6 Sol (max)o3
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 / $8.00 / $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)o3领先者
推理64.760.9GPT-5.6 Sol
编程65.859.8GPT-5.6 Sol
智能体与工具67.570.3o3
数学70.070.6持平
知识63.856.2GPT-5.6 Sol
指令遵循71.265.2GPT-5.6 Sol
人类偏好–61.0无法比较
多模态65.952.8GPT-5.6 Sol
长上下文66.761.9GPT-5.6 Sol

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: 65.9o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 指令遵循: 65.2o3, 长上下文: 61.9o3, 多模态: 52.8

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 12 项基准测试中,GPT-5.6 Sol 领先 12 项,o3 领先 0 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)o3领先者
BenchLeader Index65.360.4GPT-5.6 Sol
Arena Text1485†1432GPT-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)o3
每百万 token 混合价格$8.00$3.50
每百万 token 输入 / 输出$4.00 / $20.00$2.00 / $8.00
每百万 token 缓存输入$0.400$0.500
每项任务价格:聊天回复$0.0076$0.0032
每项任务价格:总结一份 30 页的报告$0.060$0.029
每项任务价格:代码编辑$0.054$0.024
每项任务价格:智能体编程会话$0.320$0.152
每项任务价格:结构化信息提取$0.012$0.0056
智能体编程会话(输入大多命中缓存)$0.158$0.085
输出速度100 tok/s131 tok/s
首次回答时间33.5 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒17.3 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.6 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)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 188 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)o3
BenchLeader IndexBenchLeader65.360.4
智能体与工具得分BenchLeader67.570.3
编程得分BenchLeader65.859.8
指令遵循得分BenchLeader71.265.2
知识得分BenchLeader63.856.2
长上下文得分BenchLeader66.761.9
数学得分BenchLeader70.070.6
多模态得分BenchLeader65.952.8
推理得分BenchLeader64.760.9
人类偏好得分BenchLeader–61.0
混合价格(美元/百万 token)BenchLeader$8.00$3.50
输出速度BenchLeader100 tok/s131 tok/s
首次回答时间BenchLeader33.5 秒5.2 秒
上下文窗口BenchLeader1,050,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench64.8%†53.1%†
Arena Hard PromptsArena (LMArena)1511†1441
LiveBench 1.0 ReasoningLiveBench91.7%–
GPQA Diamond (AA)Artificial Analysis94.1%82.7%
Humanity's Last Exam (AA)Artificial Analysis49.5%20.1%
GPQA Diamond (Vals)Vals AI95.2%84.1%†
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize96.5%60.8%†
ARC-AGI-2ARC Prize92.5%6.5%†
ARC-AGI-3ARC Prize7.8%–
CritPtArtificial Analysis32.3%1.1%
CritPt v2 hard subset (AA)Artificial Analysis60.0%–
MysteryMechanismVals AI33.3%–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL31.2%†–
Arena ExpertArena (LMArena)1532†1448
Chess PuzzlesEpoch AI Benchmarking Hub59.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub58.4%39.7%†
DTBenchEpoch AI Benchmarking Hub95.5%84.8%†
显示全部 188 项基准测试
指标发布方GPT-5.6 Sol (max)o3
推理
ForecastBenchForecastBench65.7%64.3%
BTF-3Epoch AI Benchmarking Hub13.7%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode57.1%–
WeirdMLWeirdML87.0%52.4%†
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†8.8%†
Arena CodingArena (LMArena)1533†1460
Arena WebDevArena (LMArena)1615†–
LiveBench 1.0 CodingLiveBench83.9%–
LiveCodeBenchVals AI82.6%83.9%†
IOIVals AI91.2%–
SWE-bench (Vals)Vals AI96.2%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
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%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.9933.5†
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†34.1
GameBench 2 by reasoning settingDuelLab GameBench 280.0†30.4†
Design Arena WebsiteDesign Arena1319†1028
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
OSWorld-Verified 2.0OSWorld27.3%–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor51.4%†–
Arena AgentArena (LMArena)4.6†–
LiveBench Agentic CodingLiveBench56.2%–
Terminal-Bench HardArtificial Analysis65.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis85.1%80.7%
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 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†1197
Arena Agent Task CompletionArena (LMArena)2.3†–
BALROGBALROG60.0%–
DeepResearch BenchDeepResearch Bench–45.2%†
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
METR Time HorizonsMETR–63.6%
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%–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle92.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI83.0%–
LiveBench MathematicsLiveBench96.2%–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)1494†1448
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%49.4%†
LiveBench 1.0 Data AnalysisLiveBench79.8%–
MMLU-ProVals AI89.1%85.6%†
LegalBenchVals AI87.0%83.8%†
CorpFinVals AI64.4%59.7%†
TaxEvalVals AI74.8%74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL50.5%47.7%
PRBench LegalScale AI SEAL50.5%48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI71.1%–
Excel Modeling BenchmarkVals AI72.3%–
MedCodeVals AI44.0%47.3%†
MedScribeVals AI85.2%76.7%†
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%–
FACTS ParametricGoogle81.1%†–
指令遵循
LiveBench LanguageLiveBench87.7%–
LiveBench Instruction FollowingLiveBench71.8%–
IFBenchArtificial Analysis72.7%71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)1490†1403
人类偏好
Arena TextArena (LMArena)1485†1432
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†1675
Arena Creative WritingArena (LMArena)1471†1383
Arena Multi-turnArena (LMArena)1491†1420
Arena Longer QueriesArena (LMArena)1498†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)1282†1214
MMMU-ProArtificial Analysis83.4%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI88.8%80.4%†
MortgageTaxVals AI67.3%65.7%†
Humanity's Sixth SenseScale AI SEAL30.0%–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench73.0%†60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub56.7%–
FACTS MultimodalGoogle46.4%†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis84.0%74.7%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%–
FACTS GroundingGoogle61.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†147.1
LiveBench 1.0LiveBench81.0%–
AA Intelligence Index v4.3.2Artificial Analysis47.020.2
AA Progress Index v1Artificial Analysis331.5258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals RSI IndexVals AI23.9%–
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%–
安全与诚实
FORTRESSScale AI SEAL20.1%†16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
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

  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • 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。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • o3:1 项新结果(Arena Search)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • o3:1 项分数修订。
  • 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 o3:常见问题

GPT-5.6 Sol 比 o3 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 60.4。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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 60,50 为平均水平)。
GPT-5.6 Sol 和 o3 哪个更快?
o3 输出更快(输出 131 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 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 68,50 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 Hard 上,GPT-5.6 Sol 为 65.9%,o3 为 37.1%。
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 62)。GPT-5.6 Sol 支持更长的上下文:1,050,000 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 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 o3 的看法一致吗?
在两者都有结果的 12 项基准测试中,GPT-5.6 Sol 领先 12 项,o3 领先 0 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。