BenchLeader

GPT-5.6 Terra vs Grok 4.7

完整资料:GPT-5.6 Terra(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,GPT-5.6 Terra 与 Grok 4.7 的质量不相上下(BenchLeader Index 60.1 比 57.4,在 ±4.8 的误差范围内)。Grok 4.7 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。看重数学(66 比 56)、智能体与工具(63 比 57)和多模态(61 比 56)选 GPT-5.6 Terra;看重知识(60 比 53)和编程(61 比 59)选 Grok 4.7。GPT-5.6 Terra 的首次回答更快(19.2 秒 比 55.9 秒)。GPT-5.6 Terra 的输出更快。

要点(截至 2026年11月16日)

  • GPT-5.6 Terra 的 BenchLeader Index 为 60.1,Grok 4.7 为 57.4(BenchLeader,2026年11月16日)。
  • GPT-5.6 Terra 每百万 token 混合价格为 $4.50(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 Terra 比 Grok 4.7 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 37 项基准测试中,Grok 4.7 领先 20 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5.6 Terra 的评分为 1520,Grok 4.7 为 1641(LMArena,截至 2026年11月16日 的公布数据)。

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Grok 4.7类别得分 61 比 59;Arena WebDev 1641 比 1520中
智能体与工具调用GPT-5.6 Terra类别得分 63 比 57;Arena Agent -1.8 比 2.6中
数学GPT-5.6 Terra类别得分 66 比 56;Arena Maths 1478 比 1447高
推理均可类别得分 55 比 56;HLE-Diamond (AA) 24.7% 比 23.2%均可
知识Grok 4.7类别得分 60 比 53;AA-Omniscience v1.1 31.2 比 -11.5中
长文档GPT-5.6 Terra类别得分 64 比 63;AA-LCR v1.1 79.0% 比 76.7%中
图像及其他媒体GPT-5.6 Terra类别得分 61 比 56;Arena Vision 1269 比 1230中
对话质量(人类偏好)GPT-5.6 TerraArena 投票 66 比 63中
成本最低Grok 4.7每百万 token 混合价格 $3.00 比 $4.50;智能体编程会话 $0.144 比 $0.168–
首次回答最快GPT-5.6 Terra首个回答 token 19.2 秒(GPT-5.6 Terra (xhigh))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

  • GPT-5.6 Terra (xhigh) 与 Grok 4.7 (xhigh) 的质量不相上下(60.1 比 57.4,在 ±4.8 的误差范围内)。
  • GPT-5.6 Terra (xhigh) 在智能体与工具、人类偏好、长上下文、数学、多模态方面更强。
  • Grok 4.7 (xhigh) 在编程、知识、推理方面更强。
  • Grok 4.7 (xhigh) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $3.00 比 $4.50)。
  • GPT-5.6 Terra (xhigh) 的输出速度是对方的 1.4 倍(97 比 68 token/秒)。

概览

规格GPT-5.6 TerraGrok 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 Terra (xhigh)Grok 4.7 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $12.00 / $0.200$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 Terra (xhigh)Grok 4.7 (xhigh)领先者
推理54.855.6持平
编程59.160.9Grok 4.7
智能体与工具63.156.9GPT-5.6 Terra
数学65.755.8GPT-5.6 Terra
知识53.059.9Grok 4.7
指令遵循65.6–无法比较
人类偏好65.562.5GPT-5.6 Terra
多模态61.255.5GPT-5.6 Terra
长上下文64.162.9GPT-5.6 Terra
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人类偏好GPT-5.6 Terra, 推理: 54.8GPT-5.6 Terra, 编程: 59.1GPT-5.6 Terra, 智能体与工具: 63.1GPT-5.6 Terra, 数学: 65.7GPT-5.6 Terra, 知识: 53.0GPT-5.6 Terra, 长上下文: 64.1GPT-5.6 Terra, 多模态: 61.2GPT-5.6 Terra, 人类偏好: 65.5Grok 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: 55.5Grok 4.7, 人类偏好: 62.5

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 37 项基准测试中,GPT-5.6 Terra 领先 17 项,Grok 4.7 领先 20 项。第三方来源看法不一:GPT-5.6 Terra 在 Arena Text 上领先;Grok 4.7 在 AA Intelligence Index v5.0.1 上领先。

综合 IndexGPT-5.6 Terra (xhigh)Grok 4.7 (xhigh)领先者
BenchLeader Index60.157.4不相上下
AA Intelligence Index v5.0.132.3†35.5Grok 4.7
Arena Text14681443GPT-5.6 Terra

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 Terra (xhigh)Grok 4.7 (xhigh)
每百万 token 混合价格$4.50$3.00
每百万 token 输入 / 输出$2.00 / $12.00$2.00 / $6.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0044$0.0026
每项任务价格:总结一份 30 页的报告$0.031$0.028
每项任务价格:代码编辑$0.030$0.021
每项任务价格:智能体编程会话$0.168$0.144
每项任务价格:结构化信息提取$0.0064$0.0052
智能体编程会话(输入大多命中缓存)$0.087$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97 tok/s68 tok/s
首次回答时间19.2 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)84.0 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 Terra (xhigh) 得分 60.1,首个回答 token 需 19 秒;GPT-5.6 Terra (max) 为 59.5(73 秒),GPT-5.6 Terra (high) 为 56.8(6 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 177 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 Terra (xhigh)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader60.157.4
智能体与工具得分BenchLeader63.156.9
编程得分BenchLeader59.160.9
人类偏好得分BenchLeader65.562.5
指令遵循得分BenchLeader65.6–
知识得分BenchLeader53.059.9
长上下文得分BenchLeader64.162.9
数学得分BenchLeader65.755.8
多模态得分BenchLeader61.255.5
推理得分BenchLeader54.855.6
综合得分BenchLeader–52.8
混合价格(美元/百万 token)BenchLeader$4.50$3.00
输出速度BenchLeader97 tok/s68 tok/s
首次回答时间BenchLeader19.2 秒55.9 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%†92.7%
SimpleBenchSimpleBench48.9%–
Arena Hard PromptsArena (LMArena)14911466
LiveBench 2.0 ReasoningLiveBench90.6%†82.7%
LiveBench 1.0 ReasoningLiveBench90.6%†82.7%
GPQA Diamond (AA)Artificial Analysis90.8%–
Humanity's Last Exam (AA)Artificial Analysis41.9%43.1%
HLE-Diamond (AA)Artificial Analysis24.7%23.2%
GPQA Diamond (Vals)Vals AI90.9%–
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†–
ARC-AGI-1ARC Prize94.0%89.5%
ARC-AGI-2ARC Prize74.2%61.4%
ARC-AGI-3ARC Prize0.7%7.0%
CritPtArtificial Analysis27.1%17.7%
CritPt v2 hard subset (AA)Artificial Analysis50.5%†33.5%
MysteryMechanismVals AI–25.2%
HLE-Diamond (Scale)Scale AI SEAL–23.4%†
Arena ExpertArena (LMArena)15071478
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†29.0%
LMCAEpoch AI Benchmarking Hub52.2%49.4%
DTBenchEpoch AI Benchmarking Hub92.5%96.0%
编程
SciCodeSciCode52.3%57.4%
WeirdMLWeirdML78.3%†–
FrontierCodeCognition41.3%†47.6%†
显示全部 177 项基准测试
指标发布方GPT-5.6 Terra (xhigh)Grok 4.7 (xhigh)
编程
Arena CodingArena (LMArena)15171493
Arena WebDevArena (LMArena)15201641
LiveBench 2.0 CodingLiveBench84.2%†73.1%
LiveBench 1.0 CodingLiveBench78.3%†77.2%
LiveCodeBenchVals AI85.9%–
IOIVals AI87.6%†57.7%
SWE-bench (Vals)Vals AI95.4%†–
Code MigrationVals AI47.8%†44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI0.5%†0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench 1-100Vals AI14.8%†–
Vibe Code Bench v1.1Vals AI74.6%†86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
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 SEAL92.4%–
SWE-Bench Pro V2 HARDScale AI SEAL86.3%–
MirrorCodeEpoch AI Benchmarking Hub41.1%†54.4%
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%–
CursorBenchCursor33.6%46.3%
ALE-BenchEpoch AI Benchmarking Hub1951.4†1545.8
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML–8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%25.8%
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%–
Startrise FrontendStartrise66.9%†75.9%†
GameBench 2 OverallDuelLab GameBench 245.6†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 253.571.2
Design Arena WebsiteDesign Arena1260†1244†
FrontierCode 1.1 (AA)Artificial Analysis–33.8%
FrontierCode 2.0 (AA)Artificial Analysis23.9%†28.7%
智能体与工具
Terminal-BenchTerminal-Bench21.5%†38.8%
APEX-AgentsMercor58.2%†54.6%†
Arena AgentArena (LMArena)-1.82.6
LiveBench Long AgenticLiveBench25.9%†45.3%
LiveBench BrowserLiveBench70.3%†49.3%
LiveBench Agentic CodingLiveBench55.0%†54.0%
Terminal-Bench HardArtificial Analysis62.9%–
τ²-Bench Telecom (AA)Artificial Analysis80.4%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%†73.4%
GDPval-AA v2.1, normalised scoreArtificial Analysis47.4%60.7%
GDPval-AA v2.1Artificial Analysis14561717
τ³-Banking (AA)Artificial Analysis29.7%–
ITBench SRE (AA)Artificial Analysis51.0%†42.1%
Analyst Agent (AA)Artificial Analysis–52.5%
APEX-Agents (AA)Artificial Analysis38.9%†–
CyberBenchVals AI72.1%†69.5%
Finance Agent v2Vals AI54.4%†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 AI0.8%†12.5%
Legal Research BenchVals AI41.4%†47.1%
Robo-benchVals AI–0.2%
SkillsBenchVals AI58.9%†–
SREBenchVals AI9.5%†3.8%
Tax Agent BenchVals AI30.0%†35.8%
Terminal-Bench 4.0 (Vals)Vals AI22.7%†28.8%
Terminal-Bench ScienceVals AI10.0%†10.0%
Arena Agent Task CompletionArena (LMArena)-7.25.1
BALROGBALROG53.2%†–
Vending-Bench 2Andon Labs7343.2†10536.8†
AutomationBenchArtificial Analysis47.1%65.6%
GDP.pdf (AA)Artificial Analysis24.6%20.0%
Harvey LAB-AA v1.1Harvey–9.4%
EnterpriseOps-GymArtificial Analysis38.5%†–
AA-Briefcase v1.1Artificial Analysis13321636
GDPxGDPx by SemiAnalysis–3.9%
Design Arena AgenticDesign Arena1089†1277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis13.8%†11.4%
CWE-Bench (AA)Artificial Analysis–68.3%
DeepSec-Bench (AA)Artificial Analysis25.1%†26.9%
CyberGym end-to-end (AA)Artificial Analysis–74.0%
MKA (AA)Artificial Analysis–40.1%
FACTS SearchGoogle87.0%†85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†98.1%
ProofBenchVals AI74.0%26.0%†
LiveBench MathematicsLiveBench94.9%†95.7%
Arena MathsArena (LMArena)14781447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†56.0%
LiveBench 2.0 Data AnalysisLiveBench79.3%†76.9%
LiveBench ResearchLiveBench79.7%†89.5%
LiveBench 1.0 Data AnalysisLiveBench79.3%†76.9%
AA-Omniscience v1.1Artificial Analysis-11.531.2
MMLU-ProVals AI86.7%–
LegalBenchVals AI85.1%†84.4%
CorpFinVals AI65.3%–
TaxEvalVals AI76.2%–
PRBench LegalScale AI SEAL–47.6%
BioMysteryBenchVals AI–69.3%
Excel Modeling BenchmarkVals AI66.2%†67.0%
Excel Modeling Benchmark v1.1Vals AI–71.5%
MedCodeVals AI43.4%49.5%
MedScribeVals AI82.9%89.4%
Public Benefits Bench v1.1Vals AI62.4%†65.6%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI71.0%†74.1%
Immigration BenchVals AI–68.0%
GDP.pdfEpoch AI Benchmarking Hub24.7%†22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis41.3%42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis9.9%80.0%
HealthBench Professional (AA)OpenAI–55.8%
FACTS ParametricGoogle57.6%†54.3%†
指令遵循
LiveBench LanguageLiveBench82.9%†80.1%
LiveBench Instruction FollowingLiveBench64.6%†75.3%
IFBenchArtificial Analysis66.3%–
Arena Instruction FollowingArena (LMArena)14631435
人类偏好
Arena TextArena (LMArena)14681443
EQ-Bench 4EQ-Bench1220†–
EQ-Bench Creative Writing v3EQ-Bench1856†2012†
Arena Creative WritingArena (LMArena)14301421
Arena Multi-turnArena (LMArena)14751435
Arena Longer QueriesArena (LMArena)14691454
多模态
Arena VisionArena (LMArena)12691230
LiveBench DesignLiveBench70.9%†75.0%
MMMU-ProArtificial Analysis79.5%78.2%†
MMMU-Pro (Vals)Vals AI86.5%†–
MortgageTaxVals AI67.3%–
SAGEVals AI87.0%†88.7%
Humanity's Sixth SenseScale AI SEAL22.7%†–
GeoBenchGeoBench–61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†20.8%
VIALS-AAHandshake AI–37.9%
Code2Video-AAArtificial Analysis–1127
AA-3DArtificial Analysis–992
FACTS MultimodalGoogle39.9%†40.9%†
长上下文
AA-LCR v1.1Artificial Analysis79.0%76.7%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis22.8%20.0%
FACTS GroundingGoogle60.5%†68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†156.2†
LiveBench 2.0LiveBench67.2%†67.9%
LiveBench 1.0LiveBench77.9%†77.4%
AA Intelligence Index v5.0.1Artificial Analysis32.3†35.5
AA Intelligence Index v4.3.2Artificial Analysis38.046.5
AA Progress Index v1Artificial Analysis312322.7
Vals IndexVals AI–58.6
Vals Finance IndexVals AI–58.8%
Vals RSI IndexVals AI–20.2%
Vals Science IndexVals AI–34.8%
Vals Multimodal IndexVals AI65.1%–
Vals Router IndexVals AI–58.6%†
Vals Legal IndexVals AI–72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
DistressBenchScale AI SEAL76.4%†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 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 项分数修订。
  • GPT-5.6 Terra (xhigh):1 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • GPT-5.6 Terra (xhigh):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 Terra vs Grok 4.7:常见问题

GPT-5.6 Terra 比 Grok 4.7 更好吗?
GPT-5.6 Terra (xhigh) 与 Grok 4.7 (xhigh) 的质量不相上下(60.1 比 57.4,在 ±4.8 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 Terra 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 $4.50(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 Terra 还是 Grok 4.7 更好?
Grok 4.7 在编程方面得分更高(类别得分 61 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-5.6 Terra 为 1520,Grok 4.7 为 1641。
GPT-5.6 Terra 和 Grok 4.7 哪个更快?
GPT-5.6 Terra 输出更快(输出 97 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Terra 还是 Grok 4.7 更好?
GPT-5.6 Terra 在智能体任务方面得分更高(类别得分 63 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 Arena Agent 上,GPT-5.6 Terra 为 -1.8,Grok 4.7 为 2.6。
更多问题(4)
处理长文档哪个更好?
GPT-5.6 Terra 在长上下文基准测试上得分更高(64 比 63)。GPT-5.6 Terra 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 Terra 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 19.2 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 Terra 和 Grok 4.7 的看法一致吗?
在两者都有结果的 37 项基准测试中,GPT-5.6 Terra 领先 17 项,Grok 4.7 领先 20 项。第三方来源看法不一:GPT-5.6 Terra 在 Arena Text 上领先;Grok 4.7 在 AA Intelligence Index v5.0.1 上领先。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。