BenchLeader

GPT-5.6 Terra vs Kimi K3

完整资料:GPT-5.6 Terra(OpenAI)和 Kimi K3(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,GPT-5.6 Terra 与 Kimi K3 的质量不相上下(BenchLeader Index 60.1 比 60.7,在 ±7.2 的误差范围内)。GPT-5.6 Terra 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $4.50 比 $6.00)。看重智能体与工具(63 比 54)选 GPT-5.6 Terra;看重知识(66 比 53)、数学(72 比 66)和人类偏好(69 比 66)选 Kimi K3。Kimi K3 的首次回答更快(0.8 秒 比 19.2 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,Kimi K3 为 60.7(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)。
  • Kimi K3 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • GPT-5.6 Terra 比 Kimi K3 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 8 项基准测试中,Kimi K3 领先 6 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Kimi K3类别得分 62 比 59;SciCode 58.7% 比 52.3%中
智能体与工具调用GPT-5.6 Terra类别得分 63 比 54高
数学Kimi K3类别得分 72 比 66;ProofBench 87.0% 比 74.0%中
知识Kimi K3类别得分 66 比 53;CorpFin 71.6% 比 65.3%高
对话质量(人类偏好)Kimi K3Arena 投票 69 比 66中
成本最低GPT-5.6 Terra每百万 token 混合价格 $4.50 比 $6.00;智能体编程会话 $0.168 比 $0.240–
首次回答最快Kimi K3首个回答 token 0.8 秒(Kimi K3)比 19.2 秒(GPT-5.6 Terra (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 Kimi K3 的质量不相上下(60.1 比 60.7,在 ±7.2 的误差范围内)。
  • GPT-5.6 Terra (xhigh) 在智能体与工具方面更强。
  • Kimi K3 在编程、人类偏好、知识、数学方面更强。
  • GPT-5.6 Terra (xhigh) 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $4.50 比 $6.00)。

概览

规格GPT-5.6 TerraKimi K3
提供商OpenAIMoonshot AI
发布日期2026年7月9日2026年7月16日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.6 Terra (xhigh)Kimi K3
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $12.00 / $0.200$3.00 / $15.00 / $0.300

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)Kimi K3领先者
推理54.8–无法比较
编程59.161.8Kimi K3
智能体与工具63.153.5GPT-5.6 Terra
数学65.771.5Kimi K3
知识53.066.1Kimi K3
指令遵循65.6–无法比较
人类偏好65.568.6Kimi K3
多模态61.2–无法比较
长上下文64.1–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编程智能体与工具数学知识人类偏好GPT-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, 人类偏好: 65.5Kimi K3, 编程: 61.8Kimi K3, 智能体与工具: 53.5Kimi K3, 数学: 71.5Kimi K3, 知识: 66.1Kimi K3, 人类偏好: 68.6

未绘制(测得的模型少于两个):推理, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 8 项基准测试中,GPT-5.6 Terra 领先 2 项,Kimi K3 领先 6 项。第三方来源看法不一:GPT-5.6 Terra 在 AA Intelligence Index v5.0.1 上领先;Kimi K3 在 Arena Text 上领先。

综合 IndexGPT-5.6 Terra (xhigh)Kimi K3领先者
BenchLeader Index60.160.7不相上下
AA Intelligence Index v5.0.132.3†17.4GPT-5.6 Terra
Arena Text14681487†Kimi K3

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)Kimi K3
每百万 token 混合价格$4.50$6.00
每百万 token 输入 / 输出$2.00 / $12.00$3.00 / $15.00
每百万 token 缓存输入$0.200$0.300
每项任务价格:聊天回复$0.0044$0.0057
每项任务价格:总结一份 30 页的报告$0.031$0.045
每项任务价格:代码编辑$0.030$0.041
每项任务价格:智能体编程会话$0.168$0.240
每项任务价格:结构化信息提取$0.0064$0.0090
智能体编程会话(输入大多命中缓存)$0.087$0.118
输出速度97 tok/s76 tok/s
首次回答时间19.2 秒0.8 秒
完整回答耗时(最近一次测量 2026年11月13日)84.0 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)。Kimi K3 得分 60.7,首个回答 token 需 1 秒;Kimi K3 (max) 为 60.2(55 秒),Kimi K3 (low) 为 53.6(8 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 182 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)Kimi K3
BenchLeader IndexBenchLeader60.160.7
智能体与工具得分BenchLeader63.153.5
编程得分BenchLeader59.161.8
人类偏好得分BenchLeader65.568.6
指令遵循得分BenchLeader65.6–
知识得分BenchLeader53.066.1
长上下文得分BenchLeader64.1–
数学得分BenchLeader65.771.5
多模态得分BenchLeader61.2–
推理得分BenchLeader54.8–
混合价格(美元/百万 token)BenchLeader$4.50$6.00
输出速度BenchLeader97 tok/s76 tok/s
首次回答时间BenchLeader19.2 秒0.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%†93.1%†
SimpleBenchSimpleBench48.9%60.7%†
Arena Hard PromptsArena (LMArena)14911516†
LiveBench 2.0 ReasoningLiveBench90.6%†90.7%†
LiveBench 1.0 ReasoningLiveBench90.6%†90.7%
GPQA Diamond (AA)Artificial Analysis90.8%93.5%†
Humanity's Last Exam (AA)Artificial Analysis41.9%46.9%†
HLE-Diamond (AA)Artificial Analysis24.7%26.9%†
GPQA Diamond (Vals)Vals AI90.9%92.9%
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†–
ARC-AGI-1ARC Prize94.0%94.5%†
ARC-AGI-2ARC Prize74.2%60.4%†
ARC-AGI-3ARC Prize0.7%–
CritPtArtificial Analysis27.1%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis50.5%†40.5%†
HLE-Diamond (Scale)Scale AI SEAL–22.2%
Arena ExpertArena (LMArena)15071528†
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†26.0%†
LMCAEpoch AI Benchmarking Hub52.2%52.7%†
DTBenchEpoch AI Benchmarking Hub92.5%91.2%†
ForecastBenchForecastBench–64.2%†
编程
SciCodeSciCode52.3%58.7%
WeirdMLWeirdML78.3%†82.6%†
FrontierCodeCognition41.3%†44.2%
显示全部 182 项基准测试
指标发布方GPT-5.6 Terra (xhigh)Kimi K3
编程
Arena CodingArena (LMArena)15171538†
Arena WebDevArena (LMArena)15201658†
LiveBench 2.0 CodingLiveBench84.2%†53.1%†
LiveBench 1.0 CodingLiveBench78.3%†81.5%
SciCode (AA)Artificial Analysis52.3%59.5%†
LiveCodeBenchVals AI85.9%87.2%†
IOIVals AI87.6%†48.9%†
SWE-bench (Vals)Vals AI95.4%†93.4%
Code MigrationVals AI47.8%†16.1%†
Code Migration v1.1Vals AI–28.6%†
ProgramBenchVals AI0.5%†2.0%
SWE-bench MultimodalVals AI–44.2%†
Vibe Code Bench 1-100Vals AI14.8%†18.2%†
Vibe Code Bench v1.1Vals AI74.6%†85.0%†
SWE Atlas v1.1Scale AI SEAL–61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL–63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
SWE-Bench Pro V2Scale AI SEAL92.4%97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL86.3%88.2%†
MirrorCodeEpoch AI Benchmarking Hub41.1%†54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%68.5%†
CursorBenchCursor33.6%–
ALE-BenchEpoch AI Benchmarking Hub1951.4†1524.5†
FrontierSWEEpoch AI Benchmarking Hub–25.9%†
WeirdML v3WeirdML–7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%85.0%†
Startrise FrontendStartrise66.9%†79.8%
GameBench 2 OverallDuelLab GameBench 245.6†48.0
GameBench 2 by reasoning settingDuelLab GameBench 253.545.7†
Design Arena WebsiteDesign Arena1260†1336
FrontierCode 1.1 (AA)Artificial Analysis–43.6%†
FrontierCode 2.0 (AA)Artificial Analysis23.9%†10.9%†
智能体与工具
Terminal-BenchTerminal-Bench21.5%†23.0%†
APEX-AgentsMercor58.2%†47.8%
Arena AgentArena (LMArena)-1.80.6†
LiveBench Long AgenticLiveBench25.9%†36.0%†
LiveBench BrowserLiveBench70.3%†75.2%†
LiveBench Agentic CodingLiveBench55.0%†62.2%
Terminal-Bench HardArtificial Analysis62.9%–
τ²-Bench Telecom (AA)Artificial Analysis80.4%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%†80.9%
MCP AtlasScale AI SEAL–82.3%†
HiL-BenchScale AI SEAL–42.7%
τ³-bench Bankingτ²-bench–37.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis47.4%–
GDPval-AA v2.1Artificial Analysis14561542†
τ³-Banking (AA)Artificial Analysis29.7%46.0%†
ITBench SRE (AA)Artificial Analysis51.0%†47.7%†
Analyst Agent (AA)Artificial Analysis–38.8%†
APEX-Agents (AA)Artificial Analysis38.9%†41.3%†
CyberBenchVals AI72.1%†75.2%†
Finance Agent v2Vals AI54.4%†53.1%†
Finance Agent v2.1Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%†
Harvey's Legal Agent Benchmark v1Vals AI0.8%†12.9%†
Legal Research BenchVals AI41.4%†46.1%†
SkillsBenchVals AI58.9%†–
SREBenchVals AI9.5%†–
Tax Agent BenchVals AI30.0%†33.4%†
Terminal-Bench 4.0 (Vals)Vals AI22.7%†17.2%†
Terminal-Bench ScienceVals AI10.0%†1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena Agent Task CompletionArena (LMArena)-7.23.4†
BALROGBALROG53.2%†–
PostTrainBenchEpoch AI Benchmarking Hub–31.5%
GBAEvalEpoch AI Benchmarking Hub–48.4%
Vending-Bench 2Andon Labs7343.2†5165.0
AutomationBenchArtificial Analysis47.1%58.3%†
GDP.pdf (AA)Artificial Analysis24.6%22.0%†
Harvey LAB-AA v1.1Harvey–5.3%†
EnterpriseOps-GymArtificial Analysis38.5%†45.3%†
AA-Briefcase v1.1Artificial Analysis13321497†
GDPxGDPx by SemiAnalysis–3.7%†
Design Arena AgenticDesign Arena1089†1261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis13.8%†8.1%†
CWE-Bench (AA)Artificial Analysis–53.3%†
DeepSec-Bench (AA)Artificial Analysis25.1%†12.4%†
CyberGym end-to-end (AA)Artificial Analysis–58.0%†
FACTS SearchGoogle87.0%†90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†97.2%†
ProofBenchVals AI74.0%87.0%
LiveBench MathematicsLiveBench94.9%†84.4%
AIME 2026MathArena–96.7%†
HMMT February 2026MathArena–97.0%†
MathArena ApexMathArena–65.6%†
Arena MathsArena (LMArena)14781502†
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†50.6%†
LiveBench 2.0 Data AnalysisLiveBench79.3%†78.7%†
LiveBench ResearchLiveBench79.7%†79.8%†
LiveBench 1.0 Data AnalysisLiveBench79.3%†78.7%
AA-Omniscience v1.1Artificial Analysis-11.5-1.7†
MMLU-ProVals AI86.7%88.0%†
LegalBenchVals AI85.1%†86.2%†
CorpFinVals AI65.3%71.6%
TaxEvalVals AI76.2%75.7%
BioMysteryBenchVals AI–72.6%†
Excel Modeling BenchmarkVals AI66.2%†66.7%†
Excel Modeling Benchmark v1.1Vals AI–71.3%†
MedCodeVals AI43.4%49.4%†
MedScribeVals AI82.9%88.0%†
Public Benefits Bench v1.1Vals AI62.4%†68.2%†
Access to Justice BenchmarkVals AI–68.2%†
Financial Coaching BenchVals AI71.0%†74.5%†
Immigration BenchVals AI–68.3%†
GDP.pdfEpoch AI Benchmarking Hub24.7%†19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis41.3%42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis9.9%23.4%†
HealthBench Professional (AA)OpenAI–53.2%†
FACTS ParametricGoogle57.6%†–
指令遵循
LiveBench LanguageLiveBench82.9%†85.5%
LiveBench Instruction FollowingLiveBench64.6%†71.4%
IFBenchArtificial Analysis66.3%–
Arena Instruction FollowingArena (LMArena)14631489†
人类偏好
Arena TextArena (LMArena)14681487†
EQ-Bench 4EQ-Bench1220†1319
EQ-Bench Creative Writing v3EQ-Bench1856†2083
Arena Creative WritingArena (LMArena)14301459†
Arena Multi-turnArena (LMArena)14751502†
Arena Longer QueriesArena (LMArena)14691500†
多模态
Arena VisionArena (LMArena)1269–
LiveBench DesignLiveBench70.9%†72.5%†
MMMU-ProArtificial Analysis79.5%80.5%†
MMMU-Pro (Vals)Vals AI86.5%†88.2%
MortgageTaxVals AI67.3%66.3%
SAGEVals AI87.0%†86.8%†
Humanity's Sixth SenseScale AI SEAL22.7%†25.5%†
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†29.5%
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†34.2%†
Code2Video-AAArtificial Analysis–1041†
AA-3DArtificial Analysis–984†
FACTS MultimodalGoogle39.9%†–
长上下文
AA-LCR v1.1Artificial Analysis79.0%88.7%†
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis22.8%21.7%†
FACTS GroundingGoogle60.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†158.6
LiveBench 2.0LiveBench67.2%†65.0%†
LiveBench 1.0LiveBench77.9%†79.2%
AA Intelligence Index v5.0.1Artificial Analysis32.3†17.4†
AA Intelligence Index v4.3.2Artificial Analysis38.043.6†
AA Progress Index v1Artificial Analysis312319.9†
Vals IndexVals AI–53.0†
Vals Finance IndexVals AI–58.0%†
Vals RSI IndexVals AI–20.9%†
Vals Multimodal IndexVals AI65.1%73.4%
Vals Router IndexVals AI–53.0%
Vals Legal IndexVals AI–71.7%†
AA Cyber IndexArtificial Analysis–41.3†
安全与诚实
FORTRESSScale AI SEAL–27.3%
DistressBenchScale AI SEAL76.4%†73.5%
元数据
AA Openness IndexArtificial Analysis–38.9†

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

  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • GPT-5.6 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K3:1 项分数修订。
  • Kimi K3:4 项分数修订。
  • Kimi K3:1 项分数修订。
  • Kimi K3:1 项新结果(FACTS Search)。
  • GPT-5.6 Terra (xhigh):1 项分数修订。
  • Kimi K3:1 项分数修订。
  • GPT-5.6 Terra (xhigh):1 项分数修订。
  • GPT-5.6 Terra (xhigh):BenchLeader Index 61.2 → 60.4。

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 Kimi K3:常见问题

GPT-5.6 Terra 比 Kimi K3 更好吗?
GPT-5.6 Terra (xhigh) 与 Kimi K3 的质量不相上下(60.1 比 60.7,在 ±7.2 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 Kimi K3 哪个更便宜?价格会变吗?
目前 GPT-5.6 Terra 更便宜:每百万 token $4.50 比 $6.00(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 Terra 还是 Kimi K3 更好?
Kimi K3 在编程方面得分更高(类别得分 62 比 59,50 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 Terra 为 52.3%,Kimi K3 为 58.7%。
GPT-5.6 Terra 和 Kimi K3 哪个更快?
GPT-5.6 Terra 输出更快(输出 97 比 76 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Terra 还是 Kimi K3 更好?
GPT-5.6 Terra 在智能体任务方面得分更高(类别得分 63 比 54,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.6 Terra 为 1,050,000,Kimi K3 为 1,048,576)。
哪个延迟更低?
Kimi K3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.8 秒比 19.2 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 Kimi K3 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5.6 Terra 领先 2 项,Kimi K3 领先 6 项。第三方来源看法不一:GPT-5.6 Terra 在 AA Intelligence Index v5.0.1 上领先;Kimi K3 在 Arena Text 上领先。
Kimi K3 是什么时候发布的?
Kimi K3 于 2026年7月16日 发布。