BenchLeader

GPT-5.6 Terra vs Kimi K3.1 Pro Together

完整资料:GPT-5.6 Terra(OpenAI)和 Kimi K3.1 Pro Together(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,GPT-5.6 Terra 与 Kimi K3.1 Pro Together 的质量不相上下(BenchLeader Index 60.1 比 60.0,在 ±4.6 的误差范围内)。在两者都有成绩的所有类别中,Kimi K3.1 Pro Together 均领先。

要点(截至 2026年11月16日)

  • GPT-5.6 Terra 的 BenchLeader Index 为 60.1,Kimi K3.1 Pro Together 为 60.0(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)。

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
数学均可类别得分 66 比 65均可
推理Kimi K3.1 Pro Together类别得分 67 比 55高
知识Kimi K3.1 Pro Together类别得分 66 比 53高
对话质量(人类偏好)–只有 GPT-5.6 Terra 有 Arena 评分(类别得分 66)无法比较
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 K3.1 Pro Together (max) 的质量不相上下(60.1 比 60.0,在 ±4.6 的误差范围内)。
  • GPT-5.6 Terra (xhigh) 在数学方面更强。
  • Kimi K3.1 Pro Together (max) 在知识、推理方面更强。

概览

规格GPT-5.6 TerraKimi K3.1 Pro Together
提供商OpenAIMoonshot AI
发布日期2026年7月9日2026年10月23日
上下文窗口(token)1,050,000–
对比时的配置GPT-5.6 Terra (xhigh)Kimi K3.1 Pro Together (max)
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–

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 K3.1 Pro Together (max)领先者
推理54.866.9Kimi K3.1 Pro Together
编程59.1–无法比较
智能体与工具63.1–无法比较
数学65.765.2持平
知识53.066.0Kimi K3.1 Pro Together
指令遵循65.6–无法比较
人类偏好65.5–无法比较
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推理数学知识GPT-5.6 Terra, 推理: 54.8GPT-5.6 Terra, 数学: 65.7GPT-5.6 Terra, 知识: 53.0Kimi K3.1 Pro Together, 推理: 66.9Kimi K3.1 Pro Together, 数学: 65.2Kimi K3.1 Pro Together, 知识: 66.0

未绘制(测得的模型少于两个):编程, 智能体与工具, 指令遵循, 长上下文, 多模态, 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 0 项基准测试中,GPT-5.6 Terra 领先 0 项,Kimi K3.1 Pro Together 领先 0 项。

综合 IndexGPT-5.6 Terra (xhigh)Kimi K3.1 Pro Together (max)领先者
BenchLeader Index60.160.0不相上下

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 K3.1 Pro Together (max)
每百万 token 混合价格$4.50–
每百万 token 输入 / 输出$2.00 / $12.00– / –
每百万 token 缓存输入$0.200–
每项任务价格:聊天回复$0.0044–
每项任务价格:总结一份 30 页的报告$0.031–
每项任务价格:代码编辑$0.030–
每项任务价格:智能体编程会话$0.168–
每项任务价格:结构化信息提取$0.0064–
智能体编程会话(输入大多命中缓存)$0.087–
输出速度97 tok/s–
首次回答时间19.2 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 K3.1 Pro Together (max) 得分 60.0。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 138 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 K3.1 Pro Together (max)
BenchLeader IndexBenchLeader60.160.0
智能体与工具得分BenchLeader63.1–
编程得分BenchLeader59.1–
人类偏好得分BenchLeader65.5–
指令遵循得分BenchLeader65.6–
知识得分BenchLeader53.066.0
长上下文得分BenchLeader64.1–
数学得分BenchLeader65.765.2
多模态得分BenchLeader61.2–
推理得分BenchLeader54.866.9
混合价格(美元/百万 token)BenchLeader$4.50–
输出速度BenchLeader97 tok/s–
首次回答时间BenchLeader19.2 秒–
上下文窗口BenchLeader1,050,000 token–
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%†94.2%
SimpleBenchSimpleBench48.9%–
Arena Hard PromptsArena (LMArena)1491–
LiveBench 2.0 ReasoningLiveBench90.6%†–
LiveBench 1.0 ReasoningLiveBench90.6%†–
GPQA Diamond (AA)Artificial Analysis90.8%–
Humanity's Last Exam (AA)Artificial Analysis41.9%–
HLE-Diamond (AA)Artificial Analysis24.7%–
GPQA Diamond (Vals)Vals AI90.9%–
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†–
ARC-AGI-1ARC Prize94.0%–
ARC-AGI-2ARC Prize74.2%–
ARC-AGI-3ARC Prize0.7%–
CritPtArtificial Analysis27.1%–
CritPt v2 hard subset (AA)Artificial Analysis50.5%†–
Arena ExpertArena (LMArena)1507–
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†45.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†42.0%
LMCAEpoch AI Benchmarking Hub52.2%–
DTBenchEpoch AI Benchmarking Hub92.5%–
编程
SciCodeSciCode52.3%–
WeirdMLWeirdML78.3%†–
FrontierCodeCognition41.3%†–
Arena CodingArena (LMArena)1517–
Arena WebDevArena (LMArena)1520–
显示全部 138 项基准测试
指标发布方GPT-5.6 Terra (xhigh)Kimi K3.1 Pro Together (max)
编程
LiveBench 2.0 CodingLiveBench84.2%†–
LiveBench 1.0 CodingLiveBench78.3%†–
LiveCodeBenchVals AI85.9%–
IOIVals AI87.6%†–
SWE-bench (Vals)Vals AI95.4%†–
Code MigrationVals AI47.8%†–
ProgramBenchVals AI0.5%†–
Vibe Code Bench 1-100Vals AI14.8%†–
Vibe Code Bench v1.1Vals AI74.6%†–
SWE-Bench Pro V2Scale AI SEAL92.4%–
SWE-Bench Pro V2 HARDScale AI SEAL86.3%–
MirrorCodeEpoch AI Benchmarking Hub41.1%†–
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%–
CursorBenchCursor33.6%–
ALE-BenchEpoch AI Benchmarking Hub1951.4†–
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%–
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%–
Startrise FrontendStartrise66.9%†–
GameBench 2 OverallDuelLab GameBench 245.6†–
GameBench 2 by reasoning settingDuelLab GameBench 253.5–
Design Arena WebsiteDesign Arena1260†–
FrontierCode 2.0 (AA)Artificial Analysis23.9%†–
智能体与工具
Terminal-BenchTerminal-Bench21.5%†–
APEX-AgentsMercor58.2%†–
Arena AgentArena (LMArena)-1.8–
LiveBench Long AgenticLiveBench25.9%†–
LiveBench BrowserLiveBench70.3%†–
LiveBench Agentic CodingLiveBench55.0%†–
Terminal-Bench HardArtificial Analysis62.9%–
τ²-Bench Telecom (AA)Artificial Analysis80.4%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis47.4%–
GDPval-AA v2.1Artificial Analysis1456–
τ³-Banking (AA)Artificial Analysis29.7%–
ITBench SRE (AA)Artificial Analysis51.0%†–
APEX-Agents (AA)Artificial Analysis38.9%†–
CyberBenchVals AI72.1%†–
Finance Agent v2Vals AI54.4%†–
Harvey's Legal Agent Benchmark v1Vals AI0.8%†–
Legal Research BenchVals AI41.4%†–
SkillsBenchVals AI58.9%†–
SREBenchVals AI9.5%†–
Tax Agent BenchVals AI30.0%†–
Terminal-Bench 4.0 (Vals)Vals AI22.7%†–
Terminal-Bench ScienceVals AI10.0%†–
Arena Agent Task CompletionArena (LMArena)-7.2–
BALROGBALROG53.2%†–
Vending-Bench 2Andon Labs7343.2†–
AutomationBenchArtificial Analysis47.1%–
GDP.pdf (AA)Artificial Analysis24.6%–
EnterpriseOps-GymArtificial Analysis38.5%†–
AA-Briefcase v1.1Artificial Analysis1332–
Design Arena AgenticDesign Arena1089†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis13.8%†–
DeepSec-Bench (AA)Artificial Analysis25.1%†–
FACTS SearchGoogle87.0%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†78.3%
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†65.8%
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†100.0%
ProofBenchVals AI74.0%–
LiveBench MathematicsLiveBench94.9%†–
Arena MathsArena (LMArena)1478–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†62.2%
LiveBench 2.0 Data AnalysisLiveBench79.3%†–
LiveBench ResearchLiveBench79.7%†–
LiveBench 1.0 Data AnalysisLiveBench79.3%†–
AA-Omniscience v1.1Artificial Analysis-11.5–
MMLU-ProVals AI86.7%–
LegalBenchVals AI85.1%†–
CorpFinVals AI65.3%–
TaxEvalVals AI76.2%–
Excel Modeling BenchmarkVals AI66.2%†–
MedCodeVals AI43.4%–
MedScribeVals AI82.9%–
Public Benefits Bench v1.1Vals AI62.4%†–
Financial Coaching BenchVals AI71.0%†–
GDP.pdfEpoch AI Benchmarking Hub24.7%†–
AA-Omniscience v1.1: accuracyArtificial Analysis41.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis9.9%–
FACTS ParametricGoogle57.6%†–
指令遵循
LiveBench LanguageLiveBench82.9%†–
LiveBench Instruction FollowingLiveBench64.6%†–
IFBenchArtificial Analysis66.3%–
Arena Instruction FollowingArena (LMArena)1463–
人类偏好
Arena TextArena (LMArena)1468–
EQ-Bench 4EQ-Bench1220†–
EQ-Bench Creative Writing v3EQ-Bench1856†–
Arena Creative WritingArena (LMArena)1430–
Arena Multi-turnArena (LMArena)1475–
Arena Longer QueriesArena (LMArena)1469–
多模态
Arena VisionArena (LMArena)1269–
LiveBench DesignLiveBench70.9%†–
MMMU-ProArtificial Analysis79.5%–
MMMU-Pro (Vals)Vals AI86.5%†–
MortgageTaxVals AI67.3%–
SAGEVals AI87.0%†–
Humanity's Sixth SenseScale AI SEAL22.7%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†55.8%
FACTS MultimodalGoogle39.9%†–
长上下文
AA-LCR v1.1Artificial Analysis79.0%–
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis22.8%–
FACTS GroundingGoogle60.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†–
LiveBench 2.0LiveBench67.2%†–
LiveBench 1.0LiveBench77.9%†–
AA Intelligence Index v5.0.1Artificial Analysis32.3†–
AA Intelligence Index v4.3.2Artificial Analysis38.0–
AA Progress Index v1Artificial Analysis312–
Vals Multimodal IndexVals AI65.1%–
安全与诚实
DistressBenchScale AI SEAL76.4%†–

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

  • GPT-5.6 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K3.1 Pro Together (max):BenchLeader Index 60.5 → 60.0。
  • Kimi K3.1 Pro Together (max):首批结果。
  • GPT-5.6 Terra (xhigh):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。
  • GPT-5.6 Terra (xhigh):2 项新结果(AA Progress Index v1, HLE-Diamond (AA));3 项分数修订。
  • GPT-5.6 Terra (xhigh):BenchLeader Index 61.7 → 61.2。
  • GPT-5.6 Terra (xhigh):1 项分数修订。
  • GPT-5.6 Terra (xhigh):3 项新结果(AutomationBench, GDP.pdf (AA), MLCR)。

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 K3.1 Pro Together:常见问题

GPT-5.6 Terra 比 Kimi K3.1 Pro Together 更好吗?
GPT-5.6 Terra (xhigh) 与 Kimi K3.1 Pro Together (max) 的质量不相上下(60.1 比 60.0,在 ±4.6 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。
Kimi K3.1 Pro Together 是什么时候发布的?
Kimi K3.1 Pro Together 于 2026年10月23日 发布。