BenchLeader

GPT-5.6 Terra vs o3

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

更新于 · 数据来自 18 个来源

截至 2026年11月16日,GPT-5.6 Terra 与 o3 的质量不相上下(BenchLeader Index 60.1 比 60.4,在 ±5.1 的误差范围内)。o3 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.50 比 $4.50)。看重多模态(61 比 53)、人类偏好(66 比 61)和长上下文(64 比 62)选 GPT-5.6 Terra;看重智能体与工具(70 比 63)、推理(61 比 55)和数学(71 比 66)选 o3。o3 的首次回答更快(5.2 秒 比 19.2 秒)。

要点(截至 2026年11月16日)

  • GPT-5.6 Terra 的 BenchLeader Index 为 60.1,o3 为 60.4(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)。
  • 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 18 项基准测试中,GPT-5.6 Terra 领先 16 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
编程均可类别得分 59 比 60;Arena Coding 1517 比 1460均可
智能体与工具调用o3类别得分 70 比 63;Terminal-Bench Hard 37.1% 比 62.9%中
数学o3类别得分 71 比 66;Arena Maths 1448 比 1478中
推理o3类别得分 61 比 55;Arena Hard Prompts 1441 比 1491中
知识o3类别得分 56 比 53中
长文档GPT-5.6 Terra类别得分 64 比 62;AA-LCR v1.1 79.0% 比 74.7%中
图像及其他媒体GPT-5.6 Terra类别得分 61 比 53;Arena Vision 1269 比 1214高
指令遵循均可类别得分 66 比 65;IFBench 66.3% 比 71.4%均可
对话质量(人类偏好)GPT-5.6 TerraArena 投票 66 比 61中
成本最低o3每百万 token 混合价格 $3.50 比 $4.50;智能体编程会话 $0.152 比 $0.168–
首次回答最快o3首个回答 token 5.2 秒(o3)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 o3 的质量不相上下(60.1 比 60.4,在 ±5.1 的误差范围内)。
  • GPT-5.6 Terra (xhigh) 在人类偏好、指令遵循、长上下文、多模态方面更强。
  • o3 在智能体与工具、编程、知识、数学、推理方面更强。
  • o3 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.50 比 $4.50)。
  • o3 的输出速度是对方的 1.4 倍(131 比 97 token/秒)。

概览

规格GPT-5.6 Terrao3
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 Terra (xhigh)o3
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 / $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 Terra (xhigh)o3领先者
推理54.860.9o3
编程59.159.8持平
智能体与工具63.170.3o3
数学65.770.6o3
知识53.056.2o3
指令遵循65.665.2持平
人类偏好65.561.0GPT-5.6 Terra
多模态61.252.8GPT-5.6 Terra
长上下文64.161.9GPT-5.6 Terra

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, 指令遵循: 65.6GPT-5.6 Terra, 长上下文: 64.1GPT-5.6 Terra, 多模态: 61.2GPT-5.6 Terra, 人类偏好: 65.5o3, 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: 52.8o3, 人类偏好: 61.0

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 18 项基准测试中,GPT-5.6 Terra 领先 16 项,o3 领先 2 项。所有同时评测两者的综合评分都认为 GPT-5.6 Terra 更强。

综合 IndexGPT-5.6 Terra (xhigh)o3领先者
BenchLeader Index60.160.4不相上下
Arena Text14681432GPT-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)o3
每百万 token 混合价格$4.50$3.50
每百万 token 输入 / 输出$2.00 / $12.00$2.00 / $8.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0044$0.0032
每项任务价格:总结一份 30 页的报告$0.031$0.029
每项任务价格:代码编辑$0.030$0.024
每项任务价格:智能体编程会话$0.168$0.152
每项任务价格:结构化信息提取$0.0064$0.0056
智能体编程会话(输入大多命中缓存)$0.087$0.085
输出速度97 tok/s131 tok/s
首次回答时间19.2 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)84.0 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 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)。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 183 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)o3
BenchLeader IndexBenchLeader60.160.4
智能体与工具得分BenchLeader63.170.3
编程得分BenchLeader59.159.8
人类偏好得分BenchLeader65.561.0
指令遵循得分BenchLeader65.665.2
知识得分BenchLeader53.056.2
长上下文得分BenchLeader64.161.9
数学得分BenchLeader65.770.6
多模态得分BenchLeader61.252.8
推理得分BenchLeader54.860.9
混合价格(美元/百万 token)BenchLeader$4.50$3.50
输出速度BenchLeader97 tok/s131 tok/s
首次回答时间BenchLeader19.2 秒5.2 秒
上下文窗口BenchLeader1,050,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%†81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench48.9%53.1%†
Arena Hard PromptsArena (LMArena)14911441
LiveBench 2.0 ReasoningLiveBench90.6%†–
LiveBench 1.0 ReasoningLiveBench90.6%†–
GPQA Diamond (AA)Artificial Analysis90.8%82.7%
Humanity's Last Exam (AA)Artificial Analysis41.9%20.1%
HLE-Diamond (AA)Artificial Analysis24.7%–
GPQA Diamond (Vals)Vals AI90.9%84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize94.0%60.8%†
ARC-AGI-2ARC Prize74.2%6.5%†
ARC-AGI-3ARC Prize0.7%–
CritPtArtificial Analysis27.1%1.1%
CritPt v2 hard subset (AA)Artificial Analysis50.5%†–
SciPredictScale AI SEAL–17.9%
Arena ExpertArena (LMArena)15071448
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub52.2%39.7%†
DTBenchEpoch AI Benchmarking Hub92.5%84.8%†
ForecastBenchForecastBench–64.3%
显示全部 183 项基准测试
指标发布方GPT-5.6 Terra (xhigh)o3
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode52.3%–
WeirdMLWeirdML78.3%†52.4%†
FrontierCodeCognition41.3%†–
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)15171460
Arena WebDevArena (LMArena)1520–
LiveBench 2.0 CodingLiveBench84.2%†–
LiveBench 1.0 CodingLiveBench78.3%†–
LiveCodeBenchVals AI85.9%83.9%†
IOIVals AI87.6%†–
SWE-bench (Vals)Vals AI95.4%†–
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 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%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%–
CursorBenchCursor33.6%–
ALE-BenchEpoch AI Benchmarking Hub1951.4†933.5†
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†34.1
GameBench 2 by reasoning settingDuelLab GameBench 253.530.4†
Design Arena WebsiteDesign Arena1260†1028
FrontierCode 2.0 (AA)Artificial Analysis23.9%†–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench21.5%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor58.2%†–
Arena AgentArena (LMArena)-1.8–
LiveBench Long AgenticLiveBench25.9%†–
LiveBench BrowserLiveBench70.3%†–
LiveBench Agentic CodingLiveBench55.0%†–
Terminal-Bench HardArtificial Analysis62.9%37.1%
τ²-Bench Telecom (AA)Artificial Analysis80.4%80.7%
Terminal-Bench 2.1 (Vals)Vals AI77.5%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
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 SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)-7.2–
BALROGBALROG53.2%†–
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
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%†–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle87.0%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI74.0%–
LiveBench MathematicsLiveBench94.9%†–
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)14781448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†49.4%†
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%85.6%†
LegalBenchVals AI85.1%†83.8%†
CorpFinVals AI65.3%59.7%†
TaxEvalVals AI76.2%74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL–47.7%
PRBench LegalScale AI SEAL–48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
Excel Modeling BenchmarkVals AI66.2%†–
MedCodeVals AI43.4%47.3%†
MedScribeVals AI82.9%76.7%†
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%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)14631403
人类偏好
Arena TextArena (LMArena)14681432
EQ-Bench 4EQ-Bench1220†–
EQ-Bench Creative Writing v3EQ-Bench1856†1675
Arena Creative WritingArena (LMArena)14301383
Arena Multi-turnArena (LMArena)14751420
Arena Longer QueriesArena (LMArena)14691411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)12691214
LiveBench DesignLiveBench70.9%†–
MMMU-ProArtificial Analysis79.5%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI86.5%†80.4%†
MortgageTaxVals AI67.3%65.7%†
SAGEVals AI87.0%†–
Humanity's Sixth SenseScale AI SEAL22.7%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†–
FACTS MultimodalGoogle39.9%†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis79.0%74.7%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis22.8%–
FACTS GroundingGoogle60.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†147.1
LiveBench 2.0LiveBench67.2%†–
LiveBench 1.0LiveBench77.9%†–
AA Intelligence Index v5.0.1Artificial Analysis32.3†–
AA Intelligence Index v4.3.2Artificial Analysis38.020.2
AA Progress Index v1Artificial Analysis312258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals Multimodal IndexVals AI65.1%–
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL76.4%†–
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 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • o3:1 项新结果(Arena Search)。
  • GPT-5.6 Terra (xhigh):1 项分数修订。
  • o3:1 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。
  • o3:1 项新结果(AA Progress Index v1)。

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 o3:常见问题

GPT-5.6 Terra 比 o3 更好吗?
GPT-5.6 Terra (xhigh) 与 o3 的质量不相上下(60.1 比 60.4,在 ±5.1 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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
两者在编程方面持平(类别得分 59 比 60)。在两者共同的最主要编程基准测试 Arena Coding 上,GPT-5.6 Terra 为 1517,o3 为 1460。
GPT-5.6 Terra 和 o3 哪个更快?
o3 输出更快(输出 131 比 97 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Terra 还是 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 63,50 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 Terra 为 62.9%,o3 为 37.1%。
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 62)。GPT-5.6 Terra 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 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 o3 的看法一致吗?
在两者都有结果的 18 项基准测试中,GPT-5.6 Terra 领先 16 项,o3 领先 2 项。所有同时评测两者的综合评分都认为 GPT-5.6 Terra 更强。
GPT-5.6 Terra 是什么时候发布的?
GPT-5.6 Terra 于 2026年7月9日 发布。