BenchLeader

GPT-5 vs Grok 4.6

完整资料:GPT-5(OpenAI)和 Grok 4.6(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,GPT-5 与 Grok 4.6 的质量不相上下(BenchLeader Index 59.0 比 60.6,在 ±6.4 的误差范围内)。两者价格相近(每百万 token 混合价格 $3.44 比 $3.00)。看重长上下文(70 比 65)和数学(65 比 63)选 GPT-5;看重推理(64 比 48)、编程(61 比 57)和多模态(60 比 57)选 Grok 4.6。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Grok 4.6 为 60.6(BenchLeader,2026年11月16日)。
  • GPT-5 每百万 token 混合价格为 $3.44(标价,2026年11月16日)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 12 项基准测试中,Grok 4.6 领先 11 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5 的评分为 1417,Grok 4.6 为 1618(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 4.6类别得分 61 比 57;Arena WebDev 1618 比 1417中
智能体与工具调用Grok 4.6类别得分 59 比 58;Terminal-Bench 19.7% 比 49.6%中
数学GPT-5类别得分 65 比 63;OTIS Mock AIME 87.2% 比 97.8%中
推理Grok 4.6类别得分 64 比 48;GPQA Diamond 94.0% 比 85.3%高
长文档GPT-5类别得分 70 比 65;AA-LCR v1.1 76.0% 比 80.3%中
图像及其他媒体Grok 4.6类别得分 60 比 57中
对话质量(人类偏好)–只有 Grok 4.6 有 Arena 评分(类别得分 64)无法比较
成本最低均可每百万 token 混合价格 $3.44 比 $3.00;智能体编程会话 $0.115 比 $0.144–
首次回答最快均可首个回答 token 22.9 秒(GPT-5 (medium))比 28.6 秒(Grok 4.6 (high))–
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 (medium) 与 Grok 4.6 (high) 的质量不相上下(59.0 比 60.6,在 ±6.4 的误差范围内)。
  • GPT-5 (medium) 在长上下文、数学方面更强。
  • Grok 4.6 (high) 在智能体与工具、编程、多模态、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.00)。

概览

规格GPT-5Grok 4.6
提供商OpenAISpaceXAI
发布日期2025年8月7日2026年8月11日
上下文窗口(token)400,000500,000
对比时的配置GPT-5 (medium)Grok 4.6 (high)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $10.00 / $0.125$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 (medium)Grok 4.6 (high)领先者
推理47.963.5Grok 4.6
编程57.461.1Grok 4.6
智能体与工具58.159.2Grok 4.6
数学65.463.4GPT-5
知识–59.5无法比较
指令遵循69.4–无法比较
人类偏好–64.1无法比较
多模态56.660.0Grok 4.6
长上下文70.464.8GPT-5

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长上下文多模态GPT-5, 推理: 47.9GPT-5, 编程: 57.4GPT-5, 智能体与工具: 58.1GPT-5, 数学: 65.4GPT-5, 长上下文: 70.4GPT-5, 多模态: 56.6Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 智能体与工具: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 长上下文: 64.8Grok 4.6, 多模态: 60.0

未绘制(测得的模型少于两个):知识, 指令遵循, 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 领先 1 项,Grok 4.6 领先 11 项。所有同时评测两者的综合评分都认为 Grok 4.6 更强。

综合 IndexGPT-5 (medium)Grok 4.6 (high)领先者
BenchLeader Index59.060.6不相上下
Arena Text1435†1457Grok 4.6

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 (medium)Grok 4.6 (high)
每百万 token 混合价格$3.44$3.00
每百万 token 输入 / 输出$1.25 / $10.00$2.00 / $6.00
每百万 token 缓存输入$0.125$0.500
每项任务价格:聊天回复$0.0035$0.0026
每项任务价格:总结一份 30 页的报告$0.021$0.028
每项任务价格:代码编辑$0.022$0.021
每项任务价格:智能体编程会话$0.115$0.144
每项任务价格:结构化信息提取$0.0045$0.0052
智能体编程会话(输入大多命中缓存)$0.064$0.076
输出速度82 tok/s73 tok/s
首次回答时间22.9 秒28.6 秒
完整回答耗时(最近一次测量 2026年11月13日)66.2 秒62.7 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 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 秒)。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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 186 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 (medium)Grok 4.6 (high)
BenchLeader IndexBenchLeader59.060.6
智能体与工具得分BenchLeader58.159.2
编程得分BenchLeader57.461.1
指令遵循得分BenchLeader69.4–
长上下文得分BenchLeader70.464.8
数学得分BenchLeader65.463.4
多模态得分BenchLeader56.660.0
推理得分BenchLeader47.963.5
人类偏好得分BenchLeader–64.1
知识得分BenchLeader–59.5
混合价格(美元/百万 token)BenchLeader$3.44$3.00
输出速度BenchLeader82 tok/s73 tok/s
首次回答时间BenchLeader22.9 秒28.6 秒
上下文窗口BenchLeader400,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%94.0%
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†75.9%†
Arena Hard PromptsArena (LMArena)1449†1481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench–90.5%†
GPQA Diamond (AA)Artificial Analysis84.2%95.0%
Humanity's Last Exam (AA)Artificial Analysis25.4%42.9%
HLE-Diamond (AA)Artificial Analysis–21.5%†
GPQA Diamond (Vals)Vals AI85.6%†94.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†–
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%87.0%
ARC-AGI-2ARC Prize7.5%65.1%
ARC-AGI-3ARC Prize–2.1%†
CritPtArtificial Analysis0.0%17.1%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†40.0%†
MysteryMechanismVals AI–30.6%
Arena ExpertArena (LMArena)1445†1496
Chess PuzzlesEpoch AI Benchmarking Hub32.0%33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%34.0%†
LMCAEpoch AI Benchmarking Hub40.0%†48.5%†
DTBenchEpoch AI Benchmarking Hub90.7%†97.3%†
ForecastBenchForecastBench65.0%†65.4%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
显示全部 186 项基准测试
指标发布方GPT-5 (medium)Grok 4.6 (high)
编程
SciCodeSciCode42.9%†56.5%
WeirdMLWeirdML39.8%†67.3%
FrontierCodeCognition–48.0%†
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1508
Arena WebDevArena (LMArena)14171618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench–76.8%†
SciCode (AA)Artificial Analysis–56.5%
LiveCodeBenchVals AI85.9%†88.2%
IOIVals AI–47.6%
SWE-bench (Vals)Vals AI69.0%†95.6%
SWE-Bench ProScale AI SEAL41.8%†–
Aider PolyglotAider polyglot leaderboard86.7%–
SWE-bench Verified (bash only)SWE-bench65.0%–
SWE-bench Verified (any scaffold)SWE-bench74.4%†–
Code MigrationVals AI–44.6%
ProgramBenchVals AI–1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI20.1%†76.2%
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub1162.5†1508.1†
AlgoTuneAlgoTune1.7†–
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
Terminal-Bench 4.0 (AA)Artificial Analysis–21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 2–59.4†
GameBench 2 by reasoning settingDuelLab GameBench 238.068.7†
Design Arena WebsiteDesign Arena1174†1277†
FrontierCode 2.0 (AA)Artificial Analysis–19.8%†
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%19.7%
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
APEX-AgentsMercor–65.3%†
Arena AgentArena (LMArena)–-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench–57.0%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis86.5%–
Terminal-Bench 2.1 (Vals)Vals AI–78.3%
GDPval-AA v2.1Artificial Analysis925†1627
τ³-Banking (AA)Artificial Analysis22.1%†50.7%
Analyst Agent (AA)Artificial Analysis–41.3%
CyberBenchVals AI–67.7%
Finance Agent v2Vals AI–53.7%
Harvey's Legal Agent Benchmark v1Vals AI–15.8%
Legal Research BenchVals AI–48.1%
Poker AgentVals AI1103.2%†–
SkillsBenchVals AI–55.8%
Tax Agent BenchVals AI–33.7%
Terminal-Bench 2.0 (Vals)Vals AI37.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–17.2%
Terminal-Bench ScienceVals AI–11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1189†–
Arena Agent Task CompletionArena (LMArena)–-2.6†
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
Vending-Bench 2Andon Labs–9047.0†
AutomationBenchArtificial Analysis–66.7%
GDP.pdf (AA)Artificial Analysis–17.0%
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis–1526
Design Arena AgenticDesign Arena–1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–6.2%
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
FACTS SearchGoogle–87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%97.8%
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†51.0%†
LiveBench MathematicsLiveBench–92.6%†
AIME (Vals)Vals AI93.4%†–
MGSMVals AI92.8%†–
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†–
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1445
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench–73.9%†
AA-Omniscience v1.1Artificial Analysis–24.9†
MMLU-ProVals AI86.5%†89.4%
LegalBenchVals AI86.0%†86.3%
CorpFinVals AI61.1%†66.2%
TaxEvalVals AI73.4%†71.1%
MedQAVals AI96.3%†–
PRBench FinanceScale AI SEAL51.3%†–
PRBench LegalScale AI SEAL49.0%†–
MultiNRCScale AI SEAL52.1%†–
MMLU-Pro (HELM)HELM Capabilities86.3%†–
BioMysteryBenchVals AI–72.2%
CaseLaw v2Vals AI66.5%†–
Excel Modeling BenchmarkVals AI–62.7%
MedCodeVals AI49.6%†44.7%
MedScribeVals AI83.7%†86.5%
Public Benefits Bench v1.1Vals AI–66.8%
Access to Justice BenchmarkVals AI–71.3%
Immigration BenchVals AI–66.0%
EBR-benchEpoch AI Benchmarking Hub12.7%†30.5%†
GDP.pdfEpoch AI Benchmarking Hub–16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis–46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–60.3%†
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
FACTS ParametricGoogle–44.5%†
指令遵循
LiveBench LanguageLiveBench–83.7%†
LiveBench Instruction FollowingLiveBench–71.9%†
IFBenchArtificial Analysis70.6%–
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1451
人类偏好
Arena TextArena (LMArena)1427†1457
EQ-Bench Creative Writing v3EQ-Bench1626†–
Arena Creative WritingArena (LMArena)1389†1442
Arena Multi-turnArena (LMArena)1449†1449
Arena Longer QueriesArena (LMArena)1435†1476
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis74.3%–
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†–
MortgageTaxVals AI65.5%†64.2%
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub–40.0%†
FACTS MultimodalGoogle–39.3%†
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%80.3%
Arena DocumentArena (LMArena)–1450
MLCRArtificial Analysis–15.6%
FACTS GroundingGoogle–66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench–78.0%†
AA Intelligence Index v5.0.1Artificial Analysis–31.0†
AA Intelligence Index v4.3.2Artificial Analysis22.944.3
AA Progress Index v1Artificial Analysis264.4321.5
HELM Capabilities meanHELM Capabilities80.7%†–
Vals RSI IndexVals AI–25.5%†
Vals Science IndexVals AI–38.1%
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
元数据
AA Openness IndexArtificial Analysis5.6–

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

  • GPT-5 (medium):BenchLeader Index 58.2 → 59.0。
  • GPT-5 (medium):1 项新结果(Aider Polyglot)。
  • GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));1 项分数修订。
  • Grok 4.6 (high):1 项新结果(GDPval-AA v2.1)。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • GPT-5 (medium):1 项分数修订。
  • Grok 4.6 (high):2 项分数修订。
  • Grok 4.6 (high):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):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 vs Grok 4.6:常见问题

GPT-5 比 Grok 4.6 更好吗?
GPT-5 (medium) 与 Grok 4.6 (high) 的质量不相上下(59.0 比 60.6,在 ±6.4 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 和 Grok 4.6 哪个更便宜?价格会变吗?
目前 Grok 4.6 更便宜:每百万 token $3.00 比 $3.44(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 还是 Grok 4.6 更好?
Grok 4.6 在编程方面得分更高(类别得分 61 比 57,50 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 为 1417,Grok 4.6 为 1618。
GPT-5 和 Grok 4.6 哪个更快?
GPT-5 输出更快(输出 82 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5 还是 Grok 4.6 更好?
Grok 4.6 在智能体任务方面得分更高(类别得分 59 比 58,50 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 上,GPT-5 为 49.6%,Grok 4.6 为 19.7%。
更多问题(4)
处理长文档哪个更好?
GPT-5 在长上下文基准测试上得分更高(70 比 65)。Grok 4.6 支持更长的上下文:500,000 token,GPT-5 为 400,000 token。
哪个延迟更低?
GPT-5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 22.9 秒比 28.6 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 和 Grok 4.6 的看法一致吗?
在两者都有结果的 12 项基准测试中,GPT-5 领先 1 项,Grok 4.6 领先 11 项。所有同时评测两者的综合评分都认为 Grok 4.6 更强。
Grok 4.6 是什么时候发布的?
Grok 4.6 于 2026年8月11日 发布。