BenchLeader

GPT-5 vs Kimi K2.6

完整资料:GPT-5(OpenAI)和 Kimi K2.6(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 与 Kimi K2.6 的质量不相上下(BenchLeader Index 59.0 比 59.3,在 ±8.9 的误差范围内)。Kimi K2.6 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $1.71 比 $3.44)。看重长上下文(70 比 65)选 GPT-5;看重多模态(62 比 57)和指令遵循(74 比 69)选 Kimi K2.6。GPT-5 的首次回答更快(22.9 秒 比 93.1 秒)。GPT-5 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Kimi K2.6 为 59.3(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)。
  • Kimi K2.6 每百万 token 混合价格为 $1.71(标价,2026年11月16日)。
  • GPT-5 比 Kimi K2.6 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 10 项基准测试中,Kimi K2.6 领先 10 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
智能体与工具调用均可类别得分 58 比 58;Terminal-Bench Hard 37.9% 比 43.9%均可
长文档GPT-5类别得分 70 比 65;AA-LCR v1.1 76.0% 比 81.0%中
图像及其他媒体Kimi K2.6类别得分 62 比 57;MMMU-Pro 79.4% 比 74.3%中
指令遵循Kimi K2.6类别得分 74 比 69;IFBench 76.0% 比 70.6%中
成本最低Kimi K2.6每百万 token 混合价格 $1.71 比 $3.44;智能体编程会话 $0.073 比 $0.115–
首次回答最快GPT-5首个回答 token 22.9 秒(GPT-5 (medium))比 93.1 秒(Kimi K2.6 (thinking))–
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 Kimi K2.6 (thinking) 的质量不相上下(59.0 比 59.3,在 ±8.9 的误差范围内)。
  • GPT-5 (medium) 在长上下文方面更强。
  • Kimi K2.6 (thinking) 在智能体与工具、指令遵循、多模态方面更强。
  • Kimi K2.6 (thinking) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $1.71 比 $3.44)。
  • GPT-5 (medium) 的输出速度是对方的 2.0 倍(82 比 41 token/秒)。

概览

规格GPT-5Kimi K2.6
提供商OpenAIMoonshot AI
发布日期2025年8月7日2026年4月20日
上下文窗口(token)400,000262,144
对比时的配置GPT-5 (medium)Kimi K2.6 (thinking)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $10.00 / $0.125$0.950 / $4.00 / $0.160

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)Kimi K2.6 (thinking)领先者
推理47.9–无法比较
编程57.4–无法比较
智能体与工具58.158.4持平
数学65.4–无法比较
指令遵循69.474.1Kimi K2.6
多模态56.661.7Kimi K2.6
长上下文70.465.2GPT-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智能体与工具指令遵循长上下文多模态GPT-5, 智能体与工具: 58.1GPT-5, 指令遵循: 69.4GPT-5, 长上下文: 70.4GPT-5, 多模态: 56.6Kimi K2.6, 智能体与工具: 58.4Kimi K2.6, 指令遵循: 74.1Kimi K2.6, 长上下文: 65.2Kimi K2.6, 多模态: 61.7

未绘制(测得的模型少于两个):推理, 编程, 数学, 知识, 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 10 项基准测试中,GPT-5 领先 0 项,Kimi K2.6 领先 10 项。所有同时评测两者的综合评分都认为 Kimi K2.6 更强。

综合 IndexGPT-5 (medium)Kimi K2.6 (thinking)领先者
BenchLeader Index59.059.3不相上下
Arena Text1435†1461Kimi K2.6

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)Kimi K2.6 (thinking)
每百万 token 混合价格$3.44$1.71
每百万 token 输入 / 输出$1.25 / $10.00$0.950 / $4.00
每百万 token 缓存输入$0.125$0.160
每项任务价格:聊天回复$0.0035$0.0016
每项任务价格:总结一份 30 页的报告$0.021$0.014
每项任务价格:代码编辑$0.022$0.012
每项任务价格:智能体编程会话$0.115$0.073
每项任务价格:结构化信息提取$0.0045$0.0027
智能体编程会话(输入大多命中缓存)$0.064$0.037
输出速度82 tok/s41 tok/s
首次回答时间22.9 秒93.1 秒
完整回答耗时(最近一次测量 2026年11月13日)66.2 秒215.8 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)。Kimi K2.6 (thinking) 得分 59.3,首个回答 token 需 93 秒;Kimi K2.6 为 55.1(1 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 154 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)Kimi K2.6 (thinking)
BenchLeader IndexBenchLeader59.059.3
智能体与工具得分BenchLeader58.158.4
编程得分BenchLeader57.4–
指令遵循得分BenchLeader69.474.1
长上下文得分BenchLeader70.465.2
数学得分BenchLeader65.4–
多模态得分BenchLeader56.661.7
推理得分BenchLeader47.9–
混合价格(美元/百万 token)BenchLeader$3.44$1.71
输出速度BenchLeader82 tok/s41 tok/s
首次回答时间BenchLeader22.9 秒93.1 秒
上下文窗口BenchLeader400,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%90.8%†
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†–
Arena Hard PromptsArena (LMArena)1449†1485†
LiveBench 1.0 ReasoningLiveBench–79.4%
GPQA Diamond (AA)Artificial Analysis84.2%91.1%
Humanity's Last Exam (AA)Artificial Analysis25.4%37.5%
GPQA Diamond (Vals)Vals AI85.6%†89.1%†
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†–
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%–
ARC-AGI-2ARC Prize7.5%–
CritPtArtificial Analysis0.0%8.0%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†–
Arena ExpertArena (LMArena)1445†1503†
Chess PuzzlesEpoch AI Benchmarking Hub32.0%20.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%18.0%†
LMCAEpoch AI Benchmarking Hub40.0%†37.3%†
DTBenchEpoch AI Benchmarking Hub90.7%†90.9%†
ForecastBenchForecastBench65.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%76.7%†
SciCodeSciCode42.9%†53.5%†
WeirdMLWeirdML39.8%†55.9%†
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1516†
显示全部 154 项基准测试
指标发布方GPT-5 (medium)Kimi K2.6 (thinking)
编程
Arena WebDevArena (LMArena)14171509†
LiveBench 1.0 CodingLiveBench–78.6%
SciCode (AA)Artificial Analysis–51.5%
LiveCodeBenchVals AI85.9%†86.8%†
SWE-bench (Vals)Vals AI69.0%†76.2%†
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–27.8%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI20.1%†37.9%†
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†–
ALE-BenchEpoch AI Benchmarking Hub1162.5†1092.7†
AlgoTuneAlgoTune1.7†–
Terminal-Bench 4.0 (AA)Artificial Analysis–0.5%
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†65.9%
GameBench 2 by reasoning settingDuelLab GameBench 238.0–
Design Arena WebsiteDesign Arena1174†1263†
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%–
OSWorld-Verified 2.0OSWorld–4.6%†
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
LiveBench Agentic CodingLiveBench–46.9%
Terminal-Bench HardArtificial Analysis37.9%43.9%
τ²-Bench Telecom (AA)Artificial Analysis86.5%95.9%
Terminal-Bench 2.1 (Vals)Vals AI–53.6%†
HiL-BenchScale AI SEAL–18.7%†
GDPval-AA v2.1Artificial Analysis925†1046
τ³-Banking (AA)Artificial Analysis22.1%†23.3%
ITBench SRE (AA)Artificial Analysis–31.2%
APEX-Agents (AA)Artificial Analysis–28.5%
Finance Agent v2Vals AI–44.9%†
Harvey's Legal Agent Benchmark v1Vals AI–1.7%†
Legal Research BenchVals AI–15.9%†
Poker AgentVals AI1103.2%†–
Tax Agent BenchVals AI–12.4%†
Terminal-Bench 2.0 (Vals)Vals AI37.1%†57.3%†
Arena SearchArena (LMArena)1189†–
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
ExploitBenchEpoch AI Benchmarking Hub–18.4%†
METR Time HorizonsMETR69.6%–
GBAEvalEpoch AI Benchmarking Hub–0.9%†
Vending-Bench 2Andon Labs–6204.6†
AutomationBenchArtificial Analysis–13.0%
GDP.pdf (AA)Artificial Analysis–13.0%
EnterpriseOps-GymArtificial Analysis–38.5%
AA-Briefcase v1.1Artificial Analysis–821
Design Arena AgenticDesign Arena–1158†
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†57.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†25.6%†
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%96.1%†
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†16.0%†
LiveBench MathematicsLiveBench–84.3%
AIME (Vals)Vals AI93.4%†–
MGSMVals AI92.8%†–
AIME 2026MathArena–95.8%†
HMMT February 2026MathArena–94.7%†
USAMO 2026MathArena–51.2%†
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†24.0%†
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1479†
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†34.9%†
LiveBench 1.0 Data AnalysisLiveBench–65.1%
MMLU-ProVals AI86.5%†87.6%†
LegalBenchVals AI86.0%†84.7%†
CorpFinVals AI61.1%†66.7%†
TaxEvalVals AI73.4%†74.7%†
MedQAVals AI96.3%†–
PRBench FinanceScale AI SEAL51.3%†–
PRBench LegalScale AI SEAL49.0%†–
MultiNRCScale AI SEAL52.1%†–
MMLU-Pro (HELM)HELM Capabilities86.3%†–
CaseLaw v2Vals AI66.5%†61.2%†
Excel Modeling BenchmarkVals AI–57.9%†
MedCodeVals AI49.6%†40.1%†
MedScribeVals AI83.7%†78.2%†
Public Benefits Bench v1.1Vals AI–56.6%†
EBR-benchEpoch AI Benchmarking Hub12.7%†2.4%†
GDP.pdfEpoch AI Benchmarking Hub–12.0%†
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
指令遵循
LiveBench LanguageLiveBench–75.1%
LiveBench Instruction FollowingLiveBench–64.4%
IFBenchArtificial Analysis70.6%76.0%
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1456†
人类偏好
Arena TextArena (LMArena)1427†1461†
EQ-Bench 4EQ-Bench–1191†
EQ-Bench Creative Writing v3EQ-Bench1626†1721†
Arena Creative WritingArena (LMArena)1389†1432†
Arena Multi-turnArena (LMArena)1449†1462†
Arena Longer QueriesArena (LMArena)1435†1478†
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1282†
MMMU-ProArtificial Analysis74.3%79.4%
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†86.3%†
MortgageTaxVals AI65.5%†65.8%†
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub–3.9%†
Furniture AssemblyEpoch AI Benchmarking Hub–21.7%†
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%81.0%
Arena DocumentArena (LMArena)–1450†
MLCRArtificial Analysis–11.1%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†151.6†
LiveBench 1.0LiveBench–70.5%
AA Intelligence Index v4.3.2Artificial Analysis22.927.0
AA Progress Index v1Artificial Analysis264.4284.4
HELM Capabilities meanHELM Capabilities80.7%†–
Vals Multimodal IndexVals AI–56.4%†
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
元数据
AA Openness IndexArtificial Analysis5.633.3

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。
  • Kimi K2.6 (thinking):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K2.6 (thinking):BenchLeader Index 59.8 → 59.3。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • GPT-5 (medium):1 项分数修订。
  • Kimi K2.6 (thinking):BenchLeader Index 60.3 → 59.8。
  • GPT-5 (medium):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 vs Kimi K2.6:常见问题

GPT-5 比 Kimi K2.6 更好吗?
GPT-5 (medium) 与 Kimi K2.6 (thinking) 的质量不相上下(59.0 比 59.3,在 ±8.9 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 Kimi K2.6 哪个更便宜?价格会变吗?
目前 Kimi K2.6 更便宜:每百万 token $1.71 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。
GPT-5 和 Kimi K2.6 哪个更快?
GPT-5 输出更快(约 2 倍;输出 82 比 41 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5 还是 Kimi K2.6 更好?
两者在智能体任务方面持平(类别得分 58 比 58)。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 为 37.9%,Kimi K2.6 为 43.9%。
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)。GPT-5 支持更长的上下文:400,000 token,Kimi K2.6 为 262,144 token。
更多问题(3)
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 93.1 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 Kimi K2.6 的看法一致吗?
在两者都有结果的 10 项基准测试中,GPT-5 领先 0 项,Kimi K2.6 领先 10 项。所有同时评测两者的综合评分都认为 Kimi K2.6 更强。
Kimi K2.6 是什么时候发布的?
Kimi K2.6 于 2026年4月20日 发布。