BenchLeader

GPT-5 vs Mimo v2 Pro

完整资料:GPT-5(OpenAI)和 Mimo v2 Pro(Xiaomi),包括全部基准测试、价格和排名。

更新于 · 数据来自 9 个来源

截至 2026年11月16日,GPT-5 与 Mimo v2 Pro 的质量不相上下(BenchLeader Index 59.0 比 59.1,在 ±7.2 的误差范围内)。看重长上下文(70 比 59)、编程(57 比 52)和数学(65 比 63)选 GPT-5;看重推理(64 比 48)和智能体与工具(69 比 58)选 Mimo v2 Pro。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Mimo v2 Pro 为 59.1(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)。
  • 在两者都有结果的 9 项基准测试中,Mimo v2 Pro 领先 7 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5 的评分为 1417,Mimo v2 Pro 为 1434(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GPT-5类别得分 57 比 52;Arena WebDev 1417 比 1434中
智能体与工具调用Mimo v2 Pro类别得分 69 比 58;Terminal-Bench Hard 40.9% 比 37.9%高
数学GPT-5类别得分 65 比 63中
推理Mimo v2 Pro类别得分 64 比 48;GPQA Diamond (AA) 87.0% 比 84.2%高
长文档GPT-5类别得分 70 比 59;AA-LCR v1.1 76.0% 比 68.3%高
指令遵循GPT-5类别得分 69 比 68;IFBench 70.6% 比 68.8%中
对话质量(人类偏好)–只有 Mimo v2 Pro 有 Arena 评分(类别得分 63)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 (medium) 与 Mimo v2 Pro 的质量不相上下(59.0 比 59.1,在 ±7.2 的误差范围内)。
  • GPT-5 (medium) 在编程、指令遵循、长上下文、数学方面更强。
  • Mimo v2 Pro 在智能体与工具、推理方面更强。

概览

规格GPT-5Mimo v2 Pro
提供商OpenAIXiaomi
发布日期2025年8月7日2026年3月18日
上下文窗口(token)400,0001,000,000
对比时的配置GPT-5 (medium)Mimo v2 Pro
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–

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)Mimo v2 Pro领先者
推理47.963.7Mimo v2 Pro
编程57.451.7GPT-5
智能体与工具58.169.4Mimo v2 Pro
数学65.462.9GPT-5
指令遵循69.467.9GPT-5
人类偏好–63.1无法比较
多模态56.6–无法比较
长上下文70.458.5GPT-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指令遵循长上下文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, 指令遵循: 69.4GPT-5, 长上下文: 70.4Mimo v2 Pro, 推理: 63.7Mimo v2 Pro, 编程: 51.7Mimo v2 Pro, 智能体与工具: 69.4Mimo v2 Pro, 数学: 62.9Mimo v2 Pro, 指令遵循: 67.9Mimo v2 Pro, 长上下文: 58.5

未绘制(测得的模型少于两个):知识, 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 9 项基准测试中,GPT-5 领先 2 项,Mimo v2 Pro 领先 7 项。所有同时评测两者的综合评分都认为 Mimo v2 Pro 更强。

综合 IndexGPT-5 (medium)Mimo v2 Pro领先者
BenchLeader Index59.059.1不相上下
Arena Text1435†1448Mimo v2 Pro

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)Mimo v2 Pro
每百万 token 混合价格$3.44–
每百万 token 输入 / 输出$1.25 / $10.00– / –
每百万 token 缓存输入$0.125–
每项任务价格:聊天回复$0.0035–
每项任务价格:总结一份 30 页的报告$0.021–
每项任务价格:代码编辑$0.022–
每项任务价格:智能体编程会话$0.115–
每项任务价格:结构化信息提取$0.0045–
智能体编程会话(输入大多命中缓存)$0.064–
输出速度82 tok/s–
首次回答时间22.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)66.2 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)。Mimo v2 Pro 得分 59.1。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 115 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)Mimo v2 Pro
BenchLeader IndexBenchLeader59.059.1
智能体与工具得分BenchLeader58.169.4
编程得分BenchLeader57.451.7
指令遵循得分BenchLeader69.467.9
长上下文得分BenchLeader70.458.5
数学得分BenchLeader65.462.9
多模态得分BenchLeader56.6–
推理得分BenchLeader47.963.7
人类偏好得分BenchLeader–63.1
混合价格(美元/百万 token)BenchLeader$3.44–
输出速度BenchLeader82 tok/s–
首次回答时间BenchLeader22.9 秒–
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%–
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†–
Arena Hard PromptsArena (LMArena)1449†1475
GPQA Diamond (AA)Artificial Analysis84.2%87.0%
Humanity's Last Exam (AA)Artificial Analysis25.4%30.4%
GPQA Diamond (Vals)Vals AI85.6%†–
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%0.3%
CritPt v2 hard subset (AA)Artificial Analysis11.5%†–
Arena ExpertArena (LMArena)1445†1493
Chess PuzzlesEpoch AI Benchmarking Hub32.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%–
CL-benchEpoch AI Benchmarking Hub–15.7%
CL-bench LifeEpoch AI Benchmarking Hub–6.9%
LMCAEpoch AI Benchmarking Hub40.0%†–
DTBenchEpoch AI Benchmarking Hub90.7%†–
ForecastBenchForecastBench65.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
SciCodeSciCode42.9%†–
WeirdMLWeirdML39.8%†–
GSO-BenchGSO-Bench6.9%†–
显示全部 115 项基准测试
指标发布方GPT-5 (medium)Mimo v2 Pro
编程
Arena CodingArena (LMArena)1462†1503
Arena WebDevArena (LMArena)14171434
LiveCodeBenchVals AI85.9%†–
SWE-bench (Vals)Vals AI69.0%†–
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%†–
Vibe Code Bench v1.1Vals AI20.1%†–
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†–
ALE-BenchEpoch AI Benchmarking Hub1162.5†785.2
AlgoTuneAlgoTune1.7†–
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†–
GameBench 2 by reasoning settingDuelLab GameBench 238.0–
Design Arena WebsiteDesign Arena1174†–
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%–
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
Terminal-Bench HardArtificial Analysis37.9%40.9%
τ²-Bench Telecom (AA)Artificial Analysis86.5%95.0%
GDPval-AA v2.1Artificial Analysis925†–
τ³-Banking (AA)Artificial Analysis22.1%†–
Poker AgentVals AI1103.2%†–
Terminal-Bench 2.0 (Vals)Vals AI37.1%†–
Arena SearchArena (LMArena)1189†–
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%–
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†–
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†1450
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†–
MMLU-ProVals AI86.5%†–
LegalBenchVals AI86.0%†–
CorpFinVals AI61.1%†–
TaxEvalVals AI73.4%†–
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%†–
MedCodeVals AI49.6%†–
MedScribeVals AI83.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†–
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
指令遵循
IFBenchArtificial Analysis70.6%68.8%
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1446
人类偏好
Arena TextArena (LMArena)1427†1448
EQ-Bench Creative Writing v3EQ-Bench1626†–
Arena Creative WritingArena (LMArena)1389†1424
Arena Multi-turnArena (LMArena)1449†1467
Arena Longer QueriesArena (LMArena)1435†1467
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†–
MMMU-ProArtificial Analysis74.3%–
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†–
MortgageTaxVals AI65.5%†–
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%–
VPCTEpoch AI Benchmarking Hub63.2%–
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%68.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†–
AA Intelligence Index v4.3.2Artificial Analysis22.928.6
AA Progress Index v1Artificial Analysis264.4279
HELM Capabilities meanHELM Capabilities80.7%†–
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。
  • 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。
  • Mimo v2 Pro:BenchLeader Index 59.7 → 59.1。
  • GPT-5 (medium):1 项新结果(AA Progress Index v1)。
  • Mimo v2 Pro:1 项新结果(AA Progress Index v1)。
  • Mimo v2 Pro:BenchLeader Index 60.2 → 59.7。

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 Mimo v2 Pro:常见问题

GPT-5 比 Mimo v2 Pro 更好吗?
GPT-5 (medium) 与 Mimo v2 Pro 的质量不相上下(59.0 比 59.1,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。
编程用 GPT-5 还是 Mimo v2 Pro 更好?
GPT-5 在编程方面得分更高(类别得分 57 比 52,50 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,Mimo v2 Pro 为 1434。
智能体和工具调用用 GPT-5 还是 Mimo v2 Pro 更好?
Mimo v2 Pro 在智能体任务方面得分更高(类别得分 69 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 Hard 上,GPT-5 为 37.9%,Mimo v2 Pro 为 40.9%。
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 59)。Mimo v2 Pro 支持更长的上下文:1,000,000 token,GPT-5 为 400,000 token。
第三方基准测试对 GPT-5 和 Mimo v2 Pro 的看法一致吗?
在两者都有结果的 9 项基准测试中,GPT-5 领先 2 项,Mimo v2 Pro 领先 7 项。所有同时评测两者的综合评分都认为 Mimo v2 Pro 更强。
更多问题(1)
Mimo v2 Pro 是什么时候发布的?
Mimo v2 Pro 于 2026年3月18日 发布。