BenchLeader

GPT-6.1 Sol vs Grok 4

完整资料:GPT-6.1 Sol(OpenAI)和 Grok 4(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 17 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Grok 4(BenchLeader Index 66.6 比 58.1)。GPT-6.1 Sol 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。看重知识(72 比 56)、编程(71 比 56)和多模态(66 比 52)选 GPT-6.1 Sol;看重长上下文(68 比 66)选 Grok 4。Grok 4 的首次回答更快(17.5 秒 比 166.7 秒)。Grok 4 的输出更快。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Grok 4 为 58.1(BenchLeader,2026年11月16日)。
  • GPT-6.1 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Grok 4 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • Grok 4 比 GPT-6.1 Sol 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 20 项基准测试中,GPT-6.1 Sol 领先 20 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GPT-6.1 Sol类别得分 71 比 56;Arena Coding 1540 比 1435高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 59;Terminal-Bench 60.9% 比 27.2%中
数学GPT-6.1 Sol类别得分 72 比 58;Arena Maths 1499 比 1425高
推理GPT-6.1 Sol类别得分 71 比 60;GPQA Diamond 95.4% 比 87.0%高
知识GPT-6.1 Sol类别得分 72 比 56;MedCode 48.8% 比 38.1%高
长文档Grok 4类别得分 68 比 66;AA-LCR v1.1 68.0% 比 83.0%中
图像及其他媒体GPT-6.1 Sol类别得分 66 比 52;Arena Vision 1286 比 1210高
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 59高
成本最低GPT-6.1 Sol每百万 token 混合价格 $4.00 比 $6.00;智能体编程会话 $0.160 比 $0.240–
首次回答最快Grok 4首个回答 token 17.5 秒(Grok 4)比 166.7 秒(GPT-6.1 Sol (max))–
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

  • 质量上 GPT-6.1 Sol (max) 领先:66.6 比 58.1。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Grok 4 在长上下文方面更强。
  • GPT-6.1 Sol (max) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $4.00 比 $6.00)。
  • Grok 4 的输出速度是对方的 1.4 倍(69 比 50 token/秒)。

概览

规格GPT-6.1 SolGrok 4
提供商OpenAISpaceXAI
发布日期2026年9月29日2025年7月9日
上下文窗口(token)1,050,000256,000
对比时的配置GPT-6.1 Sol (max)Grok 4
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.100$3.00 / $15.00 / –

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-6.1 Sol (max)Grok 4领先者
推理71.460.0GPT-6.1 Sol
编程71.155.9GPT-6.1 Sol
智能体与工具64.358.6GPT-6.1 Sol
数学71.658.3GPT-6.1 Sol
知识71.556.0GPT-6.1 Sol
指令遵循–62.5无法比较
人类偏好67.158.5GPT-6.1 Sol
多模态65.652.0GPT-6.1 Sol
长上下文66.268.3Grok 4
综合67.9–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推理编程智能体与工具数学知识长上下文多模态人类偏好GPT-6.1 Sol, 推理: 71.4GPT-6.1 Sol, 编程: 71.1GPT-6.1 Sol, 智能体与工具: 64.3GPT-6.1 Sol, 数学: 71.6GPT-6.1 Sol, 知识: 71.5GPT-6.1 Sol, 长上下文: 66.2GPT-6.1 Sol, 多模态: 65.6GPT-6.1 Sol, 人类偏好: 67.1Grok 4, 推理: 60.0Grok 4, 编程: 55.9Grok 4, 智能体与工具: 58.6Grok 4, 数学: 58.3Grok 4, 知识: 56.0Grok 4, 长上下文: 68.3Grok 4, 多模态: 52.0Grok 4, 人类偏好: 58.5

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 20 项基准测试中,GPT-6.1 Sol 领先 20 项,Grok 4 领先 0 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。

综合 IndexGPT-6.1 Sol (max)Grok 4领先者
BenchLeader Index66.658.1GPT-6.1 Sol
Arena Text14811411GPT-6.1 Sol

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-6.1 Sol (max)Grok 4
每百万 token 混合价格$4.00$6.00
每百万 token 输入 / 输出$2.00 / $10.00$3.00 / $15.00
每百万 token 缓存输入$0.100–
每项任务价格:聊天回复$0.0038$0.0057
每项任务价格:总结一份 30 页的报告$0.030$0.045
每项任务价格:代码编辑$0.027$0.041
每项任务价格:智能体编程会话$0.160$0.240
每项任务价格:结构化信息提取$0.0060$0.0090
智能体编程会话(输入大多命中缓存)$0.074–
每项基准测试任务成本(AA Index)$1.27–
每项任务输出 token(AA Index)68k–
其中推理部分49k–
每项任务耗时(AA Index)23 min–
输出速度50 tok/s69 tok/s
首次回答时间166.7 秒17.5 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 秒42.8 秒

每个模型都按其排名最高的推理强度设置进行对比。GPT-6.1 Sol (max) 得分 66.6,首个回答 token 需 167 秒;GPT-6.1 Sol (xhigh) 为 63.6(68 秒),GPT-6.1 Sol (high) 为 63.4(33 秒)。Grok 4 得分 58.1,首个回答 token 需 18 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 192 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-6.1 Sol (max)Grok 4
BenchLeader IndexBenchLeader66.658.1
智能体与工具得分BenchLeader64.358.6
编程得分BenchLeader71.155.9
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.158.5
知识得分BenchLeader71.556.0
长上下文得分BenchLeader66.268.3
数学得分BenchLeader71.658.3
多模态得分BenchLeader65.652.0
推理得分BenchLeader71.460.0
指令遵循得分BenchLeader–62.5
混合价格(美元/百万 token)BenchLeader$4.00$6.00
输出速度BenchLeader50 tok/s69 tok/s
首次回答时间BenchLeader166.7 秒17.5 秒
上下文窗口BenchLeader1,050,000 token256,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%87.0%
SimpleBenchSimpleBench82.9%†60.5%
Arena Hard PromptsArena (LMArena)15051421
LiveBench 2.0 ReasoningLiveBench92.6%–
LiveBench 1.0 ReasoningLiveBench92.6%–
GPQA Diamond (AA)Artificial Analysis–87.7%
Humanity's Last Exam (AA)Artificial Analysis52.9%26.7%
HLE-Diamond (AA)Artificial Analysis58.8%–
GPQA Diamond (Vals)Vals AI–88.1%
Kagi LLM BenchmarkKagi LLM Benchmark–73.6%
GPQA Diamond (HELM)HELM Capabilities–72.6%
ARC-AGI-1ARC Prize96.5%66.7%†
ARC-AGI-2ARC Prize94.2%16.0%†
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%2.0%
CritPt v2 hard subset (AA)Artificial Analysis69.5%–
MysteryMechanismVals AI46.4%–
Arena ExpertArena (LMArena)15251429
Chess PuzzlesEpoch AI Benchmarking Hub68.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%–
LMCAEpoch AI Benchmarking Hub62.8%–
DTBenchEpoch AI Benchmarking Hub96.5%–
ForecastBenchForecastBench–64.7%
编程
SciCodeSciCode54.2%–
WeirdMLWeirdML–45.7%
显示全部 192 项基准测试
指标发布方GPT-6.1 Sol (max)Grok 4
编程
FrontierCodeCognition50.2%†–
Arena CodingArena (LMArena)15401435
Arena WebDevArena (LMArena)1743–
LiveBench 2.0 CodingLiveBench82.1%–
LiveBench 1.0 CodingLiveBench80.4%–
LiveCodeBenchVals AI–83.3%
IOIVals AI96.9%–
SWE-bench (Vals)Vals AI–57.8%
Aider PolyglotAider polyglot leaderboard–79.6%†
Code MigrationVals AI65.1%–
Code Migration v1.1Vals AI77.3%–
ProgramBenchVals AI3.0%–
SWE-bench MultimodalVals AI43.5%–
Vibe Code Bench v1.1Vals AI88.9%–
SWE Atlas v1.1Scale AI SEAL65.9%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL71.0%†–
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†–
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%†–
SWE-Bench Pro V2Scale AI SEAL96.1%†–
MirrorCodeEpoch AI Benchmarking Hub61.1%–
ALE-BenchEpoch AI Benchmarking Hub2743.8–
WeirdML v3WeirdML38.3%†–
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%–
Startrise FrontendStartrise78.6%†–
GameBench 2 OverallDuelLab GameBench 284.9†–
GameBench 2 by reasoning settingDuelLab GameBench 292.0†–
Design Arena WebsiteDesign Arena1315†1006
FrontierCode 1.1 (AA)Artificial Analysis49.1%–
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
LiveCodeBench (AA)Artificial Analysis–81.9%
智能体与工具
Terminal-BenchTerminal-Bench60.9%27.2%
GDPvalOpenAI–21.1%†
CybenchCybench–43.0%
APEX-AgentsMercor60.0%–
Arena AgentArena (LMArena)12.5–
LiveBench Long AgenticLiveBench65.6%–
LiveBench BrowserLiveBench93.3%–
LiveBench Agentic CodingLiveBench54.5%–
Terminal-Bench HardArtificial Analysis–37.9%
τ²-Bench Telecom (AA)Artificial Analysis–74.8%
HiL-BenchScale AI SEAL62.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%–
GDPval-AA v2.1Artificial Analysis1607–
Analyst Agent (AA)Artificial Analysis50.0%–
CyberBenchVals AI39.3%–
Finance Agent v2Vals AI52.0%–
Finance Agent v2.1Vals AI61.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%–
Legal Research BenchVals AI38.5%–
Robo-benchVals AI28.3%–
SREBenchVals AI50.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI–28.1%
Terminal-Bench 4.0 (Vals)Vals AI55.0%–
Terminal-Bench ScienceVals AI52.9%–
Arena SearchArena (LMArena)12491123
Arena Agent Task CompletionArena (LMArena)11.7–
BALROGBALROG–43.6%
DeepResearch BenchDeepResearch Bench–47.3%
PostTrainBenchEpoch AI Benchmarking Hub38.8%–
METR Time HorizonsMETR–66.6%
Vending-Bench 2Andon Labs12860.6†–
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%–
GDP.pdf (AA)Artificial Analysis31.0%–
Harvey LAB-AA v1.1Harvey6.9%–
AA-Briefcase v1.1Artificial Analysis1555–
GDPxGDPx by SemiAnalysis8.4%–
Design Arena AgenticDesign Arena1375–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis58.1%–
MKA (AA)Artificial Analysis47.7%–
FACTS SearchGoogle92.8%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%–
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%84.0%
ProofBenchVals AI99.0%†–
LiveBench MathematicsLiveBench96.8%–
AIME (Vals)Vals AI–90.6%
MGSMVals AI–90.9%
IMO 2025MathArena–21.4%
MathArena ApexMathArena–2.1%
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Omni-MATH (HELM)HELM Capabilities–60.3%
MATH 500Vals AI–96.2%
Arena MathsArena (LMArena)14991425
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
AIME 2025 (AA)Artificial Analysis–92.7%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%–
LiveBench 2.0 Data AnalysisLiveBench82.7%–
LiveBench ResearchLiveBench90.0%–
LiveBench 1.0 Data AnalysisLiveBench82.7%–
AA-Omniscience v1.1Artificial Analysis42.0–
MMLU-ProVals AI–85.3%
LegalBenchVals AI–83.2%
CorpFinVals AI–66.0%
TaxEvalVals AI–65.1%
MedQAVals AI–92.5%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
MMLU-Pro (HELM)HELM Capabilities–85.1%
BioMysteryBenchVals AI79.6%–
CaseLaw v2Vals AI–65.8%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%–
Excel Modeling Benchmark v1.1Vals AI71.1%–
MedCodeVals AI48.8%38.1%
MedScribeVals AI86.5%78.2%
Public Benefits Bench v1.1Vals AI59.3%–
Access to Justice BenchmarkVals AI65.8%–
Financial Coaching BenchVals AI68.5%–
Immigration BenchVals AI67.8%–
EBR-benchEpoch AI Benchmarking Hub54.3%–
GDP.pdfEpoch AI Benchmarking Hub35.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis61.8%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis48.1%–
Global-MMLU-Lite (AA)Artificial Analysis–89.5%
HealthBench Professional (AA)OpenAI65.1%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench90.1%–
LiveBench Instruction FollowingLiveBench74.2%–
IFBenchArtificial Analysis–53.7%
MultiChallengeScale AI SEAL82.0%†–
IFEval (HELM)HELM Capabilities–94.9%
WildBench (HELM)HELM Capabilities–79.7%
Arena Instruction FollowingArena (LMArena)14821396
人类偏好
Arena TextArena (LMArena)14811411
EQ-Bench 4EQ-Bench1272†–
Arena Creative WritingArena (LMArena)14491394
Arena Multi-turnArena (LMArena)14861413
Arena Longer QueriesArena (LMArena)14881416
Lech Mazur Creative WritingLech Mazur–76.9%
多模态
Arena VisionArena (LMArena)12861210
LiveBench DesignLiveBench79.6%–
MMMU-ProArtificial Analysis86.0%68.8%
MMMU-Pro (Vals)Vals AI–76.3%
MortgageTaxVals AI–44.5%
SAGEVals AI90.5%–
Humanity's Sixth SenseScale AI SEAL46.6%–
GeoBenchGeoBench–45.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub43.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%–
VIALS-AAHandshake AI59.0%–
Code2Video-AAArtificial Analysis1369–
AA-3DArtificial Analysis1121–
FACTS MultimodalGoogle52.6%†–
长上下文
Fiction.LiveBench 120kFiction.live–96.9%
AA-LCR v1.1Artificial Analysis83.0%68.0%
MLCRArtificial Analysis38.3%–
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†146.9
LiveBench 2.0LiveBench81.4%–
LiveBench 1.0LiveBench81.6%–
AA Intelligence Index v5.0.1Artificial Analysis54.6–
AA Intelligence Index v4.3.2Artificial Analysis51.822.5
AA Progress Index v1Artificial Analysis348.5262.3
Vals IndexVals AI63.9–
HELM Capabilities meanHELM Capabilities–78.5%
Vals Finance IndexVals AI55.8%–
Vals RSI IndexVals AI26.6%–
Vals Science IndexVals AI59.6%–
Vals Router IndexVals AI63.9%†–
Vals Legal IndexVals AI68.7%–
安全与诚实
DistressBenchScale AI SEAL74.2%†–
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

  • GPT-6.1 Sol (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…);1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Grok 4:1 项新结果(AIME 2025 (AA))。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 项分数修订。
  • Grok 4:1 项新结果(Arena Search)。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

GPT-6.1 Sol vs Grok 4:常见问题

GPT-6.1 Sol 比 Grok 4 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 58.1。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6.1 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-6.1 Sol 和 Grok 4 哪个更便宜?价格会变吗?
目前 GPT-6.1 Sol 更便宜:每百万 token $4.00 比 $6.00(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-6.1 Sol 还是 Grok 4 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,GPT-6.1 Sol 为 1540,Grok 4 为 1435。
GPT-6.1 Sol 和 Grok 4 哪个更快?
Grok 4 输出更快(输出 69 比 50 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6.1 Sol 还是 Grok 4 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 59,50 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-6.1 Sol 为 60.9%,Grok 4 为 27.2%。
更多问题(4)
处理长文档哪个更好?
Grok 4 在长上下文基准测试上得分更高(68 比 66)。GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Grok 4 为 256,000 token。
哪个延迟更低?
Grok 4 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 17.5 秒比 166.7 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-6.1 Sol 和 Grok 4 的看法一致吗?
在两者都有结果的 20 项基准测试中,GPT-6.1 Sol 领先 20 项,Grok 4 领先 0 项。所有同时评测两者的综合评分都认为 GPT-6.1 Sol 更强。
GPT-6.1 Sol 是什么时候发布的?
GPT-6.1 Sol 于 2026年9月29日 发布。