BenchLeader

GPT-6.1 Sol vs Grok 4.5

完整资料:GPT-6.1 Sol(OpenAI)和 Grok 4.5(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 19 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Grok 4.5(BenchLeader Index 66.6 比 59.3)。不过,Grok 4.5 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Grok 4.5 为 59.3(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 4.5 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 21 项基准测试中,GPT-6.1 Sol 领先 18 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Sol 的评分为 1743,Grok 4.5 为 1553(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-6.1 Sol类别得分 71 比 57;Arena WebDev 1743 比 1553高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 55;APEX-Agents 60.0% 比 56.2%高
数学GPT-6.1 Sol类别得分 72 比 65;Arena Maths 1499 比 1470中
推理GPT-6.1 Sol类别得分 71 比 67;Arena Hard Prompts 1505 比 1488中
图像及其他媒体GPT-6.1 Sol类别得分 66 比 63;Arena Vision 1286 比 1288中
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 65中
成本最低Grok 4.5每百万 token 混合价格 $3.00 比 $4.00;智能体编程会话 $0.144 比 $0.160–
首次回答最快Grok 4.5首个回答 token 1.4 秒(Grok 4.5)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 59.3。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、数学、多模态、推理方面更强。
  • Grok 4.5 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $3.00 比 $4.00)。

概览

规格GPT-6.1 SolGrok 4.5
提供商OpenAISpaceXAI
发布日期2026年9月29日2026年7月8日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-6.1 Sol (max)Grok 4.5
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$2.00 / $6.00 / $0.300

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 4.5领先者
推理71.466.5GPT-6.1 Sol
编程71.156.7GPT-6.1 Sol
智能体与工具64.354.5GPT-6.1 Sol
数学71.665.1GPT-6.1 Sol
知识71.5–无法比较
人类偏好67.165.2GPT-6.1 Sol
多模态65.663.1GPT-6.1 Sol
长上下文66.2–无法比较
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, 多模态: 65.6GPT-6.1 Sol, 人类偏好: 67.1Grok 4.5, 推理: 66.5Grok 4.5, 编程: 56.7Grok 4.5, 智能体与工具: 54.5Grok 4.5, 数学: 65.1Grok 4.5, 多模态: 63.1Grok 4.5, 人类偏好: 65.2

未绘制(测得的模型少于两个):知识, 指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 21 项基准测试中,GPT-6.1 Sol 领先 18 项,Grok 4.5 领先 3 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 4.5领先者
BenchLeader Index66.659.3GPT-6.1 Sol
Arena Text14811466GPT-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 4.5
每百万 token 混合价格$4.00$3.00
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $6.00
每百万 token 缓存输入$0.100$0.300
每项任务价格:聊天回复$0.0038$0.0026
每项任务价格:总结一份 30 页的报告$0.030$0.028
每项任务价格:代码编辑$0.027$0.021
每项任务价格:智能体编程会话$0.160$0.144
每项任务价格:结构化信息提取$0.0060$0.0052
智能体编程会话(输入大多命中缓存)$0.074$0.068
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/s49 tok/s
首次回答时间166.7 秒1.4 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 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 4.5 得分 59.3,首个回答 token 需 1 秒;Grok 4.5 (high) 为 56.8(10 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 175 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 4.5
BenchLeader IndexBenchLeader66.659.3
智能体与工具得分BenchLeader64.354.5
编程得分BenchLeader71.156.7
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.165.2
知识得分BenchLeader71.5–
长上下文得分BenchLeader66.2–
数学得分BenchLeader71.665.1
多模态得分BenchLeader65.663.1
推理得分BenchLeader71.466.5
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader50 tok/s49 tok/s
首次回答时间BenchLeader166.7 秒1.4 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%93.4%†
SimpleBenchSimpleBench82.9%†70.0%
Arena Hard PromptsArena (LMArena)15051488
LiveBench 2.0 ReasoningLiveBench92.6%–
LiveBench 1.0 ReasoningLiveBench92.6%87.2%
GPQA Diamond (AA)Artificial Analysis–93.1%†
Humanity's Last Exam (AA)Artificial Analysis52.9%42.7%†
HLE-Diamond (AA)Artificial Analysis58.8%–
GPQA Diamond (Vals)Vals AI–92.9%†
Kagi LLM BenchmarkKagi LLM Benchmark–83.5%
ARC-AGI-1ARC Prize96.5%85.7%†
ARC-AGI-2ARC Prize94.2%52.6%†
ARC-AGI-3ARC Prize96.2%0.3%†
CritPtArtificial Analysis31.7%15.4%†
CritPt v2 hard subset (AA)Artificial Analysis69.5%–
MysteryMechanismVals AI46.4%–
Arena ExpertArena (LMArena)15251489
Chess PuzzlesEpoch AI Benchmarking Hub68.0%35.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%–
LMCAEpoch AI Benchmarking Hub62.8%45.2%†
DTBenchEpoch AI Benchmarking Hub96.5%96.5%†
ForecastBenchForecastBench–65.8%†
编程
SciCodeSciCode54.2%55.0%†
WeirdMLWeirdML–46.4%
FrontierCodeCognition50.2%†42.4%
显示全部 175 项基准测试
指标发布方GPT-6.1 Sol (max)Grok 4.5
编程
Arena CodingArena (LMArena)15401514
Arena WebDevArena (LMArena)17431553
LiveBench 2.0 CodingLiveBench82.1%–
LiveBench 1.0 CodingLiveBench80.4%68.6%
LiveCodeBenchVals AI–87.3%†
IOIVals AI96.9%40.6%†
SWE-bench (Vals)Vals AI–86.6%†
Code MigrationVals AI65.1%36.6%†
Code Migration v1.1Vals AI77.3%–
ProgramBenchVals AI3.0%0.0%†
SWE-bench MultimodalVals AI43.5%–
Vibe Code Bench v1.1Vals AI88.9%69.0%†
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%32.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub–74.4%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.8%†
ALE-BenchEpoch AI Benchmarking Hub2743.81309.3†
WeirdML v3WeirdML38.3%†–
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%10.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis–81.7%†
Startrise FrontendStartrise78.6%†68.0%
GameBench 2 OverallDuelLab GameBench 284.9†56.7
GameBench 2 by reasoning settingDuelLab GameBench 292.0†61.5†
Design Arena WebsiteDesign Arena1315†1273
FrontierCode 1.1 (AA)Artificial Analysis49.1%–
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench60.9%12.4%†
APEX-AgentsMercor60.0%56.2%
Arena AgentArena (LMArena)12.5–
LiveBench Long AgenticLiveBench65.6%–
LiveBench BrowserLiveBench93.3%–
LiveBench Agentic CodingLiveBench54.5%56.5%
Terminal-Bench 2.1 (Vals)Vals AI–67.8%†
HiL-BenchScale AI SEAL62.3%†–
τ³-bench Bankingτ²-bench–47.9%†
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%–
GDPval-AA v2.1Artificial Analysis16071388†
τ³-Banking (AA)Artificial Analysis–42.1%†
Analyst Agent (AA)Artificial Analysis50.0%35.0%†
CyberBenchVals AI39.3%71.0%†
Finance Agent v2Vals AI52.0%48.4%†
Finance Agent v2.1Vals AI61.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%12.9%†
Legal Research BenchVals AI38.5%38.0%†
Robo-benchVals AI28.3%–
SkillsBenchVals AI–66.0%†
SREBenchVals AI50.8%0.8%†
Tax Agent BenchVals AI21.8%24.9%†
Terminal-Bench 4.0 (Vals)Vals AI55.0%8.6%†
Terminal-Bench ScienceVals AI52.9%–
Time Horizon Index: KSPVals AI–6.3%†
Web Search IndexVals AI–35.5%†
Arena SearchArena (LMArena)12491205
Arena Agent Task CompletionArena (LMArena)11.7–
PostTrainBenchEpoch AI Benchmarking Hub38.8%22.6%†
GBAEvalEpoch AI Benchmarking Hub–65.4%
Vending-Bench 2Andon Labs12860.6†3887.4
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%57.9%†
GDP.pdf (AA)Artificial Analysis31.0%18.8%†
Harvey LAB-AA v1.1Harvey6.9%–
EnterpriseOps-GymArtificial Analysis–40.8%†
AA-Briefcase v1.1Artificial Analysis15551277†
GDPxGDPx by SemiAnalysis8.4%–
Design Arena AgenticDesign Arena13751221
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%57.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%24.4%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%97.8%†
ProofBenchVals AI99.0%†31.0%†
LiveBench MathematicsLiveBench96.8%90.8%
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991470
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%48.3%†
LiveBench 2.0 Data AnalysisLiveBench82.7%–
LiveBench ResearchLiveBench90.0%–
LiveBench 1.0 Data AnalysisLiveBench82.7%73.0%
AA-Omniscience v1.1Artificial Analysis42.0–
MMLU-ProVals AI–89.2%†
LegalBenchVals AI–86.0%†
CorpFinVals AI–67.4%†
TaxEvalVals AI–71.7%†
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
BioMysteryBenchVals AI79.6%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%52.9%†
Excel Modeling Benchmark v1.1Vals AI71.1%–
MedCodeVals AI48.8%43.3%†
MedScribeVals AI86.5%86.9%†
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%14.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis61.8%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis48.1%–
HealthBench Professional (AA)OpenAI65.1%–
FACTS ParametricGoogle83.8%†42.5%
指令遵循
LiveBench LanguageLiveBench90.1%82.8%
LiveBench Instruction FollowingLiveBench74.2%71.5%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821462
人类偏好
Arena TextArena (LMArena)14811466
EQ-Bench 4EQ-Bench1272†–
EQ-Bench Creative Writing v3EQ-Bench–1576
Arena Creative WritingArena (LMArena)14491452
Arena Multi-turnArena (LMArena)14861472
Arena Longer QueriesArena (LMArena)14881480
多模态
Arena VisionArena (LMArena)12861288
LiveBench DesignLiveBench79.6%–
MMMU-ProArtificial Analysis86.0%80.4%†
MMMU-Pro (Vals)Vals AI–61.8%†
MortgageTaxVals AI–61.8%†
SAGEVals AI90.5%–
Humanity's Sixth SenseScale AI SEAL46.6%–
Blueprint-Bench 2Epoch AI Benchmarking Hub43.2%†27.3%
Furniture AssemblyEpoch AI Benchmarking Hub80.0%22.5%†
VIALS-AAHandshake AI59.0%–
Code2Video-AAArtificial Analysis1369–
AA-3DArtificial Analysis1121–
FACTS MultimodalGoogle52.6%†–
长上下文
AA-LCR v1.1Artificial Analysis83.0%79.3%†
Arena DocumentArena (LMArena)–1466
MLCRArtificial Analysis38.3%16.1%†
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†155.0
LiveBench 2.0LiveBench81.4%–
LiveBench 1.0LiveBench81.6%75.8%
AA Intelligence Index v5.0.1Artificial Analysis54.6–
AA Intelligence Index v4.3.2Artificial Analysis51.838.8†
AA Progress Index v1Artificial Analysis348.5312.3†
Vals IndexVals AI63.9–
Vals Finance IndexVals AI55.8%–
Vals RSI IndexVals AI26.6%–
Vals Science IndexVals AI59.6%–
Vals Multimodal IndexVals AI–63.4%†
Vals Router IndexVals AI63.9%†–
Vals Legal IndexVals AI68.7%–
安全与诚实
DistressBenchScale AI SEAL74.2%†–

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。
  • GPT-6.1 Sol (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项新结果(PostTrainBench)。
  • Grok 4.5:BenchLeader Index 59.9 → 59.3。
  • 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 4.5:1 项分数修订。

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 4.5:常见问题

GPT-6.1 Sol 比 Grok 4.5 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 59.3。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 4.5 哪个更便宜?价格会变吗?
目前 Grok 4.5 更便宜:每百万 token $3.00 比 $4.00(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 4.5 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 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-6.1 Sol 为 1743,Grok 4.5 为 1553。
GPT-6.1 Sol 和 Grok 4.5 哪个更快?
GPT-6.1 Sol 输出更快(输出 50 比 49 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 4.5 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,GPT-6.1 Sol 为 60.0%,Grok 4.5 为 56.2%。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Grok 4.5 为 500,000 token。
哪个延迟更低?
Grok 4.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.4 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 4.5 的看法一致吗?
在两者都有结果的 21 项基准测试中,GPT-6.1 Sol 领先 18 项,Grok 4.5 领先 3 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。