BenchLeader

GPT-6.1 Sol vs Grok 4.7

完整资料:GPT-6.1 Sol(OpenAI)和 Grok 4.7(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Grok 4.7(BenchLeader Index 66.6 比 57.4)。不过,Grok 4.7 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。Grok 4.7 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 4.7 为 57.4(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 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Grok 4.7 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 106 项基准测试中,GPT-6.1 Sol 领先 82 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Sol 的评分为 1743,Grok 4.7 为 1641(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 61;Arena WebDev 1743 比 1641高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 57;Terminal-Bench 60.9% 比 38.8%中
数学GPT-6.1 Sol类别得分 72 比 56;FrontierMath Tiers 1–3 93.7% 比 53.0%高
推理GPT-6.1 Sol类别得分 71 比 56;GPQA Diamond 95.4% 比 92.7%高
知识GPT-6.1 Sol类别得分 72 比 60;SimpleQA Verified 73.9% 比 56.0%高
长文档GPT-6.1 Sol类别得分 66 比 63;AA-LCR v1.1 83.0% 比 76.7%中
图像及其他媒体GPT-6.1 Sol类别得分 66 比 56;Arena Vision 1286 比 1230高
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 63中
成本最低Grok 4.7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 4.7首个回答 token 55.9 秒(Grok 4.7 (xhigh))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 57.4。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、综合、人类偏好、知识、长上下文、数学、多模态、推理方面更强。
  • Grok 4.7 (xhigh) 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)。
  • Grok 4.7 (xhigh) 的输出速度是对方的 1.4 倍(68 比 50 token/秒)。

概览

规格GPT-6.1 SolGrok 4.7
提供商OpenAISpaceXAI
发布日期2026年9月29日2026年9月21日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-6.1 Sol (max)Grok 4.7 (xhigh)
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 / $0.500

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-6.1 Sol (max)Grok 4.7 (xhigh)领先者
推理71.455.6GPT-6.1 Sol
编程71.160.9GPT-6.1 Sol
智能体与工具64.356.9GPT-6.1 Sol
数学71.655.8GPT-6.1 Sol
知识71.559.9GPT-6.1 Sol
人类偏好67.162.5GPT-6.1 Sol
多模态65.655.5GPT-6.1 Sol
长上下文66.262.9GPT-6.1 Sol
综合67.952.8GPT-6.1 Sol

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 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5Grok 4.7, 人类偏好: 62.5

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 106 项基准测试中,GPT-6.1 Sol 领先 82 项,Grok 4.7 领先 24 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 4.7 (xhigh)领先者
BenchLeader Index66.657.4GPT-6.1 Sol
AA Intelligence Index v5.0.154.635.5GPT-6.1 Sol
Vals Index63.958.6GPT-6.1 Sol
Arena Text14811443GPT-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 4.7 (xhigh)
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$0.500
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$0.076
每项基准测试任务成本(AA Index)$1.27$7.77
每项任务输出 token(AA Index)68k105k
其中推理部分49k69k
每项任务耗时(AA Index)23 min26 min
输出速度50 tok/s68 tok/s
首次回答时间166.7 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 秒145.5 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 GPT-6.1 Sol (max) 上花费 $1.27,在 Grok 4.7 (xhigh) 上花费 $7.77;完成同样的工作,Grok 4.7 (xhigh) 输出的 token 是对方的 1.5 倍,这是只看 token 单价看不出来的。

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 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(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 161 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 4.7 (xhigh)
BenchLeader IndexBenchLeader66.657.4
智能体与工具得分BenchLeader64.356.9
编程得分BenchLeader71.160.9
综合得分BenchLeader67.952.8
人类偏好得分BenchLeader67.162.5
知识得分BenchLeader71.559.9
长上下文得分BenchLeader66.262.9
数学得分BenchLeader71.655.8
多模态得分BenchLeader65.655.5
推理得分BenchLeader71.455.6
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader50 tok/s68 tok/s
首次回答时间BenchLeader166.7 秒55.9 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%92.7%
SimpleBenchSimpleBench82.9%†–
Arena Hard PromptsArena (LMArena)15051466
LiveBench 2.0 ReasoningLiveBench92.6%82.7%
LiveBench 1.0 ReasoningLiveBench92.6%82.7%
Humanity's Last Exam (AA)Artificial Analysis52.9%43.1%
HLE-Diamond (AA)Artificial Analysis58.8%23.2%
ARC-AGI-1ARC Prize96.5%89.5%
ARC-AGI-2ARC Prize94.2%61.4%
ARC-AGI-3ARC Prize96.2%7.0%
CritPtArtificial Analysis31.7%17.7%
CritPt v2 hard subset (AA)Artificial Analysis69.5%33.5%
MysteryMechanismVals AI46.4%25.2%
HLE-Diamond (Scale)Scale AI SEAL–23.4%†
Arena ExpertArena (LMArena)15251478
Chess PuzzlesEpoch AI Benchmarking Hub68.0%41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%29.0%
LMCAEpoch AI Benchmarking Hub62.8%49.4%
DTBenchEpoch AI Benchmarking Hub96.5%96.0%
编程
SciCodeSciCode54.2%57.4%
FrontierCodeCognition50.2%†47.6%†
Arena CodingArena (LMArena)15401493
Arena WebDevArena (LMArena)17431641
LiveBench 2.0 CodingLiveBench82.1%73.1%
LiveBench 1.0 CodingLiveBench80.4%77.2%
显示全部 161 项基准测试
指标发布方GPT-6.1 Sol (max)Grok 4.7 (xhigh)
编程
IOIVals AI96.9%57.7%
Code MigrationVals AI65.1%44.8%
Code Migration v1.1Vals AI77.3%53.2%
ProgramBenchVals AI3.0%0.5%
SWE-bench MultimodalVals AI43.5%42.9%
Vibe Code Bench v1.1Vals AI88.9%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE Atlas v1.1Scale AI SEAL65.9%†62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL71.0%†73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%†48.6%†
SWE-Bench Pro V2Scale AI SEAL96.1%†–
MirrorCodeEpoch AI Benchmarking Hub61.1%54.4%
CursorBenchCursor–46.3%
ALE-BenchEpoch AI Benchmarking Hub2743.81545.8
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML38.3%†8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%25.8%
Startrise FrontendStartrise78.6%†75.9%†
GameBench 2 OverallDuelLab GameBench 284.9†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 292.0†71.2
Design Arena WebsiteDesign Arena1315†1244†
FrontierCode 1.1 (AA)Artificial Analysis49.1%33.8%
FrontierCode 2.0 (AA)Artificial Analysis40.6%28.7%
智能体与工具
Terminal-BenchTerminal-Bench60.9%38.8%
APEX-AgentsMercor60.0%54.6%†
Arena AgentArena (LMArena)12.52.6
LiveBench Long AgenticLiveBench65.6%45.3%
LiveBench BrowserLiveBench93.3%49.3%
LiveBench Agentic CodingLiveBench54.5%54.0%
Terminal-Bench 2.1 (Vals)Vals AI–73.4%
HiL-BenchScale AI SEAL62.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%60.7%
GDPval-AA v2.1Artificial Analysis16071717
ITBench SRE (AA)Artificial Analysis–42.1%
Analyst Agent (AA)Artificial Analysis50.0%52.5%
CyberBenchVals AI39.3%69.5%
Finance Agent v2Vals AI52.0%52.3%
Finance Agent v2.1Vals AI61.8%60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%18.3%
Harvey's Legal Agent Benchmark v1Vals AI5.4%12.5%
Legal Research BenchVals AI38.5%47.1%
Robo-benchVals AI28.3%0.2%
SREBenchVals AI50.8%3.8%
Tax Agent BenchVals AI21.8%35.8%
Terminal-Bench 4.0 (Vals)Vals AI55.0%28.8%
Terminal-Bench ScienceVals AI52.9%10.0%
Arena SearchArena (LMArena)1249–
Arena Agent Task CompletionArena (LMArena)11.75.1
PostTrainBenchEpoch AI Benchmarking Hub38.8%–
Vending-Bench 2Andon Labs12860.6†10536.8†
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%65.6%
GDP.pdf (AA)Artificial Analysis31.0%20.0%
Harvey LAB-AA v1.1Harvey6.9%9.4%
AA-Briefcase v1.1Artificial Analysis15551636
GDPxGDPx by SemiAnalysis8.4%3.9%
Design Arena AgenticDesign Arena13751277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis58.1%11.4%
CWE-Bench (AA)Artificial Analysis–68.3%
DeepSec-Bench (AA)Artificial Analysis–26.9%
CyberGym end-to-end (AA)Artificial Analysis–74.0%
MKA (AA)Artificial Analysis47.7%40.1%
FACTS SearchGoogle92.8%†85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%98.1%
ProofBenchVals AI99.0%†26.0%†
LiveBench MathematicsLiveBench96.8%95.7%
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991447
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%56.0%
LiveBench 2.0 Data AnalysisLiveBench82.7%76.9%
LiveBench ResearchLiveBench90.0%89.5%
LiveBench 1.0 Data AnalysisLiveBench82.7%76.9%
AA-Omniscience v1.1Artificial Analysis42.031.2
LegalBenchVals AI–84.4%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†47.6%
BioMysteryBenchVals AI79.6%69.3%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%67.0%
Excel Modeling Benchmark v1.1Vals AI71.1%71.5%
MedCodeVals AI48.8%49.5%
MedScribeVals AI86.5%89.4%
Public Benefits Bench v1.1Vals AI59.3%65.6%
Access to Justice BenchmarkVals AI65.8%73.7%
Financial Coaching BenchVals AI68.5%74.1%
Immigration BenchVals AI67.8%68.0%
EBR-benchEpoch AI Benchmarking Hub54.3%–
GDP.pdfEpoch AI Benchmarking Hub35.0%22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis61.8%42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis48.1%80.0%
HealthBench Professional (AA)OpenAI65.1%55.8%
FACTS ParametricGoogle83.8%†54.3%†
指令遵循
LiveBench LanguageLiveBench90.1%80.1%
LiveBench Instruction FollowingLiveBench74.2%75.3%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821435
人类偏好
Arena TextArena (LMArena)14811443
EQ-Bench 4EQ-Bench1272†–
EQ-Bench Creative Writing v3EQ-Bench–2012†
Arena Creative WritingArena (LMArena)14491421
Arena Multi-turnArena (LMArena)14861435
Arena Longer QueriesArena (LMArena)14881454
多模态
Arena VisionArena (LMArena)12861230
LiveBench DesignLiveBench79.6%75.0%
MMMU-ProArtificial Analysis86.0%78.2%†
SAGEVals AI90.5%88.7%
Humanity's Sixth SenseScale AI SEAL46.6%–
GeoBenchGeoBench–61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub43.2%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub80.0%20.8%
VIALS-AAHandshake AI59.0%37.9%
Code2Video-AAArtificial Analysis13691127
AA-3DArtificial Analysis1121992
FACTS MultimodalGoogle52.6%†40.9%†
长上下文
AA-LCR v1.1Artificial Analysis83.0%76.7%
MLCRArtificial Analysis38.3%20.0%
FACTS GroundingGoogle78.0%†68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†156.2†
LiveBench 2.0LiveBench81.4%67.9%
LiveBench 1.0LiveBench81.6%77.4%
AA Intelligence Index v5.0.1Artificial Analysis54.635.5
AA Intelligence Index v4.3.2Artificial Analysis51.846.5
AA Progress Index v1Artificial Analysis348.5322.7
Vals IndexVals AI63.958.6
Vals Finance IndexVals AI55.8%58.8%
Vals RSI IndexVals AI26.6%20.2%
Vals Science IndexVals AI59.6%34.8%
Vals Router IndexVals AI63.9%†58.6%†
Vals Legal IndexVals AI68.7%72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
DistressBenchScale AI SEAL74.2%†52.4%†

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • 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。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • 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)。
  • GPT-6.1 Sol (max):1 项新结果(MirrorCode);1 项分数修订。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • GPT-6.1 Sol (max):BenchLeader Index 67.4 → 66.9。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。

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 4.7:常见问题

GPT-6.1 Sol 比 Grok 4.7 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 57.4。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 4.7 哪个更便宜?价格会变吗?
目前 Grok 4.7 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 4.7 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 61,50 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 4.7 为 1641。
GPT-6.1 Sol 和 Grok 4.7 哪个更快?
Grok 4.7 输出更快(输出 68 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 4.7 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 57,50 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 4.7 为 38.8%。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Sol 在长上下文基准测试上得分更高(66 比 63)。GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Grok 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 55.9 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 4.7 的看法一致吗?
在两者都有结果的 106 项基准测试中,GPT-6.1 Sol 领先 82 项,Grok 4.7 领先 24 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。