BenchLeader

GPT-6.1 Sol vs Kimi K2.5

完整资料:GPT-6.1 Sol(OpenAI)和 Kimi K2.5(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Kimi K2.5(BenchLeader Index 66.6 比 59.4)。不过,Kimi K2.5 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $1.20 比 $4.00)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。GPT-6.1 Sol 输出更快。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Kimi K2.5 为 59.4(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)。
  • Kimi K2.5 每百万 token 混合价格为 $1.20(标价,2026年11月16日)。
  • GPT-6.1 Sol 比 Kimi K2.5 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 25 项基准测试中,GPT-6.1 Sol 领先 25 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Sol 的评分为 1743,Kimi K2.5 为 1436(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 55;Arena WebDev 1743 比 1436高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 45;GDPval-AA v2.1 1607 比 847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 1471中
知识GPT-6.1 Sol类别得分 72 比 60;Excel Modeling Benchmark 70.8% 比 28.5%高
长文档GPT-6.1 Sol类别得分 66 比 64;AA-LCR v1.1 83.0% 比 78.0%中
图像及其他媒体GPT-6.1 Sol类别得分 66 比 59;Arena Vision 1286 比 1269中
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 63中
成本最低Kimi K2.5每百万 token 混合价格 $1.20 比 $4.00;智能体编程会话 $0.048 比 $0.160–
首次回答最快Kimi K2.5首个回答 token 42.0 秒(Kimi K2.5 (thinking))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 59.4。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、人类偏好、知识、长上下文、数学、多模态、推理方面更强。
  • Kimi K2.5 (thinking) 更便宜,对方的价格是它的 3.3 倍(每百万 token 混合价格 $1.20 比 $4.00)。

概览

规格GPT-6.1 SolKimi K2.5
提供商OpenAIMoonshot AI
发布日期2026年9月29日2026年1月27日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-6.1 Sol (max)Kimi K2.5 (thinking)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.100$0.600 / $3.00 / $0.100

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)Kimi K2.5 (thinking)领先者
推理71.467.3GPT-6.1 Sol
编程71.155.4GPT-6.1 Sol
智能体与工具64.345.1GPT-6.1 Sol
数学71.665.1GPT-6.1 Sol
知识71.560.1GPT-6.1 Sol
指令遵循–69.1无法比较
人类偏好67.163.2GPT-6.1 Sol
多模态65.659.1GPT-6.1 Sol
长上下文66.263.6GPT-6.1 Sol
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: 67.1Kimi K2.5, 推理: 67.3Kimi K2.5, 编程: 55.4Kimi K2.5, 智能体与工具: 45.1Kimi K2.5, 数学: 65.1Kimi K2.5, 知识: 60.1Kimi K2.5, 长上下文: 63.6Kimi K2.5, 多模态: 59.1Kimi K2.5, 人类偏好: 63.2

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 25 项基准测试中,GPT-6.1 Sol 领先 25 项,Kimi K2.5 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)Kimi K2.5 (thinking)领先者
BenchLeader Index66.659.4GPT-6.1 Sol
Arena Text14811450GPT-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)Kimi K2.5 (thinking)
每百万 token 混合价格$4.00$1.20
每百万 token 输入 / 输出$2.00 / $10.00$0.600 / $3.00
每百万 token 缓存输入$0.100$0.100
每项任务价格:聊天回复$0.0038$0.0011
每项任务价格:总结一份 30 页的报告$0.030$0.0090
每项任务价格:代码编辑$0.027$0.0081
每项任务价格:智能体编程会话$0.160$0.048
每项任务价格:结构化信息提取$0.0060$0.0018
智能体编程会话(输入大多命中缓存)$0.074$0.025
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/s43 tok/s
首次回答时间166.7 秒42.0 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 秒129.1 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)。Kimi K2.5 (thinking) 得分 59.4,首个回答 token 需 42 秒;Kimi K2.5 为 54.6(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 195 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)Kimi K2.5 (thinking)
BenchLeader IndexBenchLeader66.659.4
智能体与工具得分BenchLeader64.345.1
编程得分BenchLeader71.155.4
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.163.2
知识得分BenchLeader71.560.1
长上下文得分BenchLeader66.263.6
数学得分BenchLeader71.665.1
多模态得分BenchLeader65.659.1
推理得分BenchLeader71.467.3
指令遵循得分BenchLeader–69.1
混合价格(美元/百万 token)BenchLeader$4.00$1.20
输出速度BenchLeader50 tok/s43 tok/s
首次回答时间BenchLeader166.7 秒42.0 秒
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%87.6%†
Humanity's Last ExamScale AI / CAIS–24.4%†
SimpleBenchSimpleBench82.9%†46.8%†
Arena Hard PromptsArena (LMArena)15051471
LiveBench 2.0 ReasoningLiveBench92.6%–
LiveBench 1.0 ReasoningLiveBench92.6%–
GPQA Diamond (AA)Artificial Analysis–87.9%
Humanity's Last Exam (AA)Artificial Analysis52.9%30.7%
HLE-Diamond (AA)Artificial Analysis58.8%–
GPQA Diamond (Vals)Vals AI–84.1%
Kagi LLM BenchmarkKagi LLM Benchmark–78.5%
ARC-AGI-1ARC Prize96.5%65.3%†
ARC-AGI-2ARC Prize94.2%11.8%†
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%3.1%
CritPt v2 hard subset (AA)Artificial Analysis69.5%–
MysteryMechanismVals AI46.4%–
Arena ExpertArena (LMArena)15251482
Chess PuzzlesEpoch AI Benchmarking Hub68.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%–
CL-benchEpoch AI Benchmarking Hub–19.3%†
CL-bench LifeEpoch AI Benchmarking Hub–13.2%†
LMCAEpoch AI Benchmarking Hub62.8%–
DTBenchEpoch AI Benchmarking Hub96.5%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–73.8%†
显示全部 195 项基准测试
指标发布方GPT-6.1 Sol (max)Kimi K2.5 (thinking)
编程
SciCodeSciCode54.2%49.0%†
WeirdMLWeirdML–45.6%†
FrontierCodeCognition50.2%†–
Arena CodingArena (LMArena)15401502
Arena WebDevArena (LMArena)17431436
LiveBench 2.0 CodingLiveBench82.1%–
LiveBench 1.0 CodingLiveBench80.4%–
SciCode (AA)Artificial Analysis54.2%–
LiveCodeBenchVals AI–83.9%
IOIVals AI96.9%–
SWE-bench (Vals)Vals AI–70.0%
SWE-bench Verified (bash only)SWE-bench–70.8%†
SWE-bench Multilingual (bash only)SWE-bench–67.3%†
SWE-bench Verified (any scaffold)SWE-bench–70.8%†
Code MigrationVals AI65.1%7.0%
Code Migration v1.1Vals AI77.3%–
ProgramBenchVals AI3.0%–
SWE-bench MultimodalVals AI43.5%–
Vibe Code Bench v1.1Vals AI88.9%17.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–13.1%†
SWE Atlas v1.0: RefactoringScale AI SEAL–20.9%†
SWE Atlas v1.0: Test WritingScale AI SEAL–25.8%†
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 Hub2743.8821.6†
WeirdML v3WeirdML38.3%†–
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%–
Terminal-Bench 2.1 (AA)Artificial Analysis–45.7%
Startrise FrontendStartrise78.6%†–
GameBench 2 OverallDuelLab GameBench 284.9†–
GameBench 2 by reasoning settingDuelLab GameBench 292.0†–
Design Arena WebsiteDesign Arena1315†1241
FrontierCode 1.1 (AA)Artificial Analysis49.1%–
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench60.9%43.2%†
APEX-AgentsMercor60.0%–
Arena AgentArena (LMArena)12.5–
LiveBench Long AgenticLiveBench65.6%–
LiveBench BrowserLiveBench93.3%–
LiveBench Agentic CodingLiveBench54.5%–
Terminal-Bench HardArtificial Analysis–34.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
Terminal-Bench 2.1 (Vals)Vals AI–42.0%
MCP AtlasScale AI SEAL–64.4%†
HiL-BenchScale AI SEAL62.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%–
GDPval-AA v2.1Artificial Analysis1607847
τ³-Banking (AA)Artificial Analysis–14.2%
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis–11.5%
CyberBenchVals AI39.3%–
Finance Agent v2Vals AI52.0%35.8%
Finance Agent v2.1Vals AI61.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%0.0%
Legal Research BenchVals AI38.5%15.9%
Robo-benchVals AI28.3%–
SREBenchVals AI50.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI–40.5%
Terminal-Bench 4.0 (Vals)Vals AI55.0%–
Terminal-Bench ScienceVals AI52.9%–
Arena SearchArena (LMArena)1249–
Arena Agent Task CompletionArena (LMArena)11.7–
PostTrainBenchEpoch AI Benchmarking Hub38.8%–
Vending-Bench 2Andon Labs12860.6†1198.5†
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 Arena13751116
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%92.2%†
ProofBenchVals AI99.0%†–
LiveBench MathematicsLiveBench96.8%–
AIME (Vals)Vals AI–95.6%
AIME 2026MathArena–95.8%†
HMMT February 2026MathArena–87.1%†
MathArena ApexMathArena–8.8%†
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991470
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%34.3%†
LiveBench 2.0 Data AnalysisLiveBench82.7%–
LiveBench ResearchLiveBench90.0%–
LiveBench 1.0 Data AnalysisLiveBench82.7%–
AA-Omniscience v1.1Artificial Analysis42.0–
MMLU-ProVals AI–85.9%
CorpFinVals AI–68.3%
TaxEvalVals AI–74.2%
MedQAVals AI–94.4%
PRBench FinanceScale AI SEAL46.2%†46.5%†
PRBench LegalScale AI SEAL47.9%†43.8%†
MultiNRCScale AI SEAL–35.2%†
BioMysteryBenchVals AI79.6%–
CaseLaw v2Vals AI–58.7%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%28.5%
Excel Modeling Benchmark v1.1Vals AI71.1%–
MedCodeVals AI48.8%39.3%
MedScribeVals AI86.5%76.4%
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–84.0%†
HealthBench Professional (AA)OpenAI65.1%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench90.1%–
LiveBench Instruction FollowingLiveBench74.2%–
IFBenchArtificial Analysis–70.2%
MultiChallengeScale AI SEAL82.0%†61.4%†
TutorBenchScale AI SEAL–54.6%†
Arena Instruction FollowingArena (LMArena)14821439
人类偏好
Arena TextArena (LMArena)14811450
EQ-Bench 4EQ-Bench1272†–
EQ-Bench Creative Writing v3EQ-Bench–1579†
Arena Creative WritingArena (LMArena)14491422
Arena Multi-turnArena (LMArena)14861452
Arena Longer QueriesArena (LMArena)14881457
多模态
Arena VisionArena (LMArena)12861269
LiveBench DesignLiveBench79.6%–
MMMU-ProArtificial Analysis86.0%75.4%
VISTAScale AI SEAL–41.9%†
MMMU-Pro (Vals)Vals AI–84.3%
MortgageTaxVals AI–66.5%
SAGEVals AI90.5%–
Humanity's Sixth SenseScale AI SEAL46.6%–
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–78.1%†
AA-LCR v1.1Artificial Analysis83.0%78.0%
Arena DocumentArena (LMArena)–1438
MLCRArtificial Analysis38.3%–
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†148.8†
LiveBench 2.0LiveBench81.4%–
LiveBench 1.0LiveBench81.6%–
AA Intelligence Index v5.0.1Artificial Analysis54.6–
AA Intelligence Index v4.3.2Artificial Analysis51.823.5
AA Progress Index v1Artificial Analysis348.5270.5
Vals IndexVals AI63.9–
Vals Finance IndexVals AI55.8%–
Vals RSI IndexVals AI26.6%6.8%†
Vals Science IndexVals AI59.6%–
Vals Router IndexVals AI63.9%†–
Vals Legal IndexVals AI68.7%–
安全与诚实
FORTRESSScale AI SEAL–41.1%†
MASKScale AI SEAL–70.5%†
DistressBenchScale AI SEAL74.2%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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-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。
  • Kimi K2.5 (thinking):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Kimi K2.5 (thinking):1 项新结果(GDPval-AA v2.1)。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Kimi K2.5 (thinking):BenchLeader Index 58.9 → 59.4。
  • 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。

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 Kimi K2.5:常见问题

GPT-6.1 Sol 比 Kimi K2.5 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 59.4。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 Kimi K2.5 哪个更便宜?价格会变吗?
目前 Kimi K2.5 更便宜:每百万 token $1.20 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 Kimi K2.5 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 55,50 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,Kimi K2.5 为 1436。
GPT-6.1 Sol 和 Kimi K2.5 哪个更快?
GPT-6.1 Sol 输出更快(输出 50 比 43 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6.1 Sol 还是 Kimi K2.5 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 45,50 为平均水平)。
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 64)。GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Kimi K2.5 为 262,144 token。
哪个延迟更低?
Kimi K2.5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 42.0 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 Kimi K2.5 的看法一致吗?
在两者都有结果的 25 项基准测试中,GPT-6.1 Sol 领先 25 项,Kimi K2.5 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。