BenchLeader

GPT-6.1 Sol vs Kimi K3

完整资料:GPT-6.1 Sol(OpenAI)和 Kimi K3(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 18 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Kimi K3(BenchLeader Index 66.6 比 60.7)。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)。看重智能体与工具(64 比 54)、编程(71 比 62)和知识(72 比 66)选 GPT-6.1 Sol;看重人类偏好(69 比 67)选 Kimi K3。Kimi K3 的首次回答更快(0.8 秒 比 166.7 秒)。Kimi K3 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Kimi K3 为 60.7(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 K3 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • Kimi K3 比 GPT-6.1 Sol 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 13 项基准测试中,GPT-6.1 Sol 领先 10 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 62;SciCode 54.2% 比 58.7%高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 54;APEX-Agents 60.0% 比 47.8%高
数学均可类别得分 72 比 72;LiveBench Mathematics 96.8% 比 84.4%均可
知识GPT-6.1 Sol类别得分 72 比 66;LiveBench 1.0 Data Analysis 82.7% 比 78.7%中
对话质量(人类偏好)Kimi K3Arena 投票 69 比 67中
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Kimi K3首个回答 token 0.8 秒(Kimi K3)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 60.7。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、知识、数学方面更强。
  • Kimi K3 在人类偏好方面更强。
  • 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)。
  • Kimi K3 的输出速度是对方的 1.5 倍(76 比 50 token/秒)。

概览

规格GPT-6.1 SolKimi K3
提供商OpenAIMoonshot AI
发布日期2026年9月29日2026年7月16日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-6.1 Sol (max)Kimi K3
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$3.00 / $15.00 / $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)Kimi K3领先者
推理71.4–无法比较
编程71.161.8GPT-6.1 Sol
智能体与工具64.353.5GPT-6.1 Sol
数学71.671.5持平
知识71.566.1GPT-6.1 Sol
人类偏好67.168.6Kimi K3
多模态65.6–无法比较
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编程智能体与工具数学知识人类偏好GPT-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, 人类偏好: 67.1Kimi K3, 编程: 61.8Kimi K3, 智能体与工具: 53.5Kimi K3, 数学: 71.5Kimi K3, 知识: 66.1Kimi K3, 人类偏好: 68.6

未绘制(测得的模型少于两个):推理, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 13 项基准测试中,GPT-6.1 Sol 领先 10 项,Kimi K3 领先 3 项。第三方来源看法不一:GPT-6.1 Sol 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3 在 Arena Text 上领先。

综合 IndexGPT-6.1 Sol (max)Kimi K3领先者
BenchLeader Index66.660.7GPT-6.1 Sol
AA Intelligence Index v5.0.154.617.4†GPT-6.1 Sol
Vals Index63.953.0†GPT-6.1 Sol
Arena Text14811487†Kimi K3

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 K3
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$0.300
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$0.118
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/s76 tok/s
首次回答时间166.7 秒0.8 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)。Kimi K3 得分 60.7,首个回答 token 需 1 秒;Kimi K3 (max) 为 60.2(55 秒),Kimi K3 (low) 为 53.6(8 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 188 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 K3
BenchLeader IndexBenchLeader66.660.7
智能体与工具得分BenchLeader64.353.5
编程得分BenchLeader71.161.8
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.168.6
知识得分BenchLeader71.566.1
长上下文得分BenchLeader66.2–
数学得分BenchLeader71.671.5
多模态得分BenchLeader65.6–
推理得分BenchLeader71.4–
混合价格(美元/百万 token)BenchLeader$4.00$6.00
输出速度BenchLeader50 tok/s76 tok/s
首次回答时间BenchLeader166.7 秒0.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%93.1%†
SimpleBenchSimpleBench82.9%†60.7%†
Arena Hard PromptsArena (LMArena)15051516†
LiveBench 2.0 ReasoningLiveBench92.6%90.7%†
LiveBench 1.0 ReasoningLiveBench92.6%90.7%
GPQA Diamond (AA)Artificial Analysis–93.5%†
Humanity's Last Exam (AA)Artificial Analysis52.9%46.9%†
HLE-Diamond (AA)Artificial Analysis58.8%26.9%†
GPQA Diamond (Vals)Vals AI–92.9%
ARC-AGI-1ARC Prize96.5%94.5%†
ARC-AGI-2ARC Prize94.2%60.4%†
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%23.4%†
CritPt v2 hard subset (AA)Artificial Analysis69.5%40.5%†
MysteryMechanismVals AI46.4%–
HLE-Diamond (Scale)Scale AI SEAL–22.2%
Arena ExpertArena (LMArena)15251528†
Chess PuzzlesEpoch AI Benchmarking Hub68.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%26.0%†
LMCAEpoch AI Benchmarking Hub62.8%52.7%†
DTBenchEpoch AI Benchmarking Hub96.5%91.2%†
ForecastBenchForecastBench–64.2%†
编程
SciCodeSciCode54.2%58.7%
WeirdMLWeirdML–82.6%†
FrontierCodeCognition50.2%†44.2%
显示全部 188 项基准测试
指标发布方GPT-6.1 Sol (max)Kimi K3
编程
Arena CodingArena (LMArena)15401538†
Arena WebDevArena (LMArena)17431658†
LiveBench 2.0 CodingLiveBench82.1%53.1%†
LiveBench 1.0 CodingLiveBench80.4%81.5%
SciCode (AA)Artificial Analysis54.2%59.5%†
LiveCodeBenchVals AI–87.2%†
IOIVals AI96.9%48.9%†
SWE-bench (Vals)Vals AI–93.4%
Code MigrationVals AI65.1%16.1%†
Code Migration v1.1Vals AI77.3%28.6%†
ProgramBenchVals AI3.0%2.0%
SWE-bench MultimodalVals AI43.5%44.2%†
Vibe Code Bench 1-100Vals AI–18.2%†
Vibe Code Bench v1.1Vals AI88.9%85.0%†
SWE Atlas v1.1Scale AI SEAL65.9%†61.0%
SWE Atlas v1.1: Codebase QnAScale AI SEAL71.0%†65.3%
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†63.3%
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%†54.3%
SWE-Bench Pro V2Scale AI SEAL96.1%†97.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–88.2%†
MirrorCodeEpoch AI Benchmarking Hub61.1%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub–95.0%
DeepSWE v1.1Epoch AI Benchmarking Hub–68.5%†
ALE-BenchEpoch AI Benchmarking Hub2743.81524.5†
FrontierSWEEpoch AI Benchmarking Hub–25.9%†
WeirdML v3WeirdML38.3%†7.5%†
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%12.6%†
Terminal-Bench 2.1 (AA)Artificial Analysis–85.0%†
Startrise FrontendStartrise78.6%†79.8%
GameBench 2 OverallDuelLab GameBench 284.9†48.0
GameBench 2 by reasoning settingDuelLab GameBench 292.0†45.7†
Design Arena WebsiteDesign Arena1315†1336
FrontierCode 1.1 (AA)Artificial Analysis49.1%43.6%†
FrontierCode 2.0 (AA)Artificial Analysis40.6%10.9%†
智能体与工具
Terminal-BenchTerminal-Bench60.9%23.0%†
APEX-AgentsMercor60.0%47.8%
Arena AgentArena (LMArena)12.50.6†
LiveBench Long AgenticLiveBench65.6%36.0%†
LiveBench BrowserLiveBench93.3%75.2%†
LiveBench Agentic CodingLiveBench54.5%62.2%
Terminal-Bench 2.1 (Vals)Vals AI–80.9%
MCP AtlasScale AI SEAL–82.3%†
HiL-BenchScale AI SEAL62.3%†42.7%
τ³-bench Bankingτ²-bench–37.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%–
GDPval-AA v2.1Artificial Analysis16071542†
τ³-Banking (AA)Artificial Analysis–46.0%†
ITBench SRE (AA)Artificial Analysis–47.7%†
Analyst Agent (AA)Artificial Analysis50.0%38.8%†
APEX-Agents (AA)Artificial Analysis–41.3%†
CyberBenchVals AI39.3%75.2%†
Finance Agent v2Vals AI52.0%53.1%†
Finance Agent v2.1Vals AI61.8%60.0%†
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%12.9%†
Harvey's Legal Agent Benchmark v1Vals AI5.4%12.9%†
Legal Research BenchVals AI38.5%46.1%†
Robo-benchVals AI28.3%–
SREBenchVals AI50.8%–
Tax Agent BenchVals AI21.8%33.4%†
Terminal-Bench 4.0 (Vals)Vals AI55.0%17.2%†
Terminal-Bench ScienceVals AI52.9%1.4%†
Time Horizon Index: KSPVals AI–10.5%†
Arena SearchArena (LMArena)1249–
Arena Agent Task CompletionArena (LMArena)11.73.4†
PostTrainBenchEpoch AI Benchmarking Hub38.8%31.5%
GBAEvalEpoch AI Benchmarking Hub–48.4%
Vending-Bench 2Andon Labs12860.6†5165.0
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%58.3%†
GDP.pdf (AA)Artificial Analysis31.0%22.0%†
Harvey LAB-AA v1.1Harvey6.9%5.3%†
EnterpriseOps-GymArtificial Analysis–45.3%†
AA-Briefcase v1.1Artificial Analysis15551497†
GDPxGDPx by SemiAnalysis8.4%3.7%†
Design Arena AgenticDesign Arena13751261
Terminal-Bench-Science 0.1 (AA)Artificial Analysis58.1%8.1%†
CWE-Bench (AA)Artificial Analysis–53.3%†
DeepSec-Bench (AA)Artificial Analysis–12.4%†
CyberGym end-to-end (AA)Artificial Analysis–58.0%†
MKA (AA)Artificial Analysis47.7%–
FACTS SearchGoogle92.8%†90.3%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%72.2%†
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%39.0%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%97.2%†
ProofBenchVals AI99.0%†87.0%
LiveBench MathematicsLiveBench96.8%84.4%
AIME 2026MathArena–96.7%†
HMMT February 2026MathArena–97.0%†
MathArena ApexMathArena–65.6%†
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991502†
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%0.0%†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%50.6%†
LiveBench 2.0 Data AnalysisLiveBench82.7%78.7%†
LiveBench ResearchLiveBench90.0%79.8%†
LiveBench 1.0 Data AnalysisLiveBench82.7%78.7%
AA-Omniscience v1.1Artificial Analysis42.0-1.7†
MMLU-ProVals AI–88.0%†
LegalBenchVals AI–86.2%†
CorpFinVals AI–71.6%
TaxEvalVals AI–75.7%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
BioMysteryBenchVals AI79.6%72.6%†
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%66.7%†
Excel Modeling Benchmark v1.1Vals AI71.1%71.3%†
MedCodeVals AI48.8%49.4%†
MedScribeVals AI86.5%88.0%†
Public Benefits Bench v1.1Vals AI59.3%68.2%†
Access to Justice BenchmarkVals AI65.8%68.2%†
Financial Coaching BenchVals AI68.5%74.5%†
Immigration BenchVals AI67.8%68.3%†
EBR-benchEpoch AI Benchmarking Hub54.3%–
GDP.pdfEpoch AI Benchmarking Hub35.0%19.0%†
AA-Omniscience v1.1: accuracyArtificial Analysis61.8%42.4%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis48.1%23.4%†
HealthBench Professional (AA)OpenAI65.1%53.2%†
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench90.1%85.5%
LiveBench Instruction FollowingLiveBench74.2%71.4%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821489†
人类偏好
Arena TextArena (LMArena)14811487†
EQ-Bench 4EQ-Bench1272†1319
EQ-Bench Creative Writing v3EQ-Bench–2083
Arena Creative WritingArena (LMArena)14491459†
Arena Multi-turnArena (LMArena)14861502†
Arena Longer QueriesArena (LMArena)14881500†
多模态
Arena VisionArena (LMArena)1286–
LiveBench DesignLiveBench79.6%72.5%†
MMMU-ProArtificial Analysis86.0%80.5%†
MMMU-Pro (Vals)Vals AI–88.2%
MortgageTaxVals AI–66.3%
SAGEVals AI90.5%86.8%†
Humanity's Sixth SenseScale AI SEAL46.6%25.5%†
Blueprint-Bench 2Epoch AI Benchmarking Hub43.2%†29.5%
Furniture AssemblyEpoch AI Benchmarking Hub80.0%34.2%†
VIALS-AAHandshake AI59.0%–
Code2Video-AAArtificial Analysis13691041†
AA-3DArtificial Analysis1121984†
FACTS MultimodalGoogle52.6%†–
长上下文
AA-LCR v1.1Artificial Analysis83.0%88.7%†
MLCRArtificial Analysis38.3%21.7%†
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†158.6
LiveBench 2.0LiveBench81.4%65.0%†
LiveBench 1.0LiveBench81.6%79.2%
AA Intelligence Index v5.0.1Artificial Analysis54.617.4†
AA Intelligence Index v4.3.2Artificial Analysis51.843.6†
AA Progress Index v1Artificial Analysis348.5319.9†
Vals IndexVals AI63.953.0†
Vals Finance IndexVals AI55.8%58.0%†
Vals RSI IndexVals AI26.6%20.9%†
Vals Science IndexVals AI59.6%–
Vals Multimodal IndexVals AI–73.4%
Vals Router IndexVals AI63.9%†53.0%
Vals Legal IndexVals AI68.7%71.7%†
AA Cyber IndexArtificial Analysis–41.3†
安全与诚实
FORTRESSScale AI SEAL–27.3%
DistressBenchScale AI SEAL74.2%†73.5%
元数据
AA Openness IndexArtificial Analysis–38.9†

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

  • Kimi K3:BenchLeader Index 59.1 → 60.7。
  • 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)。
  • Kimi K3:1 项分数修订。
  • 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。
  • Kimi K3:4 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 K3:常见问题

GPT-6.1 Sol 比 Kimi K3 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 60.7。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 K3 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 Kimi K3 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-6.1 Sol 为 54.2%,Kimi K3 为 58.7%。
GPT-6.1 Sol 和 Kimi K3 哪个更快?
Kimi K3 输出更快(约 1.5 倍;输出 76 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 Kimi K3 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 54,50 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%,Kimi K3 为 47.8%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-6.1 Sol 为 1,050,000,Kimi K3 为 1,048,576)。
哪个延迟更低?
Kimi K3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.8 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 K3 的看法一致吗?
在两者都有结果的 13 项基准测试中,GPT-6.1 Sol 领先 10 项,Kimi K3 领先 3 项。第三方来源看法不一:GPT-6.1 Sol 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3 在 Arena Text 上领先。
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。