BenchLeader

GPT-6.1 Sol vs Qwen3.6 Max

完整资料:GPT-6.1 Sol(OpenAI)和 Qwen3.6 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,质量上 GPT-6.1 Sol 领先 Qwen3.6 Max(BenchLeader Index 66.6 比 62.1)。不过,Qwen3.6 Max 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.92 比 $4.00)。看重编程(71 比 56)、知识(72 比 60)和推理(71 比 61)选 GPT-6.1 Sol;看重智能体与工具(72 比 64)选 Qwen3.6 Max。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Qwen3.6 Max 为 62.1(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)。
  • Qwen3.6 Max 每百万 token 混合价格为 $2.92(标价,2026年11月16日)。
  • 在两者都有结果的 18 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,Qwen3.6 Max 为 1482(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 56;Arena WebDev 1743 比 1482高
智能体与工具调用Qwen3.6 Max类别得分 72 比 64高
数学GPT-6.1 Sol类别得分 72 比 64;Arena Maths 1499 比 1471中
推理GPT-6.1 Sol类别得分 71 比 61;GPQA Diamond 95.4% 比 87.4%高
知识GPT-6.1 Sol类别得分 72 比 60;SimpleQA Verified 73.9% 比 52.0%高
长文档GPT-6.1 Sol类别得分 66 比 65;AA-LCR v1.1 83.0% 比 80.7%中
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 65中
成本最低Qwen3.6 Max每百万 token 混合价格 $2.92 比 $4.00;智能体编程会话 $0.109 比 $0.160–
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 62.1。
  • GPT-6.1 Sol (max) 在编程、人类偏好、知识、长上下文、数学、推理方面更强。
  • Qwen3.6 Max (max) 在智能体与工具方面更强。
  • Qwen3.6 Max (max) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $2.92 比 $4.00)。

概览

规格GPT-6.1 SolQwen3.6 Max
提供商OpenAIAlibaba
发布日期2026年9月29日2026年4月20日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-6.1 Sol (max)Qwen3.6 Max (max)
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$1.30 / $7.80 / $0.130

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)Qwen3.6 Max (max)领先者
推理71.460.8GPT-6.1 Sol
编程71.155.9GPT-6.1 Sol
智能体与工具64.372.1Qwen3.6 Max
数学71.664.4GPT-6.1 Sol
知识71.559.7GPT-6.1 Sol
指令遵循–74.7无法比较
人类偏好67.164.5GPT-6.1 Sol
多模态65.6–无法比较
长上下文66.265.0GPT-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, 人类偏好: 67.1Qwen3.6 Max, 推理: 60.8Qwen3.6 Max, 编程: 55.9Qwen3.6 Max, 智能体与工具: 72.1Qwen3.6 Max, 数学: 64.4Qwen3.6 Max, 知识: 59.7Qwen3.6 Max, 长上下文: 65.0Qwen3.6 Max, 人类偏好: 64.5

未绘制(测得的模型少于两个):指令遵循, 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 18 项基准测试中,GPT-6.1 Sol 领先 18 项,Qwen3.6 Max 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)Qwen3.6 Max (max)领先者
BenchLeader Index66.662.1GPT-6.1 Sol
Arena Text14811460GPT-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)Qwen3.6 Max (max)
每百万 token 混合价格$4.00$2.92
每百万 token 输入 / 输出$2.00 / $10.00$1.30 / $7.80
每百万 token 缓存输入$0.100$0.130
每项任务价格:聊天回复$0.0038$0.0029
每项任务价格:总结一份 30 页的报告$0.030$0.020
每项任务价格:代码编辑$0.027$0.019
每项任务价格:智能体编程会话$0.160$0.109
每项任务价格:结构化信息提取$0.0060$0.0042
智能体编程会话(输入大多命中缓存)$0.074$0.057
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/s–
首次回答时间166.7 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)。Qwen3.6 Max (max) 得分 62.1。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 157 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)Qwen3.6 Max (max)
BenchLeader IndexBenchLeader66.662.1
智能体与工具得分BenchLeader64.372.1
编程得分BenchLeader71.155.9
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.164.5
知识得分BenchLeader71.559.7
长上下文得分BenchLeader66.265.0
数学得分BenchLeader71.664.4
多模态得分BenchLeader65.6–
推理得分BenchLeader71.460.8
指令遵循得分BenchLeader–74.7
混合价格(美元/百万 token)BenchLeader$4.00$2.92
输出速度BenchLeader50 tok/s–
首次回答时间BenchLeader166.7 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%87.4%
SimpleBenchSimpleBench82.9%†63.0%
Arena Hard PromptsArena (LMArena)15051481
LiveBench 2.0 ReasoningLiveBench92.6%–
LiveBench 1.0 ReasoningLiveBench92.6%–
GPQA Diamond (AA)Artificial Analysis–88.8%
Humanity's Last Exam (AA)Artificial Analysis52.9%30.8%
HLE-Diamond (AA)Artificial Analysis58.8%–
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize94.2%–
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%3.7%
CritPt v2 hard subset (AA)Artificial Analysis69.5%–
MysteryMechanismVals AI46.4%–
Arena ExpertArena (LMArena)15251497
Chess PuzzlesEpoch AI Benchmarking Hub68.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%19.0%†
LMCAEpoch AI Benchmarking Hub62.8%42.5%
DTBenchEpoch AI Benchmarking Hub96.5%87.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.7%
SciCodeSciCode54.2%–
FrontierCodeCognition50.2%†–
Arena CodingArena (LMArena)15401510
Arena WebDevArena (LMArena)17431482
LiveBench 2.0 CodingLiveBench82.1%–
显示全部 157 项基准测试
指标发布方GPT-6.1 Sol (max)Qwen3.6 Max (max)
编程
LiveBench 1.0 CodingLiveBench80.4%–
IOIVals AI96.9%–
SWE-bench (Vals)Vals AI–72.8%
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†–
FrontierCode 1.1 (AA)Artificial Analysis49.1%–
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench60.9%–
APEX-AgentsMercor60.0%–
Arena AgentArena (LMArena)12.5–
LiveBench Long AgenticLiveBench65.6%–
LiveBench BrowserLiveBench93.3%–
LiveBench Agentic CodingLiveBench54.5%–
Terminal-Bench HardArtificial Analysis–43.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
HiL-BenchScale AI SEAL62.3%†–
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–51.7%
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†4254.2
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%91.1%
ProofBenchVals AI99.0%†–
LiveBench MathematicsLiveBench96.8%–
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991471
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%52.0%
LiveBench 2.0 Data AnalysisLiveBench82.7%–
LiveBench ResearchLiveBench90.0%–
LiveBench 1.0 Data AnalysisLiveBench82.7%–
AA-Omniscience v1.1Artificial Analysis42.0–
CorpFinVals AI–66.5%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
BioMysteryBenchVals AI79.6%–
CaseLaw v2Vals AI–47.9%
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%–
Excel Modeling Benchmark v1.1Vals AI71.1%–
MedCodeVals AI48.8%–
MedScribeVals AI86.5%–
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%–
HealthBench Professional (AA)OpenAI65.1%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench90.1%–
LiveBench Instruction FollowingLiveBench74.2%–
IFBenchArtificial Analysis–76.6%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821451
人类偏好
Arena TextArena (LMArena)14811460
EQ-Bench 4EQ-Bench1272†–
Arena Creative WritingArena (LMArena)14491438
Arena Multi-turnArena (LMArena)14861466
Arena Longer QueriesArena (LMArena)14881473
多模态
Arena VisionArena (LMArena)1286–
LiveBench DesignLiveBench79.6%–
MMMU-ProArtificial Analysis86.0%–
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
AA-LCR v1.1Artificial Analysis83.0%80.7%
MLCRArtificial Analysis38.3%–
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†149.8
LiveBench 2.0LiveBench81.4%–
LiveBench 1.0LiveBench81.6%–
AA Intelligence Index v5.0.1Artificial Analysis54.6–
AA Intelligence Index v4.3.2Artificial Analysis51.828.4
AA Progress Index v1Artificial Analysis348.5297.1
Vals IndexVals AI63.9–
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%†–

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)。
  • 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。
  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • GPT-6.1 Sol (max):2 项分数修订。
  • GPT-6.1 Sol (max):3 项分数修订。
  • GPT-6.1 Sol (max):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 Qwen3.6 Max:常见问题

GPT-6.1 Sol 比 Qwen3.6 Max 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 62.1。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 Qwen3.6 Max 哪个更便宜?价格会变吗?
目前 Qwen3.6 Max 更便宜:每百万 token $2.92 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 Qwen3.6 Max 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 WebDev 上,GPT-6.1 Sol 为 1743,Qwen3.6 Max 为 1482。
智能体和工具调用用 GPT-6.1 Sol 还是 Qwen3.6 Max 更好?
Qwen3.6 Max 在智能体任务方面得分更高(类别得分 72 比 64,50 为平均水平)。
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 65)。GPT-6.1 Sol 支持更长的上下文:1,050,000 token,Qwen3.6 Max 为 262,144 token。
更多问题(2)
第三方基准测试对 GPT-6.1 Sol 和 Qwen3.6 Max 的看法一致吗?
在两者都有结果的 18 项基准测试中,GPT-6.1 Sol 领先 18 项,Qwen3.6 Max 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。