BenchLeader

GPT-6.1 Sol vs Qwen3.7

完整资料:GPT-6.1 Sol(OpenAI)和 Qwen3.7(Alibaba),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 Qwen3.7(BenchLeader Index 66.6 比 60.0)。两者价格相近(每百万 token 混合价格 $4.00 比 $3.75)。在两者都有成绩的所有类别中,GPT-6.1 Sol 均领先。Qwen3.7 输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Qwen3.7 为 60.0(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)。
  • Qwen3.7 每百万 token 混合价格为 $3.75(标价,2026年11月16日)。
  • Qwen3.7 比 GPT-6.1 Sol 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 52 项基准测试中,GPT-6.1 Sol 领先 51 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Sol 的评分为 1743,Qwen3.7 为 1515(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 59;Arena WebDev 1743 比 1515高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 49;Arena Agent 12.5 比 -7.2高
数学GPT-6.1 Sol类别得分 72 比 58;FrontierMath Tiers 1–3 93.7% 比 64.6%高
推理GPT-6.1 Sol类别得分 71 比 64;GPQA Diamond 95.4% 比 90.9%中
知识GPT-6.1 Sol类别得分 72 比 61;SimpleQA Verified 73.9% 比 55.8%高
长文档GPT-6.1 Sol类别得分 66 比 64;AA-LCR v1.1 83.0% 比 79.0%中
对话质量(人类偏好)GPT-6.1 SolArena 投票 67 比 56高
成本最低均可每百万 token 混合价格 $4.00 比 $3.75;智能体编程会话 $0.160 比 $0.180–
首次回答最快Qwen3.7首个回答 token 14.8 秒(Qwen3.7 (max))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 60.0。
  • 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、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $3.75)。
  • Qwen3.7 (max) 的输出速度是对方的 3.4 倍(171 比 50 token/秒)。

概览

规格GPT-6.1 SolQwen3.7
提供商OpenAIAlibaba
发布日期2026年9月29日2026年5月19日
上下文窗口(token)1,050,0001,000,000
对比时的配置GPT-6.1 Sol (max)Qwen3.7 (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$2.50 / $7.50 / $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)Qwen3.7 (max)领先者
推理71.464.2GPT-6.1 Sol
编程71.158.8GPT-6.1 Sol
智能体与工具64.349.1GPT-6.1 Sol
数学71.657.8GPT-6.1 Sol
知识71.561.1GPT-6.1 Sol
指令遵循–78.1无法比较
人类偏好67.155.6GPT-6.1 Sol
多模态65.6–无法比较
长上下文66.264.1GPT-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: 67.1Qwen3.7, 推理: 64.2Qwen3.7, 编程: 58.8Qwen3.7, 智能体与工具: 49.1Qwen3.7, 数学: 57.8Qwen3.7, 知识: 61.1Qwen3.7, 长上下文: 64.1Qwen3.7, 人类偏好: 55.6

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 52 项基准测试中,GPT-6.1 Sol 领先 51 项,Qwen3.7 领先 1 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)Qwen3.7 (max)领先者
BenchLeader Index66.660.0GPT-6.1 Sol
Arena Text14811474GPT-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)Qwen3.7 (max)
每百万 token 混合价格$4.00$3.75
每百万 token 输入 / 输出$2.00 / $10.00$2.50 / $7.50
每百万 token 缓存输入$0.100$0.500
每项任务价格:聊天回复$0.0038$0.0033
每项任务价格:总结一份 30 页的报告$0.030$0.035
每项任务价格:代码编辑$0.027$0.026
每项任务价格:智能体编程会话$0.160$0.180
每项任务价格:结构化信息提取$0.0060$0.0065
智能体编程会话(输入大多命中缓存)$0.074$0.090
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/s171 tok/s
首次回答时间166.7 秒14.8 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 秒31.2 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)。Qwen3.7 (max) 得分 60.0,首个回答 token 需 15 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 168 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)Qwen3.7 (max)
BenchLeader IndexBenchLeader66.660.0
智能体与工具得分BenchLeader64.349.1
编程得分BenchLeader71.158.8
综合得分BenchLeader67.9–
人类偏好得分BenchLeader67.155.6
知识得分BenchLeader71.561.1
长上下文得分BenchLeader66.264.1
数学得分BenchLeader71.657.8
多模态得分BenchLeader65.6–
推理得分BenchLeader71.464.2
指令遵循得分BenchLeader–78.1
混合价格(美元/百万 token)BenchLeader$4.00$3.75
输出速度BenchLeader50 tok/s171 tok/s
首次回答时间BenchLeader166.7 秒14.8 秒
上下文窗口BenchLeader1,050,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%90.9%
SimpleBenchSimpleBench82.9%†70.4%
Arena Hard PromptsArena (LMArena)15051495
LiveBench 2.0 ReasoningLiveBench92.6%–
LiveBench 1.0 ReasoningLiveBench92.6%83.3%
GPQA Diamond (AA)Artificial Analysis–92.3%
Humanity's Last Exam (AA)Artificial Analysis52.9%40.5%
HLE-Diamond (AA)Artificial Analysis58.8%–
GPQA Diamond (Vals)Vals AI–90.2%
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize94.2%–
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%13.4%
CritPt v2 hard subset (AA)Artificial Analysis69.5%–
MysteryMechanismVals AI46.4%–
Arena ExpertArena (LMArena)15251509
Chess PuzzlesEpoch AI Benchmarking Hub68.0%27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%32.0%
LMCAEpoch AI Benchmarking Hub62.8%44.0%
DTBenchEpoch AI Benchmarking Hub96.5%92.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–77.3%
SciCodeSciCode54.2%49.5%
FrontierCodeCognition50.2%†–
Arena CodingArena (LMArena)15401525
Arena WebDevArena (LMArena)17431515
显示全部 168 项基准测试
指标发布方GPT-6.1 Sol (max)Qwen3.7 (max)
编程
LiveBench 2.0 CodingLiveBench82.1%–
LiveBench 1.0 CodingLiveBench80.4%74.2%
LiveCodeBenchVals AI–87.1%
IOIVals AI96.9%–
SWE-bench (Vals)Vals AI–68.8%
Code MigrationVals AI65.1%13.1%
Code Migration v1.1Vals AI77.3%–
ProgramBenchVals AI3.0%–
SWE-bench MultimodalVals AI43.5%–
Vibe Code Bench v1.1Vals AI88.9%47.7%
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 Hub2743.81189.4
WeirdML v3WeirdML38.3%†–
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%1.5%
Terminal-Bench 2.1 (AA)Artificial Analysis–74.5%
Startrise FrontendStartrise78.6%†63.6%
GameBench 2 OverallDuelLab GameBench 284.9†–
GameBench 2 by reasoning settingDuelLab GameBench 292.0†–
Design Arena WebsiteDesign Arena1315†1267
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)12.5-7.2
LiveBench Long AgenticLiveBench65.6%–
LiveBench BrowserLiveBench93.3%–
LiveBench Agentic CodingLiveBench54.5%43.6%
Terminal-Bench HardArtificial Analysis–50.8%
τ²-Bench Telecom (AA)Artificial Analysis–94.7%
Terminal-Bench 2.1 (Vals)Vals AI–61.0%
HiL-BenchScale AI SEAL62.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%–
GDPval-AA v2.1Artificial Analysis16071134
τ³-Banking (AA)Artificial Analysis–11.8%
ITBench SRE (AA)Artificial Analysis–42.5%
Analyst Agent (AA)Artificial Analysis50.0%18.8%
CyberBenchVals AI39.3%–
Finance Agent v2Vals AI52.0%47.8%
Finance Agent v2.1Vals AI61.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%1.7%
Legal Research BenchVals AI38.5%25.5%
Robo-benchVals AI28.3%–
SREBenchVals AI50.8%–
Tax Agent BenchVals AI21.8%15.8%
Terminal-Bench 2.0 (Vals)Vals AI–59.2%
Terminal-Bench 4.0 (Vals)Vals AI55.0%–
Terminal-Bench ScienceVals AI52.9%–
Arena SearchArena (LMArena)1249–
Arena Agent Task CompletionArena (LMArena)11.7-10.5
PostTrainBenchEpoch AI Benchmarking Hub38.8%–
GBAEvalEpoch AI Benchmarking Hub–0.4%
Vending-Bench 2Andon Labs12860.6†–
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%23.0%
GDP.pdf (AA)Artificial Analysis31.0%8.6%
Harvey LAB-AA v1.1Harvey6.9%–
EnterpriseOps-GymArtificial Analysis–45.0%
AA-Briefcase v1.1Artificial Analysis1555917
GDPxGDPx by SemiAnalysis8.4%–
Design Arena AgenticDesign Arena13751179
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%64.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%34.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%95.6%
ProofBenchVals AI99.0%†26.0%
LiveBench MathematicsLiveBench96.8%85.3%
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991483
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%55.8%
LiveBench 2.0 Data AnalysisLiveBench82.7%–
LiveBench ResearchLiveBench90.0%–
LiveBench 1.0 Data AnalysisLiveBench82.7%71.8%
AA-Omniscience v1.1Artificial Analysis42.0–
MMLU-ProVals AI–89.3%
LegalBenchVals AI–84.9%
CorpFinVals AI–63.7%
TaxEvalVals AI–75.3%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
BioMysteryBenchVals AI79.6%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%57.0%
Excel Modeling Benchmark v1.1Vals AI71.1%–
MedCodeVals AI48.8%38.8%
MedScribeVals AI86.5%79.4%
Public Benefits Bench v1.1Vals AI59.3%–
Access to Justice BenchmarkVals AI65.8%–
Financial Coaching BenchVals AI68.5%–
Immigration BenchVals AI67.8%–
DrugDiscoveryBenchScale AI SEAL–29.3%†
EBR-benchEpoch AI Benchmarking Hub54.3%9.5%
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%79.7%
LiveBench Instruction FollowingLiveBench74.2%74.0%
IFBenchArtificial Analysis–80.5%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821466
人类偏好
Arena TextArena (LMArena)14811474
EQ-Bench 4EQ-Bench1272†1100
Arena Creative WritingArena (LMArena)14491438
Arena Multi-turnArena (LMArena)14861479
Arena Longer QueriesArena (LMArena)14881491
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%79.0%
MLCRArtificial Analysis38.3%14.4%
FACTS GroundingGoogle78.0%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†154.5
LiveBench 2.0LiveBench81.4%–
LiveBench 1.0LiveBench81.6%73.1%
AA Intelligence Index v5.0.1Artificial Analysis54.6–
AA Intelligence Index v4.3.2Artificial Analysis51.829.5
AA Progress Index v1Artificial Analysis348.5293.8
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。
  • Qwen3.7 (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Qwen3.7 (max):1 项新结果(GDPval-AA v2.1)。
  • 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。
  • GPT-6.1 Sol (max):2 项分数修订。
  • Qwen3.7 (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 Qwen3.7:常见问题

GPT-6.1 Sol 比 Qwen3.7 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 60.0。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 Qwen3.7 哪个更便宜?价格会变吗?
目前 Qwen3.7 更便宜:每百万 token $3.75 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 Qwen3.7 更好?
GPT-6.1 Sol 在编程方面得分更高(类别得分 71 比 59,50 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,Qwen3.7 为 1515。
GPT-6.1 Sol 和 Qwen3.7 哪个更快?
Qwen3.7 输出更快(3 倍以上;输出 171 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 Qwen3.7 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 49,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,GPT-6.1 Sol 为 12.5,Qwen3.7 为 -7.2。
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)。两者都约为 1.1M token(GPT-6.1 Sol 为 1,050,000,Qwen3.7 为 1,000,000)。
哪个延迟更低?
Qwen3.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 14.8 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 Qwen3.7 的看法一致吗?
在两者都有结果的 52 项基准测试中,GPT-6.1 Sol 领先 51 项,Qwen3.7 领先 1 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。