BenchLeader

GPT-6.1 Sol vs Qwen3.8 Max

完整资料:GPT-6.1 Sol(OpenAI)和 Qwen3.8 Max(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 Qwen3.8 Max(BenchLeader Index 66.6 比 58.7)。不过,Qwen3.8 Max 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。

要点(截至 2026年11月16日)

  • GPT-6.1 Sol 的 BenchLeader Index 为 66.6,Qwen3.8 Max 为 58.7(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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 83 项基准测试中,GPT-6.1 Sol 领先 64 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Sol 的评分为 1743,Qwen3.8 Max 为 1676(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 62;Arena WebDev 1743 比 1676高
智能体与工具调用GPT-6.1 Sol类别得分 64 比 59;Terminal-Bench 60.9% 比 27.0%中
数学GPT-6.1 Sol类别得分 72 比 65;Arena Maths 1499 比 1505中
推理GPT-6.1 Sol类别得分 71 比 52;HLE-Diamond (AA) 58.8% 比 24.0%高
知识GPT-6.1 Sol类别得分 72 比 58;AA-Omniscience v1.1 42.0 比 10.5高
长文档GPT-6.1 Sol类别得分 66 比 65;AA-LCR v1.1 83.0% 比 80.3%中
图像及其他媒体均可类别得分 66 比 66;Arena Vision 1286 比 1312均可
对话质量(人类偏好)均可Arena 投票 67 比 68均可
成本最低Qwen3.8 Max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Qwen3.8 Max首个回答 token 119.6 秒(Qwen3.8 Max (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 58.7。
  • GPT-6.1 Sol (max) 在智能体与工具、编程、综合、知识、长上下文、数学、推理方面更强。
  • Qwen3.8 Max (max) 在人类偏好、多模态方面更强。
  • Qwen3.8 Max (max) 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)。

概览

规格GPT-6.1 SolQwen3.8 Max
提供商OpenAIAlibaba
发布日期2026年9月29日2026年8月3日
上下文窗口(token)1,050,0001,000,000
对比时的配置GPT-6.1 Sol (max)Qwen3.8 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$2.00 / $6.00 / $0.250

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)Qwen3.8 Max (max)领先者
推理71.451.5GPT-6.1 Sol
编程71.161.6GPT-6.1 Sol
智能体与工具64.358.5GPT-6.1 Sol
数学71.665.2GPT-6.1 Sol
知识71.558.0GPT-6.1 Sol
人类偏好67.167.5持平
多模态65.665.7持平
长上下文66.264.8GPT-6.1 Sol
综合67.945.0GPT-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: 67.1Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 长上下文: 64.8Qwen3.8 Max, 多模态: 65.7Qwen3.8 Max, 人类偏好: 67.5

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 83 项基准测试中,GPT-6.1 Sol 领先 64 项,Qwen3.8 Max 领先 19 项。第三方来源看法不一:GPT-6.1 Sol 在 BenchLeader Index和AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 在 Arena Text 上领先。

综合 IndexGPT-6.1 Sol (max)Qwen3.8 Max (max)领先者
BenchLeader Index66.658.7GPT-6.1 Sol
AA Intelligence Index v5.0.154.633.6GPT-6.1 Sol
Arena Text14811484Qwen3.8 Max

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)Qwen3.8 Max (max)
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$0.250
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$0.065
每项基准测试任务成本(AA Index)$1.27$10.02
每项任务输出 token(AA Index)68k171k
其中推理部分49k120k
每项任务耗时(AA Index)23 min48 min
输出速度50 tok/s59 tok/s
首次回答时间166.7 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)429.6 秒294.1 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 Qwen3.8 Max (max) 上花费 $10.02;完成同样的工作,Qwen3.8 Max (max) 输出的 token 是对方的 2.5 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)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 170 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)Qwen3.8 Max (max)
BenchLeader IndexBenchLeader66.658.7
智能体与工具得分BenchLeader64.358.5
编程得分BenchLeader71.161.6
综合得分BenchLeader67.945.0
人类偏好得分BenchLeader67.167.5
知识得分BenchLeader71.558.0
长上下文得分BenchLeader66.264.8
数学得分BenchLeader71.665.2
多模态得分BenchLeader65.665.7
推理得分BenchLeader71.451.5
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader50 tok/s59 tok/s
首次回答时间BenchLeader166.7 秒119.6 秒
上下文窗口BenchLeader1,050,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.4%92.7%†
SimpleBenchSimpleBench82.9%†–
Arena Hard PromptsArena (LMArena)15051507
LiveBench 2.0 ReasoningLiveBench92.6%88.2%
LiveBench 1.0 ReasoningLiveBench92.6%88.2%
GPQA Diamond (AA)Artificial Analysis–92.8%
Humanity's Last Exam (AA)Artificial Analysis52.9%43.1%
HLE-Diamond (AA)Artificial Analysis58.8%24.0%
GPQA Diamond (Vals)Vals AI–93.7%
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize94.2%–
ARC-AGI-3ARC Prize96.2%–
CritPtArtificial Analysis31.7%20.0%
CritPt v2 hard subset (AA)Artificial Analysis69.5%29.5%
MysteryMechanismVals AI46.4%23.9%
Arena ExpertArena (LMArena)15251514
Chess PuzzlesEpoch AI Benchmarking Hub68.0%46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub80.0%38.0%†
LMCAEpoch AI Benchmarking Hub62.8%46.2%†
DTBenchEpoch AI Benchmarking Hub96.5%92.0%†
编程
SciCodeSciCode54.2%53.2%
FrontierCodeCognition50.2%†–
Arena CodingArena (LMArena)15401523
Arena WebDevArena (LMArena)17431676
LiveBench 2.0 CodingLiveBench82.1%60.9%
显示全部 170 项基准测试
指标发布方GPT-6.1 Sol (max)Qwen3.8 Max (max)
编程
LiveBench 1.0 CodingLiveBench80.4%72.9%
LiveCodeBenchVals AI–87.8%
IOIVals AI96.9%68.9%
SWE-bench (Vals)Vals AI–85.6%
Code MigrationVals AI65.1%24.0%
Code Migration v1.1Vals AI77.3%–
ProgramBenchVals AI3.0%0.0%
SWE-bench MultimodalVals AI43.5%42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI88.9%64.7%
SWE Atlas v1.1Scale AI SEAL65.9%†64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL71.0%†81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%†52.9%
SWE-Bench Pro V2Scale AI SEAL96.1%†–
MirrorCodeEpoch AI Benchmarking Hub61.1%52.2%†
DeepSWE v1.1Epoch AI Benchmarking Hub–57.5%†
ALE-BenchEpoch AI Benchmarking Hub2743.81679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
WeirdML v3WeirdML38.3%†–
Terminal-Bench 4.0 (AA)Artificial Analysis56.1%38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.8%
Startrise FrontendStartrise78.6%†71.3%
GameBench 2 OverallDuelLab GameBench 284.9†54.2†
GameBench 2 by reasoning settingDuelLab GameBench 292.0†69.6†
Design Arena WebsiteDesign Arena1315†1269
FrontierCode 1.1 (AA)Artificial Analysis49.1%43.2%
FrontierCode 2.0 (AA)Artificial Analysis40.6%23.4%
智能体与工具
Terminal-BenchTerminal-Bench60.9%27.0%
APEX-AgentsMercor60.0%63.3%
Arena AgentArena (LMArena)12.50.1
LiveBench Long AgenticLiveBench65.6%26.6%
LiveBench BrowserLiveBench93.3%49.4%
LiveBench Agentic CodingLiveBench54.5%64.7%
Terminal-Bench 2.1 (Vals)Vals AI–67.4%
HiL-BenchScale AI SEAL62.3%†–
τ³-bench Bankingτ²-bench–55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis54.8%58.3%
GDPval-AA v2.1Artificial Analysis16071674
τ³-Banking (AA)Artificial Analysis–51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis50.0%45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI39.3%28.6%
Finance Agent v2Vals AI52.0%50.6%
Finance Agent v2.1Vals AI61.8%–
Harvey's Legal Agent Benchmark v1.1Vals AI6.3%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%10.4%
Legal Research BenchVals AI38.5%47.6%
Robo-benchVals AI28.3%–
SkillsBenchVals AI–42.0%
SREBenchVals AI50.8%–
Tax Agent BenchVals AI21.8%32.1%
Terminal-Bench 4.0 (Vals)Vals AI55.0%34.3%
Terminal-Bench ScienceVals AI52.9%12.9%
Arena SearchArena (LMArena)12491227
Arena Agent Task CompletionArena (LMArena)11.74.5
PostTrainBenchEpoch AI Benchmarking Hub38.8%–
Vending-Bench 2Andon Labs12860.6†–
SpireClimbEpoch AI Benchmarking Hub23.8%–
AutomationBenchArtificial Analysis64.9%56.2%
GDP.pdf (AA)Artificial Analysis31.0%22.8%
Harvey LAB-AA v1.1Harvey6.9%–
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis15551604
GDPxGDPx by SemiAnalysis8.4%3.5%
Design Arena AgenticDesign Arena13751264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis58.1%11.9%
MKA (AA)Artificial Analysis47.7%37.4%
FACTS SearchGoogle92.8%†85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub100.0%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%100.0%†
ProofBenchVals AI99.0%†58.0%
LiveBench MathematicsLiveBench96.8%91.3%
ArXivMathMathArena92.8%–
BrokenArXivMathArena83.1%–
Arena MathsArena (LMArena)14991505
FrontierMath ErdősEpoch AI Benchmarking Hub4.4%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.9%47.3%†
LiveBench 2.0 Data AnalysisLiveBench82.7%78.4%
LiveBench ResearchLiveBench90.0%72.8%
LiveBench 1.0 Data AnalysisLiveBench82.7%78.4%
AA-Omniscience v1.1Artificial Analysis42.010.5
MMLU-ProVals AI–88.6%
LegalBenchVals AI–83.6%
CorpFinVals AI–65.8%
TaxEvalVals AI–75.5%
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL47.9%†–
BioMysteryBenchVals AI79.6%–
ClaimBenchVals AI100.0%–
Excel Modeling BenchmarkVals AI70.8%60.1%
Excel Modeling Benchmark v1.1Vals AI71.1%66.0%
MedCodeVals AI48.8%40.7%
MedScribeVals AI86.5%85.0%
Public Benefits Bench v1.1Vals AI59.3%67.1%
Access to Justice BenchmarkVals AI65.8%76.4%
Financial Coaching BenchVals AI68.5%75.6%
Immigration BenchVals AI67.8%70.1%
EBR-benchEpoch AI Benchmarking Hub54.3%–
GDP.pdfEpoch AI Benchmarking Hub35.0%23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis61.8%29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis48.1%72.9%
HealthBench Professional (AA)OpenAI65.1%–
FACTS ParametricGoogle83.8%†30.8%
指令遵循
LiveBench LanguageLiveBench90.1%79.7%
LiveBench Instruction FollowingLiveBench74.2%74.1%
MultiChallengeScale AI SEAL82.0%†–
Arena Instruction FollowingArena (LMArena)14821478
人类偏好
Arena TextArena (LMArena)14811484
EQ-Bench 4EQ-Bench1272†–
Arena Creative WritingArena (LMArena)14491472
Arena Multi-turnArena (LMArena)14861495
Arena Longer QueriesArena (LMArena)14881496
多模态
Arena VisionArena (LMArena)12861312
LiveBench DesignLiveBench79.6%76.6%
MMMU-ProArtificial Analysis86.0%82.8%
MMMU-Pro (Vals)Vals AI–88.0%
MortgageTaxVals AI–64.0%
SAGEVals AI90.5%81.8%
Humanity's Sixth SenseScale AI SEAL46.6%33.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub43.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%20.0%†
VIALS-AAHandshake AI59.0%31.7%
Code2Video-AAArtificial Analysis13691021
AA-3DArtificial Analysis1121954
FACTS MultimodalGoogle52.6%†51.5%
长上下文
AA-LCR v1.1Artificial Analysis83.0%80.3%
MLCRArtificial Analysis38.3%26.1%
FACTS GroundingGoogle78.0%†73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub168.5†157.6
LiveBench 2.0LiveBench81.4%60.9%
LiveBench 1.0LiveBench81.6%78.5%
AA Intelligence Index v5.0.1Artificial Analysis54.633.6
AA Intelligence Index v4.3.2Artificial Analysis51.845.4
AA Progress Index v1Artificial Analysis348.5323.7
Vals IndexVals AI63.9–
Vals Finance IndexVals AI55.8%–
Vals RSI IndexVals AI26.6%21.8%
Vals Science IndexVals AI59.6%–
Vals Multimodal IndexVals AI–65.4%
Vals Router IndexVals AI63.9%†–
Vals Legal IndexVals AI68.7%–
安全与诚实
DistressBenchScale AI SEAL74.2%†77.6%

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。
  • Qwen3.8 Max (max):1 项分数修订。
  • GPT-6.1 Sol (max):1 项分数修订。
  • Qwen3.8 Max (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。
  • GPT-6.1 Sol (max):2 项分数修订。
  • Qwen3.8 Max (max):6 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 Qwen3.8 Max:常见问题

GPT-6.1 Sol 比 Qwen3.8 Max 更好吗?
质量上 GPT-6.1 Sol (max) 领先:66.6 比 58.7。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 Qwen3.8 Max 哪个更便宜?价格会变吗?
目前 Qwen3.8 Max 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 Qwen3.8 Max 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 Arena WebDev 上,GPT-6.1 Sol 为 1743,Qwen3.8 Max 为 1676。
GPT-6.1 Sol 和 Qwen3.8 Max 哪个更快?
Qwen3.8 Max 输出更快(输出 59 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 Qwen3.8 Max 更好?
GPT-6.1 Sol 在智能体任务方面得分更高(类别得分 64 比 59,50 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%,Qwen3.8 Max 为 27.0%。
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 65)。两者都约为 1.1M token(GPT-6.1 Sol 为 1,050,000,Qwen3.8 Max 为 1,000,000)。
哪个延迟更低?
Qwen3.8 Max 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 119.6 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 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 83 项基准测试中,GPT-6.1 Sol 领先 64 项,Qwen3.8 Max 领先 19 项。第三方来源看法不一:GPT-6.1 Sol 在 BenchLeader Index和AA Intelligence Index v5.0.1 上领先;Qwen3.8 Max 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。