BenchLeader

GPT-6.1 Terra vs Grok 4.7

完整资料:GPT-6.1 Terra(OpenAI)和 Grok 4.7(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,质量上 GPT-6.1 Terra 领先 Grok 4.7(BenchLeader Index 64.1 比 57.4)。GPT-6.1 Terra 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。在两者都有成绩的所有类别中,GPT-6.1 Terra 均领先。

要点(截至 2026年11月16日)

  • GPT-6.1 Terra 的 BenchLeader Index 为 64.1,Grok 4.7 为 57.4(BenchLeader,2026年11月16日)。
  • GPT-6.1 Terra 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Grok 4.7 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 52 项基准测试中,GPT-6.1 Terra 领先 38 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Terra 的评分为 1678,Grok 4.7 为 1641(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 Terra类别得分 69 比 61;Arena WebDev 1678 比 1641高
智能体与工具调用GPT-6.1 Terra类别得分 63 比 57;Terminal-Bench 53.3% 比 38.8%中
数学GPT-6.1 Terra类别得分 72 比 56;FrontierMath Tiers 1–3 90.9% 比 53.0%高
推理GPT-6.1 Terra类别得分 68 比 56;GPQA Diamond 94.3% 比 92.7%高
知识GPT-6.1 Terra类别得分 61 比 60;SimpleQA Verified 57.3% 比 56.0%中
长文档GPT-6.1 Terra类别得分 66 比 63;AA-LCR v1.1 82.7% 比 76.7%中
图像及其他媒体GPT-6.1 Terra类别得分 67 比 56;LiveBench Design 79.7% 比 75.0%高
对话质量(人类偏好)–只有 Grok 4.7 有 Arena 评分(类别得分 63)无法比较
成本最低GPT-6.1 Terra每百万 token 混合价格 $2.00 比 $3.00;智能体编程会话 $0.080 比 $0.144–
首次回答最快Grok 4.7首个回答 token 55.9 秒(Grok 4.7 (xhigh))比 150.9 秒(GPT-6.1 Terra (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 Terra (max) 领先:64.1 比 57.4。
  • GPT-6.1 Terra (max) 在智能体与工具、编程、综合、知识、长上下文、数学、多模态、推理方面更强。
  • GPT-6.1 Terra (max) 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。

概览

规格GPT-6.1 TerraGrok 4.7
提供商OpenAISpaceXAI
发布日期2026年10月26日2026年9月21日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-6.1 Terra (max)Grok 4.7 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.00 / $5.00 / $0.050$2.00 / $6.00 / $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 Terra (max)Grok 4.7 (xhigh)领先者
推理68.455.6GPT-6.1 Terra
编程69.360.9GPT-6.1 Terra
智能体与工具63.456.9GPT-6.1 Terra
数学71.755.8GPT-6.1 Terra
知识61.459.9GPT-6.1 Terra
人类偏好–62.5无法比较
多模态67.255.5GPT-6.1 Terra
长上下文66.062.9GPT-6.1 Terra
综合65.052.8GPT-6.1 Terra

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GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 知识: 61.4GPT-6.1 Terra, 长上下文: 66.0GPT-6.1 Terra, 多模态: 67.2Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5

未绘制(测得的模型少于两个):指令遵循, 人类偏好。

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 Terra 领先 38 项,Grok 4.7 领先 14 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。

综合 IndexGPT-6.1 Terra (max)Grok 4.7 (xhigh)领先者
BenchLeader Index64.157.4GPT-6.1 Terra
AA Intelligence Index v5.0.151.335.5GPT-6.1 Terra
Vals Index60.558.6GPT-6.1 Terra

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 Terra (max)Grok 4.7 (xhigh)
每百万 token 混合价格$2.00$3.00
每百万 token 输入 / 输出$1.00 / $5.00$2.00 / $6.00
每百万 token 缓存输入$0.050$0.500
每项任务价格:聊天回复$0.0019$0.0026
每项任务价格:总结一份 30 页的报告$0.015$0.028
每项任务价格:代码编辑$0.013$0.021
每项任务价格:智能体编程会话$0.080$0.144
每项任务价格:结构化信息提取$0.0030$0.0052
智能体编程会话(输入大多命中缓存)$0.037$0.076
每项基准测试任务成本(AA Index)$0.961$7.77
每项任务输出 token(AA Index)60k105k
其中推理部分39k69k
每项任务耗时(AA Index)14 min26 min
输出速度72 tok/s68 tok/s
首次回答时间150.9 秒55.9 秒
完整回答耗时(最近一次测量 2026年11月13日)375.7 秒145.5 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 Terra (max) 上花费 $0.961,在 Grok 4.7 (xhigh) 上花费 $7.77;完成同样的工作,Grok 4.7 (xhigh) 输出的 token 是对方的 1.7 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 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 秒)。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 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 153 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 Terra (max)Grok 4.7 (xhigh)
BenchLeader IndexBenchLeader64.157.4
智能体与工具得分BenchLeader63.456.9
编程得分BenchLeader69.360.9
综合得分BenchLeader65.052.8
知识得分BenchLeader61.459.9
长上下文得分BenchLeader66.062.9
数学得分BenchLeader71.755.8
多模态得分BenchLeader67.255.5
推理得分BenchLeader68.455.6
人类偏好得分BenchLeader–62.5
混合价格(美元/百万 token)BenchLeader$2.00$3.00
输出速度BenchLeader72 tok/s68 tok/s
首次回答时间BenchLeader150.9 秒55.9 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%92.7%
SimpleBenchSimpleBench72.2%†–
Arena Hard PromptsArena (LMArena)–1466
LiveBench 2.0 ReasoningLiveBench88.7%82.7%
LiveBench 1.0 ReasoningLiveBench–82.7%
Humanity's Last Exam (AA)Artificial Analysis46.3%43.1%
HLE-Diamond (AA)Artificial Analysis47.3%23.2%
ARC-AGI-1ARC Prize–89.5%
ARC-AGI-2ARC Prize–61.4%
ARC-AGI-3ARC Prize–7.0%
CritPtArtificial Analysis28.0%17.7%
CritPt v2 hard subset (AA)Artificial Analysis68.0%33.5%
MysteryMechanismVals AI–25.2%
HLE-Diamond (Scale)Scale AI SEAL35.7%†23.4%†
Arena ExpertArena (LMArena)–1478
Chess PuzzlesEpoch AI Benchmarking Hub–41.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub74.0%29.0%
LMCAEpoch AI Benchmarking Hub–49.4%
DTBenchEpoch AI Benchmarking Hub–96.0%
编程
SciCodeSciCode55.1%57.4%
FrontierCodeCognition–47.6%†
Arena CodingArena (LMArena)–1493
Arena WebDevArena (LMArena)16781641
LiveBench 2.0 CodingLiveBench89.2%73.1%
LiveBench 1.0 CodingLiveBench–77.2%
显示全部 153 项基准测试
指标发布方GPT-6.1 Terra (max)Grok 4.7 (xhigh)
编程
IOIVals AI–57.7%
Code MigrationVals AI–44.8%
Code Migration v1.1Vals AI–53.2%
ProgramBenchVals AI–0.5%
SWE-bench MultimodalVals AI–42.9%
Vibe Code Bench v1.1Vals AI84.0%86.2%
Vibe Code Bench 1-100 v1.1Vals AI–26.4%
SWE Atlas v1.1Scale AI SEAL57.7%†62.1%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL54.0%†73.4%†
SWE Atlas v1.1: Test WritingScale AI SEAL63.3%†64.4%†
SWE Atlas v1.1: RefactoringScale AI SEAL55.7%†48.6%†
MirrorCodeEpoch AI Benchmarking Hub76.7%54.4%
CursorBenchCursor–46.3%
ALE-BenchEpoch AI Benchmarking Hub2608.81545.8
FrontierSWEEpoch AI Benchmarking Hub–29.5%
WeirdML v3WeirdML28.1%†8.4%
Terminal-Bench 4.0 (AA)Artificial Analysis55.6%25.8%
Startrise FrontendStartrise–75.9%†
GameBench 2 OverallDuelLab GameBench 281.2†63.6†
GameBench 2 by reasoning settingDuelLab GameBench 285.8†71.2
Design Arena WebsiteDesign Arena1286†1244†
FrontierCode 1.1 (AA)Artificial Analysis36.0%33.8%
FrontierCode 2.0 (AA)Artificial Analysis42.3%28.7%
智能体与工具
Terminal-BenchTerminal-Bench53.3%38.8%
APEX-AgentsMercor68.3%54.6%†
Arena AgentArena (LMArena)122.6
LiveBench Long AgenticLiveBench56.2%45.3%
LiveBench BrowserLiveBench93.1%49.3%
LiveBench Agentic CodingLiveBench–54.0%
Terminal-Bench 2.1 (Vals)Vals AI–73.4%
HiL-BenchScale AI SEAL68.0%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–60.7%
GDPval-AA v2.1Artificial Analysis14761717
ITBench SRE (AA)Artificial Analysis–42.1%
Analyst Agent (AA)Artificial Analysis–52.5%
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–52.3%
Finance Agent v2.1Vals AI56.0%60.6%
Harvey's Legal Agent Benchmark v1.1Vals AI1.7%18.3%
Harvey's Legal Agent Benchmark v1Vals AI–12.5%
Legal Research BenchVals AI26.0%47.1%
Robo-benchVals AI–0.2%
SREBenchVals AI–3.8%
Tax Agent BenchVals AI17.1%35.8%
Terminal-Bench 4.0 (Vals)Vals AI49.5%28.8%
Terminal-Bench ScienceVals AI–10.0%
Arena Agent Task CompletionArena (LMArena)9.75.1
Vending-Bench 2Andon Labs9107.5†10536.8†
SpireClimbEpoch AI Benchmarking Hub22.3%–
AutomationBenchArtificial Analysis60.2%65.6%
GDP.pdf (AA)Artificial Analysis28.6%20.0%
Harvey LAB-AA v1.1Harvey–9.4%
AA-Briefcase v1.1Artificial Analysis14011636
GDPxGDPx by SemiAnalysis8.5%3.9%
Design Arena AgenticDesign Arena1192†1277†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis57.6%11.4%
CWE-Bench (AA)Artificial Analysis–68.3%
DeepSec-Bench (AA)Artificial Analysis–26.9%
CyberGym end-to-end (AA)Artificial Analysis–74.0%
MKA (AA)Artificial Analysis43.8%40.1%
FACTS SearchGoogle92.7%†85.6%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.9%53.0%
FrontierMath Tier 4Epoch AI Benchmarking Hub92.7%17.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%98.1%
ProofBenchVals AI–26.0%†
LiveBench MathematicsLiveBench–95.7%
Arena MathsArena (LMArena)–1447
FrontierMath ErdősEpoch AI Benchmarking Hub–0.0%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub57.3%56.0%
LiveBench 2.0 Data AnalysisLiveBench82.3%76.9%
LiveBench ResearchLiveBench79.1%89.5%
LiveBench 1.0 Data AnalysisLiveBench–76.9%
AA-Omniscience v1.1Artificial Analysis29.631.2
LegalBenchVals AI–84.4%
PRBench LegalScale AI SEAL–47.6%
BioMysteryBenchVals AI–69.3%
Excel Modeling BenchmarkVals AI–67.0%
Excel Modeling Benchmark v1.1Vals AI73.3%71.5%
MedCodeVals AI–49.5%
MedScribeVals AI–89.4%
Public Benefits Bench v1.1Vals AI–65.6%
Access to Justice BenchmarkVals AI–73.7%
Financial Coaching BenchVals AI–74.1%
Immigration BenchVals AI–68.0%
EBR-benchEpoch AI Benchmarking Hub78.1%–
GDP.pdfEpoch AI Benchmarking Hub–22.8%
AA-Omniscience v1.1: accuracyArtificial Analysis47.6%42.7%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis65.5%80.0%
HealthBench Professional (AA)OpenAI–55.8%
FACTS ParametricGoogle70.8%†54.3%†
指令遵循
LiveBench LanguageLiveBench–80.1%
LiveBench Instruction FollowingLiveBench–75.3%
MultiChallengeScale AI SEAL74.2%†–
Arena Instruction FollowingArena (LMArena)–1435
人类偏好
Arena TextArena (LMArena)–1443
EQ-Bench Creative Writing v3EQ-Bench–2012†
Arena Creative WritingArena (LMArena)–1421
Arena Multi-turnArena (LMArena)–1435
Arena Longer QueriesArena (LMArena)–1454
多模态
Arena VisionArena (LMArena)–1230
LiveBench DesignLiveBench79.7%75.0%
MMMU-ProArtificial Analysis84.7%78.2%†
SAGEVals AI–88.7%
GeoBenchGeoBench–61.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub42.1%†32.5%†
Furniture AssemblyEpoch AI Benchmarking Hub79.2%20.8%
VIALS-AAHandshake AI60.3%37.9%
Code2Video-AAArtificial Analysis–1127
AA-3DArtificial Analysis–992
FACTS MultimodalGoogle48.8%†40.9%†
长上下文
AA-LCR v1.1Artificial Analysis82.7%76.7%
MLCRArtificial Analysis30.6%20.0%
FACTS GroundingGoogle84.2%†68.6%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub167.7†156.2†
LiveBench 2.0LiveBench78.8%67.9%
LiveBench 1.0LiveBench–77.4%
AA Intelligence Index v5.0.1Artificial Analysis51.335.5
AA Intelligence Index v4.3.2Artificial Analysis48.146.5
AA Progress Index v1Artificial Analysis345.2322.7
Vals IndexVals AI60.558.6
Vals Finance IndexVals AI53.3%58.8%
Vals RSI IndexVals AI–20.2%
Vals Science IndexVals AI–34.8%
Vals Router IndexVals AI–58.6%†
Vals Legal IndexVals AI58.8%72.7%
AA Cyber IndexArtificial Analysis–56.4
安全与诚实
FORTRESSScale AI SEAL18.2%†–
DistressBenchScale AI SEAL65.9%†52.4%†

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • GPT-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • GPT-6.1 Terra (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 Terra vs Grok 4.7:常见问题

GPT-6.1 Terra 比 Grok 4.7 更好吗?
质量上 GPT-6.1 Terra (max) 领先:64.1 比 57.4。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 Terra (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-6.1 Terra 和 Grok 4.7 哪个更便宜?价格会变吗?
目前 GPT-6.1 Terra 更便宜:每百万 token $2.00 比 $3.00(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 Terra 还是 Grok 4.7 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 61,50 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 Terra 为 1678,Grok 4.7 为 1641。
GPT-6.1 Terra 和 Grok 4.7 哪个更快?
GPT-6.1 Terra 输出更快(输出 72 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6.1 Terra 还是 Grok 4.7 更好?
GPT-6.1 Terra 在智能体任务方面得分更高(类别得分 63 比 57,50 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 Terra 为 53.3%,Grok 4.7 为 38.8%。
更多问题(4)
处理长文档哪个更好?
GPT-6.1 Terra 在长上下文基准测试上得分更高(66 比 63)。GPT-6.1 Terra 支持更长的上下文:1,050,000 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Grok 4.7 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 55.9 秒比 150.9 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 Terra 和 Grok 4.7 的看法一致吗?
在两者都有结果的 52 项基准测试中,GPT-6.1 Terra 领先 38 项,Grok 4.7 领先 14 项。所有同时评测两者的综合评分都认为 GPT-6.1 Terra 更强。
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。