BenchLeader

GPT-6 Astra vs Kimi K3.1 Pro

完整资料:GPT-6 Astra(OpenAI)和 Kimi K3.1 Pro(Moonshot AI),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,质量上 GPT-6 Astra 领先 Kimi K3.1 Pro(BenchLeader Index 67.3 比 61.8)。不过,Kimi K3.1 Pro 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $4.00 比 $20.00)。看重知识(72 比 58)、编程(73 比 60)和推理(72 比 59)选 GPT-6 Astra;看重长上下文(68 比 65)和数学(73 比 71)选 Kimi K3.1 Pro。

要点(截至 2026年11月16日)

  • GPT-6 Astra 的 BenchLeader Index 为 67.3,Kimi K3.1 Pro 为 61.8(BenchLeader,2026年11月16日)。
  • GPT-6 Astra 每百万 token 混合价格为 $20.00(标价,2026年11月16日)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 31 项基准测试中,GPT-6 Astra 领先 19 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 Astra类别得分 73 比 60;FrontierCode 2.0 (AA) 42.4% 比 25.4%高
智能体与工具调用均可类别得分 64 比 65;CWE-Bench (AA) 63.3% 比 60.8%均可
数学Kimi K3.1 Pro类别得分 73 比 71中
推理GPT-6 Astra类别得分 72 比 59;HLE-Diamond (AA) 63.8% 比 37.3%高
知识GPT-6 Astra类别得分 72 比 58;AA-Omniscience v1.1 42.4 比 29.9高
长文档Kimi K3.1 Pro类别得分 68 比 65;AA-LCR v1.1 86.3% 比 80.7%中
图像及其他媒体均可类别得分 66 比 66;MMMU-Pro 86.9% 比 83.9%均可
对话质量(人类偏好)–只有 GPT-6 Astra 有 Arena 评分(类别得分 66)无法比较
成本最低Kimi K3.1 Pro每百万 token 混合价格 $4.00 比 $20.00;智能体编程会话 $0.160 比 $0.800–
首次回答最快均可首个回答 token 198.4 秒(GPT-6 Astra (max))比 157.4 秒(Kimi K3.1 Pro)–
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 Astra (max) 领先:67.3 比 61.8。
  • GPT-6 Astra (max) 在编程、知识、推理方面更强。
  • Kimi K3.1 Pro 在智能体与工具、长上下文、数学、多模态方面更强。
  • Kimi K3.1 Pro 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $4.00 比 $20.00)。
  • GPT-6 Astra (max) 的输出速度是对方的 1.4 倍(41 比 30 token/秒)。

概览

规格GPT-6 AstraKimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年9月2日2026年10月23日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-6 Astra (max)Kimi K3.1 Pro
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$10.00 / $50.00 / $1.00$2.00 / $10.00 / $0.200

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 Astra (max)Kimi K3.1 Pro领先者
推理72.459.2GPT-6 Astra
编程73.259.6GPT-6 Astra
智能体与工具63.964.6持平
数学70.873.4Kimi K3.1 Pro
知识72.358.2GPT-6 Astra
人类偏好66.2–无法比较
多模态65.666.3持平
长上下文65.067.9Kimi K3.1 Pro
综合71.3–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多模态GPT-6 Astra, 推理: 72.4GPT-6 Astra, 编程: 73.2GPT-6 Astra, 智能体与工具: 63.9GPT-6 Astra, 数学: 70.8GPT-6 Astra, 知识: 72.3GPT-6 Astra, 长上下文: 65.0GPT-6 Astra, 多模态: 65.6Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3

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 31 项基准测试中,GPT-6 Astra 领先 19 项,Kimi K3.1 Pro 领先 12 项。第三方来源看法不一:GPT-6 Astra 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3.1 Pro 在 Arena Text 上领先。

综合 IndexGPT-6 Astra (max)Kimi K3.1 Pro领先者
BenchLeader Index67.361.8GPT-6 Astra
AA Intelligence Index v5.0.156.946.5GPT-6 Astra
Vals Index65.062.5†GPT-6 Astra
Arena Text14741485†Kimi K3.1 Pro

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 Astra (max)Kimi K3.1 Pro
每百万 token 混合价格$20.00$4.00
每百万 token 输入 / 输出$10.00 / $50.00$2.00 / $10.00
每百万 token 缓存输入$1.00$0.200
每项任务价格:聊天回复$0.019$0.0038
每项任务价格:总结一份 30 页的报告$0.150$0.030
每项任务价格:代码编辑$0.135$0.027
每项任务价格:智能体编程会话$0.800$0.160
每项任务价格:结构化信息提取$0.030$0.0060
智能体编程会话(输入大多命中缓存)$0.395$0.079
每项基准测试任务成本(AA Index)$6.24$3.68
每项任务输出 token(AA Index)52k72k
其中推理部分36k44k
每项任务耗时(AA Index)21 min40 min
输出速度41 tok/s30 tok/s
首次回答时间198.4 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)533.7 秒417.5 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 Astra (max) 上花费 $6.24,在 Kimi K3.1 Pro 上花费 $3.68;完成同样的工作,Kimi K3.1 Pro 输出的 token 是对方的 1.4 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 Astra (max) 得分 67.3,首个回答 token 需 198 秒;GPT-6 Astra 为 66.4(5 秒),GPT-6 Astra (high) 为 66.3(49 秒)。Kimi K3.1 Pro 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 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 175 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 Astra (max)Kimi K3.1 Pro
BenchLeader IndexBenchLeader67.361.8
智能体与工具得分BenchLeader63.964.6
编程得分BenchLeader73.259.6
综合得分BenchLeader71.3–
人类偏好得分BenchLeader66.2–
知识得分BenchLeader72.358.2
长上下文得分BenchLeader65.067.9
数学得分BenchLeader70.873.4
多模态得分BenchLeader65.666.3
推理得分BenchLeader72.459.2
混合价格(美元/百万 token)BenchLeader$20.00$4.00
输出速度BenchLeader41 tok/s30 tok/s
首次回答时间BenchLeader198.4 秒157.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.8%–
Humanity's Last ExamScale AI / CAIS54.8%†–
SimpleBenchSimpleBench83.6%†–
Arena Hard PromptsArena (LMArena)15001504†
LiveBench 2.0 ReasoningLiveBench92.7%91.1%†
LiveBench 1.0 ReasoningLiveBench92.7%–
GPQA Diamond (AA)Artificial Analysis96.1%–
Humanity's Last Exam (AA)Artificial Analysis54.7%52.5%
HLE-Diamond (AA)Artificial Analysis63.8%37.3%
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize95.0%–
ARC-AGI-3ARC Prize98.6%–
CritPtArtificial Analysis31.7%24.6%
CritPt v2 hard subset (AA)Artificial Analysis70.5%49.5%
MysteryMechanismVals AI53.1%26.1%†
HLE-Diamond (Scale)Scale AI SEAL60.6%†–
Arena ExpertArena (LMArena)15171515†
Chess PuzzlesEpoch AI Benchmarking Hub74.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub84.0%–
LMCAEpoch AI Benchmarking Hub64.1%†57.6%†
DTBenchEpoch AI Benchmarking Hub97.1%†93.3%†
ForecastBenchForecastBench66.6%†–
BTF-3Epoch AI Benchmarking Hub13.5%†–
编程
SciCodeSciCode56.5%60.8%
WeirdMLWeirdML93.3%–
显示全部 175 项基准测试
指标发布方GPT-6 Astra (max)Kimi K3.1 Pro
编程
FrontierCodeCognition53.3%–
GSO-BenchGSO-Bench79.4%†–
Arena CodingArena (LMArena)15481530†
Arena WebDevArena (LMArena)17641687†
LiveBench 2.0 CodingLiveBench87.5%67.8%†
LiveBench 1.0 CodingLiveBench80.4%–
IOIVals AI100.0%81.9%†
Code MigrationVals AI67.7%–
Code Migration v1.1Vals AI80.6%–
ProgramBenchVals AI5.5%–
SWE-bench MultimodalVals AI43.3%–
Vibe Code Bench 1-100Vals AI27.6%–
Vibe Code Bench v1.1Vals AI89.6%84.9%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL59.1%†–
SWE Atlas v1.0: RefactoringScale AI SEAL59.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL50.7%†–
SWE Atlas v1.1Scale AI SEAL69.4%†61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL71.4%†54.3%
SWE-Bench Pro V2Scale AI SEAL96.9%†–
SWE-Bench Pro V2 HARDScale AI SEAL90.2%†–
MirrorCodeEpoch AI Benchmarking Hub60.0%–
DeepSWE v1.1Epoch AI Benchmarking Hub73.2%–
ALE-BenchEpoch AI Benchmarking Hub2951.31932.8†
FrontierSWEEpoch AI Benchmarking Hub65.5%–
WeirdML v3WeirdML42.2%†9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis59.1%67.2%
Terminal-Bench 2.1 (AA)Artificial Analysis88.4%–
Startrise FrontendStartrise79.9%†–
GameBench 2 OverallDuelLab GameBench 288.8†78.3
GameBench 2 by reasoning settingDuelLab GameBench 294.3†84.0†
Design Arena WebsiteDesign Arena13381321
FrontierCode 1.1 (AA)Artificial Analysis47.0%47.1%
FrontierCode 2.0 (AA)Artificial Analysis42.4%25.4%
智能体与工具
Terminal-BenchTerminal-Bench60.3%59.7%†
Remote Labor IndexScale AI / CAIS20.8%†–
APEX-AgentsMercor64.7%†65.5%
Arena AgentArena (LMArena)14.54.9†
LiveBench Long AgenticLiveBench75.6%38.7%†
LiveBench BrowserLiveBench91.3%75.9%†
LiveBench Agentic CodingLiveBench57.3%–
Terminal-Bench 2.1 (Vals)Vals AI87.3%–
HiL-BenchScale AI SEAL65.3%†61.3%
GDPval-AA v2.1, normalised scoreArtificial Analysis53.7%67.3%
GDPval-AA v2.1Artificial Analysis15871861
τ³-Banking (AA)Artificial Analysis41.4%–
ITBench SRE (AA)Artificial Analysis48.6%–
Analyst Agent (AA)Artificial Analysis51.3%38.8%
CUA-benchVals AI19.2%–
CyberBenchVals AI41.1%–
Finance Agent v2Vals AI53.5%–
Finance Agent v2.1Vals AI60.4%61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI7.1%11.7%†
Harvey's Legal Agent Benchmark v1Vals AI5.4%–
Legal Research BenchVals AI39.4%37.5%†
Robo-benchVals AI23.3%–
SREBenchVals AI56.9%27.1%†
Tax Agent BenchVals AI20.7%24.9%†
Terminal-Bench 4.0 (Vals)Vals AI59.6%63.6%†
Terminal-Bench ScienceVals AI62.9%31.4%†
Time Horizon Index: KSPVals AI90.5%–
Arena SearchArena (LMArena)1245–
Arena Agent Task CompletionArena (LMArena)142.7†
BALROGBALROG68.3%–
PostTrainBenchEpoch AI Benchmarking Hub41.9%–
Vending-Bench 2Andon Labs15514.7†–
SpireClimbEpoch AI Benchmarking Hub34.0%–
AutomationBenchArtificial Analysis68.5%73.3%
GDP.pdf (AA)Artificial Analysis31.0%31.4%
Harvey LAB-AA v1.1Harvey8.6%–
AA-Briefcase v1.1Artificial Analysis15691674
GDPxGDPx by SemiAnalysis9.6%–
Design Arena AgenticDesign Arena14051301
RoboDojo (LLM as robot policy)RoboDojo29.0†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis63.3%34.3%
CWE-Bench (AA)Artificial Analysis63.3%60.8%
DeepSec-Bench (AA)Artificial Analysis36.9%36.7%
CyberGym end-to-end (AA)Artificial Analysis0.0%94.7%
MKA (AA)Artificial Analysis50.2%43.9%
FACTS SearchGoogle93.3%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%–
FrontierMath Tier 4Epoch AI Benchmarking Hub97.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI99.0%†91.0%
LiveBench MathematicsLiveBench96.8%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1481–
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub75.6%–
LiveBench 2.0 Data AnalysisLiveBench83.0%79.1%†
LiveBench ResearchLiveBench90.6%82.1%†
LiveBench 1.0 Data AnalysisLiveBench83.0%–
AA-Omniscience v1.1Artificial Analysis42.429.9
PRBench FinanceScale AI SEAL47.5%†47.5%
PRBench LegalScale AI SEAL48.4%†47.9%
BioMysteryBenchVals AI79.3%75.6%†
Excel Modeling BenchmarkVals AI71.7%–
Excel Modeling Benchmark v1.1Vals AI72.7%70.0%†
MedCodeVals AI48.5%–
MedScribeVals AI87.9%–
Access to Justice BenchmarkVals AI–69.5%†
Financial Coaching BenchVals AI67.5%–
Immigration BenchVals AI67.7%–
DrugDiscoveryBenchScale AI SEAL68.7%63.4%†
EBR-benchEpoch AI Benchmarking Hub76.2%–
GDP.pdfEpoch AI Benchmarking Hub34.2%–
AA-Omniscience v1.1: accuracyArtificial Analysis61.6%48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis50.2%62.7%
HealthBench Professional (AA)OpenAI66.0%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench89.4%–
LiveBench Instruction FollowingLiveBench75.6%–
Arena Instruction FollowingArena (LMArena)14741487†
人类偏好
Arena TextArena (LMArena)14741485†
EQ-Bench Creative Writing v3EQ-Bench2177†2173
Arena Creative WritingArena (LMArena)14511453†
Arena Multi-turnArena (LMArena)14831475†
Arena Longer QueriesArena (LMArena)14851491†
多模态
Arena VisionArena (LMArena)1279–
LiveBench DesignLiveBench80.0%73.7%†
MMMU-ProArtificial Analysis86.9%83.9%
Humanity's Sixth SenseScale AI SEAL53.6%33.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub49.7%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%–
VIALS-AAHandshake AI62.7%45.3%
Code2Video-AAArtificial Analysis1427–
AA-3DArtificial Analysis11681112
FACTS MultimodalGoogle55.2%†–
长上下文
AA-LCR v1.1Artificial Analysis80.7%86.3%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis41.7%38.3%
FACTS GroundingGoogle80.1%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169†161.4
LiveBench 2.0LiveBench84.5%68.7%†
LiveBench 1.0LiveBench82.2%–
AA Intelligence Index v5.0.1Artificial Analysis56.946.5
AA Intelligence Index v4.3.2Artificial Analysis52.755.1
AA Progress Index v1Artificial Analysis349.6340.7
Vals IndexVals AI65.062.5†
Vals Finance IndexVals AI55.6%56.0%†
Vals RSI IndexVals AI27.1%–
Vals Science IndexVals AI65.1%44.4%†
Vals Router IndexVals AI65.0%†–
Vals Legal IndexVals AI68.4%67.0%†
AA Cyber IndexArtificial Analysis33.464.1
安全与诚实
FORTRESSScale AI SEAL12.1%†18.6%
DistressBenchScale AI SEAL74.3%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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 K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • GPT-6 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Kimi K3.1 Pro:1 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • GPT-6 Astra (max):1 项新结果(PostTrainBench);2 项分数修订。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);1 项分数修订。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。

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 Astra vs Kimi K3.1 Pro:常见问题

GPT-6 Astra 比 Kimi K3.1 Pro 更好吗?
质量上 GPT-6 Astra (max) 领先:67.3 比 61.8。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 Astra (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-6 Astra 和 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
目前 Kimi K3.1 Pro 更便宜:每百万 token $4.00 比 $20.00(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 Astra 还是 Kimi K3.1 Pro 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 73 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,GPT-6 Astra 为 42.4%,Kimi K3.1 Pro 为 25.4%。
GPT-6 Astra 和 Kimi K3.1 Pro 哪个更快?
GPT-6 Astra 输出更快(输出 41 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Astra 还是 Kimi K3.1 Pro 更好?
两者在智能体任务方面持平(类别得分 64 比 65)。在两者共同的最主要智能体与工具基准测试 CWE-Bench (AA) 上,GPT-6 Astra 为 63.3%,Kimi K3.1 Pro 为 60.8%。
更多问题(4)
处理长文档哪个更好?
Kimi K3.1 Pro 在长上下文基准测试上得分更高(68 比 65)。两者都约为 1.1M token(GPT-6 Astra 为 1,050,000,Kimi K3.1 Pro 为 1,048,576)。
哪个延迟更低?
Kimi K3.1 Pro 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 157.4 秒比 198.4 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 Astra 和 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 31 项基准测试中,GPT-6 Astra 领先 19 项,Kimi K3.1 Pro 领先 12 项。第三方来源看法不一:GPT-6 Astra 在 BenchLeader Index、AA Intelligence Index v5.0.1和Vals Index 上领先;Kimi K3.1 Pro 在 Arena Text 上领先。
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。