BenchLeader

GPT-6 Astra vs o3

完整资料:GPT-6 Astra(OpenAI)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 21 个来源

截至 2026年11月19日,质量上 GPT-6 Astra 领先 o3(BenchLeader Index 66.9 比 60.2)。不过,o3 更便宜,对方的价格是它的 5.7 倍(每百万 token 混合价格 $3.50 比 $20.00)。看重知识(71 比 55)、多模态(65 比 53)和编程(72 比 60)选 GPT-6 Astra;看重智能体与工具(70 比 66)选 o3。o3 的首次回答更快(5.5 秒 比 180.8 秒)。o3 的输出更快(3 倍以上)。

要点(截至 2026年11月19日)

  • GPT-6 Astra 的 BenchLeader Index 为 66.9,o3 为 60.2(BenchLeader,2026年11月19日)。
  • GPT-6 Astra 每百万 token 混合价格为 $20.00(标价,2026年11月19日)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月19日)。
  • o3 比 GPT-6 Astra 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月19日)。
  • 在两者都有结果的 16 项基准测试中,GPT-6 Astra 领先 16 项(BenchLeader,2026年11月19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 72 比 60;Arena Coding 1548 比 1460高
智能体与工具调用o3类别得分 70 比 66;Arena Search 1197 比 1245中
数学均可类别得分 70 比 71;Arena Maths 1478 比 1448均可
推理GPT-6 Astra类别得分 71 比 61;Arena Hard Prompts 1500 比 1441高
知识GPT-6 Astra类别得分 71 比 55高
长文档GPT-6 Astra类别得分 65 比 62;AA-LCR v1.1 80.7% 比 74.7%中
图像及其他媒体GPT-6 Astra类别得分 65 比 53;Arena Vision 1279 比 1214高
对话质量(人类偏好)GPT-6 AstraArena 投票 66 比 61中
成本最低o3每百万 token 混合价格 $3.50 比 $20.00;智能体编程会话 $0.152 比 $0.800–
首次回答最快o3首个回答 token 5.5 秒(o3)比 180.8 秒(GPT-6 Astra (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 Astra (max) 领先:66.9 比 60.2。
  • GPT-6 Astra (max) 在编程、人类偏好、知识、长上下文、多模态、推理方面更强。
  • o3 在智能体与工具、数学方面更强。
  • o3 更便宜,对方的价格是它的 5.7 倍(每百万 token 混合价格 $3.50 比 $20.00)。
  • o3 的输出速度是对方的 2.7 倍(114 比 42 token/秒)。

概览

规格GPT-6 Astrao3
提供商OpenAIOpenAI
发布日期2026年9月2日2025年4月16日
上下文窗口(token)1,050,000200,000
对比时的配置GPT-6 Astra (max)o3
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$10.00 / $50.00 / $1.00$2.00 / $8.00 / $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 Astra (max)o3领先者
推理71.060.9GPT-6 Astra
编程72.359.8GPT-6 Astra
智能体与工具66.370.3o3
数学70.370.6持平
知识71.154.9GPT-6 Astra
指令遵循–65.2无法比较
人类偏好66.461.0GPT-6 Astra
多模态65.452.7GPT-6 Astra
长上下文65.061.9GPT-6 Astra
综合68.8–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人类偏好GPT-6 Astra, 推理: 71.0GPT-6 Astra, 编程: 72.3GPT-6 Astra, 智能体与工具: 66.3GPT-6 Astra, 数学: 70.3GPT-6 Astra, 知识: 71.1GPT-6 Astra, 长上下文: 65.0GPT-6 Astra, 多模态: 65.4GPT-6 Astra, 人类偏好: 66.4o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 54.9o3, 长上下文: 61.9o3, 多模态: 52.7o3, 人类偏好: 61.0

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 16 项基准测试中,GPT-6 Astra 领先 16 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 GPT-6 Astra 更强。

综合 IndexGPT-6 Astra (max)o3领先者
BenchLeader Index66.960.2GPT-6 Astra
Arena Text14751432GPT-6 Astra

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)o3
每百万 token 混合价格$20.00$3.50
每百万 token 输入 / 输出$10.00 / $50.00$2.00 / $8.00
每百万 token 缓存输入$1.00$0.500
每项任务价格:聊天回复$0.019$0.0032
每项任务价格:总结一份 30 页的报告$0.150$0.029
每项任务价格:代码编辑$0.135$0.024
每项任务价格:智能体编程会话$0.800$0.152
每项任务价格:结构化信息提取$0.030$0.0056
智能体编程会话(输入大多命中缓存)$0.395$0.085
每项基准测试任务成本(AA Index)$6.24–
每项任务输出 token(AA Index)52k–
其中推理部分36k–
每项任务耗时(AA Index)21 min–
输出速度42 tok/s114 tok/s
首次回答时间180.8 秒5.5 秒
完整回答耗时(最近一次测量 2026年11月13日)533.7 秒17.3 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 Astra (max) 得分 66.9,首个回答 token 需 181 秒;GPT-6 Astra 为 66.2(5 秒),GPT-6 Astra (high) 为 65.6(37 秒)。o3 得分 60.2,首个回答 token 需 5 秒;o3 (high) 为 55.0(5 秒),o3 (medium) 为 53.3(5 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 222 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)o3
BenchLeader IndexBenchLeader66.960.2
智能体与工具得分BenchLeader66.370.3
编程得分BenchLeader72.359.8
综合得分BenchLeader68.8–
人类偏好得分BenchLeader66.461.0
知识得分BenchLeader71.154.9
长上下文得分BenchLeader65.061.9
数学得分BenchLeader70.370.6
多模态得分BenchLeader65.452.7
推理得分BenchLeader71.060.9
指令遵循得分BenchLeader–65.2
混合价格(美元/百万 token)BenchLeader$20.00$3.50
输出速度BenchLeader42 tok/s114 tok/s
首次回答时间BenchLeader180.8 秒5.5 秒
上下文窗口BenchLeader1,050,000 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.8%81.8%†
Humanity's Last ExamScale AI / CAIS54.8%†20.3%†
SimpleBenchSimpleBench83.6%†53.1%†
Arena Hard PromptsArena (LMArena)15001441
LiveBench 2.0 ReasoningLiveBench92.7%–
LiveBench 1.0 ReasoningLiveBench92.7%–
GPQA Diamond (AA)Artificial Analysis96.1%82.7%
Humanity's Last Exam (AA)Artificial Analysis54.7%20.1%
HLE-Diamond (AA)Artificial Analysis63.8%–
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize97.5%60.8%†
ARC-AGI-2ARC Prize95.0%6.5%†
ARC-AGI-3ARC Prize98.6%–
CritPtArtificial Analysis31.7%1.1%
CritPt v2 hard subset (AA)Artificial Analysis70.5%–
MysteryMechanismVals AI53.1%–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL60.6%†–
Arena ExpertArena (LMArena)15181448
Chess PuzzlesEpoch AI Benchmarking Hub74.0%36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub84.0%29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub64.1%†39.7%†
显示全部 222 项基准测试
指标发布方GPT-6 Astra (max)o3
推理
DTBenchEpoch AI Benchmarking Hub97.1%†84.8%†
ForecastBenchForecastBench66.6%†64.2%
BTF-3Epoch AI Benchmarking Hub13.5%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode56.5%–
WeirdMLWeirdML93.3%52.4%†
FrontierCodeCognition53.3%–
GSO-BenchGSO-Bench79.4%†8.8%†
Arena CodingArena (LMArena)15481460
Arena WebDevArena (LMArena)1763–
LiveBench 2.0 CodingLiveBench87.5%–
LiveBench 1.0 CodingLiveBench80.4%–
LiveCodeBenchVals AI–83.9%†
IOIVals AI100.0%–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
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%–
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%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†–
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†–
SWE Atlas v1.1: RefactoringScale AI SEAL71.4%†–
SWE-Bench Pro V2Scale AI SEAL96.9%†–
SWE-Bench Pro V2 HARDScale AI SEAL90.2%†–
MirrorCodeEpoch AI Benchmarking Hub60.0%–
CadEvalEpoch AI Benchmarking Hub–74.0%†
DeepSWE v1.1Epoch AI Benchmarking Hub73.2%–
ALE-BenchEpoch AI Benchmarking Hub2951.3933.5†
FrontierSWEEpoch AI Benchmarking Hub65.5%–
WeirdML v3WeirdML42.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis59.1%–
Terminal-Bench 2.1 (AA)Artificial Analysis88.4%–
Startrise FrontendStartrise79.9%†–
GameBench 2 OverallDuelLab GameBench 288.8†34.1
GameBench 2 by reasoning settingDuelLab GameBench 294.3†30.5†
Design Arena WebsiteDesign Arena1343–
FrontierCode 1.1 (AA)Artificial Analysis47.0%–
FrontierCode 2.0 (AA)Artificial Analysis42.4%–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench60.3%–
GDPvalOpenAI–30.8%†
Remote Labor IndexScale AI / CAIS20.8%†–
APEX-AgentsMercor64.7%†–
Arena AgentArena (LMArena)14.6–
LiveBench Long AgenticLiveBench74.7%–
LiveBench BrowserLiveBench91.3%–
LiveBench Agentic CodingLiveBench57.3%–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
Terminal-Bench 2.1 (Vals)Vals AI87.3%–
HiL-BenchScale AI SEAL65.3%†–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis53.7%–
GDPval-AA v2.1Artificial Analysis1587–
τ³-Banking (AA)Artificial Analysis41.4%–
ITBench SRE (AA)Artificial Analysis48.6%–
Analyst Agent (AA)Artificial Analysis51.3%–
CUA-benchVals AI19.2%–
CyberBenchVals AI41.1%–
Finance Agent v2Vals AI53.5%–
Finance Agent v2.1Vals AI60.4%–
Harvey's Legal Agent Benchmark v1.1Vals AI7.1%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%–
Legal Research BenchVals AI39.4%–
Robo-benchVals AI23.3%–
SREBenchVals AI56.9%–
Tax Agent BenchVals AI20.7%–
Terminal-Bench 4.0 (Vals)Vals AI59.6%–
Terminal-Bench ScienceVals AI62.9%–
Time Horizon Index: KSPVals AI90.5%–
Arena SearchArena (LMArena)12451197
Arena Agent Task CompletionArena (LMArena)14.9–
BALROGBALROG68.3%–
DeepResearch BenchDeepResearch Bench–45.2%†
PostTrainBenchEpoch AI Benchmarking Hub41.9%–
METR Time HorizonsMETR–63.6%
GBAEvalEpoch AI Benchmarking Hub87.0%†–
Vending-Bench 2Andon Labs15514.7†–
SpireClimbEpoch AI Benchmarking Hub34.0%–
AutomationBenchArtificial Analysis68.5%–
GDP.pdf (AA)Artificial Analysis31.0%–
Harvey LAB-AA v1.1Harvey8.6%–
AA-Briefcase v1.1Artificial Analysis1569–
GDPxGDPx by SemiAnalysis9.6%–
Design Arena AgenticDesign Arena1394–
RoboDojo (LLM as robot policy)RoboDojo29.0†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis63.3%–
CWE-Bench (AA)Artificial Analysis63.3%–
DeepSec-Bench (AA)Artificial Analysis36.9%–
CyberGym end-to-end (AA)Artificial Analysis0.0%–
MKA (AA)Artificial Analysis50.2%–
BrowseComp-PlusBrowseComp-Plus–50.5%
FACTS SearchGoogle93.3%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub97.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI99.0%†–
LiveBench MathematicsLiveBench96.8%–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)14781448
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub75.6%49.4%†
LiveBench 2.0 Data AnalysisLiveBench83.0%–
LiveBench ResearchLiveBench90.6%–
LiveBench 1.0 Data AnalysisLiveBench83.0%–
AA-Omniscience v1.1Artificial Analysis42.4–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL47.5%†47.7%
PRBench LegalScale AI SEAL48.4%†48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI79.3%–
Excel Modeling BenchmarkVals AI71.7%–
Excel Modeling Benchmark v1.1Vals AI72.7%–
MedCodeVals AI48.5%47.3%†
MedScribeVals AI87.9%76.7%†
Financial Coaching BenchVals AI67.5%–
Immigration BenchVals AI67.7%–
DrugDiscoveryBenchScale AI SEAL68.7%–
EBR-benchEpoch AI Benchmarking Hub76.2%–
GDP.pdfEpoch AI Benchmarking Hub50.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis61.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis50.2%–
HealthBench Professional (AA)OpenAI66.0%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench89.4%–
LiveBench Instruction FollowingLiveBench75.6%–
IFBenchArtificial Analysis–71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)14731403
人类偏好
Arena TextArena (LMArena)14751432
EQ-Bench Creative Writing v3EQ-Bench2177†1675
Arena Creative WritingArena (LMArena)14491383
Arena Multi-turnArena (LMArena)14821420
Arena Longer QueriesArena (LMArena)14841411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)12791214
LiveBench DesignLiveBench80.0%–
MMMU-ProArtificial Analysis86.9%70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
Humanity's Sixth SenseScale AI SEAL53.6%–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub49.7%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%–
VIALS-AAHandshake AI62.7%–
Code2Video-AAArtificial Analysis1427–
AA-3DArtificial Analysis1168–
FACTS MultimodalGoogle55.2%†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis80.7%74.7%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis41.7%–
FACTS GroundingGoogle80.1%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.2†147.1
LiveBench 2.0LiveBench84.3%–
LiveBench 1.0LiveBench82.2%–
AA Intelligence Index v5.0.1Artificial Analysis56.9–
AA Intelligence Index v4.3.2Artificial Analysis52.720.2
AA Progress Index v1Artificial Analysis349.6258.3
Vals IndexVals AI65.0–
HELM Capabilities meanHELM Capabilities–81.1%
Vals Finance IndexVals AI55.6%–
Vals RSI IndexVals AI27.1%–
Vals Science IndexVals AI65.1%–
Vals Router IndexVals AI65.0%†–
Vals Legal IndexVals AI68.4%–
AA Cyber IndexArtificial Analysis33.4–
安全与诚实
FORTRESSScale AI SEAL12.1%†16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL74.3%†–
元数据
AA Openness IndexArtificial Analysis–5.6

数据截至 2026年11月19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 gb2-20261114-ca113f475f5e (https://benchmarks.duellab.org/releases/gb2-20261114-ca113f475f5e/), 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 Astra (max):3 项分数修订。
  • GPT-6 Astra (max):BenchLeader Index 67.4 → 66.7。
  • GPT-6 Astra (max):2 项分数修订。
  • GPT-6 Astra (max):2 项分数修订。
  • o3:BenchLeader Index 61.2 → 60.4。
  • GPT-6 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • o3:1 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项新结果(PostTrainBench);2 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);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 Astra vs o3:常见问题

GPT-6 Astra 比 o3 更好吗?
质量上 GPT-6 Astra (max) 领先:66.9 比 60.2。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月19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 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 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 o3 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 72 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,GPT-6 Astra 为 1548,o3 为 1460。
GPT-6 Astra 和 o3 哪个更快?
o3 输出更快(3 倍以上;输出 114 比 42 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Astra 还是 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 66,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-6 Astra 在长上下文基准测试上得分更高(65 比 62)。GPT-6 Astra 支持更长的上下文:1,050,000 token,o3 为 200,000 token。
哪个延迟更低?
o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.5 秒比 180.8 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 o3 的看法一致吗?
在两者都有结果的 16 项基准测试中,GPT-6 Astra 领先 16 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 GPT-6 Astra 更强。
GPT-6 Astra 是什么时候发布的?
GPT-6 Astra 于 2026年9月2日 发布。