BenchLeader

GPT-6 Astra vs Step 5 Preview

完整资料:GPT-6 Astra(OpenAI)和 Step 5 Preview(StepFun),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 Astra 领先 Step 5 Preview(BenchLeader Index 67.3 比 56.0)。不过,Step 5 Preview 更便宜,对方的价格是它的 14 倍(每百万 token 混合价格 $1.43 比 $20.00)。看重编程(73 比 50)、推理(72 比 52)和知识(72 比 54)选 GPT-6 Astra;看重长上下文(69 比 65)选 Step 5 Preview。Step 5 Preview 的首次回答更快(23.5 秒 比 198.4 秒)。Step 5 Preview 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-6 Astra 的 BenchLeader Index 为 67.3,Step 5 Preview 为 56.0(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)。
  • Step 5 Preview 每百万 token 混合价格为 $1.43(标价,2026年11月16日)。
  • Step 5 Preview 比 GPT-6 Astra 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 62 项基准测试中,GPT-6 Astra 领先 49 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 50;FrontierCode 2.0 (AA) 42.4% 比 12.0%高
智能体与工具调用GPT-6 Astra类别得分 64 比 49;Arena Agent 14.5 比 -3.7高
数学GPT-6 Astra类别得分 71 比 60;Arena Maths 1481 比 1470高
推理GPT-6 Astra类别得分 72 比 52;HLE-Diamond (AA) 63.8% 比 24.3%高
知识GPT-6 Astra类别得分 72 比 54;AA-Omniscience v1.1 42.4 比 16.4高
长文档Step 5 Preview类别得分 69 比 65;AA-LCR v1.1 88.3% 比 80.7%中
图像及其他媒体GPT-6 Astra类别得分 66 比 59;Arena Vision 1279 比 1263中
对话质量(人类偏好)GPT-6 AstraArena 投票 66 比 63中
成本最低Step 5 Preview每百万 token 混合价格 $1.43 比 $20.00;智能体编程会话 $0.071 比 $0.800–
首次回答最快Step 5 Preview首个回答 token 23.5 秒(Step 5 Preview)比 198.4 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:67.3 比 56.0。
  • GPT-6 Astra (max) 在智能体与工具、编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Step 5 Preview 在长上下文方面更强。
  • Step 5 Preview 更便宜,对方的价格是它的 14 倍(每百万 token 混合价格 $1.43 比 $20.00)。
  • Step 5 Preview 的输出速度是对方的 3.0 倍(124 比 41 token/秒)。

概览

规格GPT-6 AstraStep 5 Preview
提供商OpenAIStepFun
发布日期2026年9月2日2026年9月18日
上下文窗口(token)1,050,0001,000,000
对比时的配置GPT-6 Astra (max)Step 5 Preview
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$1.00 / $2.70 / $0.105

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)Step 5 Preview领先者
推理72.451.7GPT-6 Astra
编程73.249.9GPT-6 Astra
智能体与工具63.949.1GPT-6 Astra
数学70.860.1GPT-6 Astra
知识72.353.7GPT-6 Astra
人类偏好66.263.1GPT-6 Astra
多模态65.659.3GPT-6 Astra
长上下文65.069.0Step 5 Preview
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人类偏好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: 65.6GPT-6 Astra, 人类偏好: 66.2Step 5 Preview, 推理: 51.7Step 5 Preview, 编程: 49.9Step 5 Preview, 智能体与工具: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知识: 53.7Step 5 Preview, 长上下文: 69.0Step 5 Preview, 多模态: 59.3Step 5 Preview, 人类偏好: 63.1

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 62 项基准测试中,GPT-6 Astra 领先 49 项,Step 5 Preview 领先 13 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)Step 5 Preview领先者
BenchLeader Index67.356.0GPT-6 Astra
AA Intelligence Index v5.0.156.928.5GPT-6 Astra
Vals Index65.054.8GPT-6 Astra
Arena Text14741449GPT-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)Step 5 Preview
每百万 token 混合价格$20.00$1.43
每百万 token 输入 / 输出$10.00 / $50.00$1.00 / $2.70
每百万 token 缓存输入$1.00$0.105
每项任务价格:聊天回复$0.019$0.0012
每项任务价格:总结一份 30 页的报告$0.150$0.014
每项任务价格:代码编辑$0.135$0.010
每项任务价格:智能体编程会话$0.800$0.071
每项任务价格:结构化信息提取$0.030$0.0025
智能体编程会话(输入大多命中缓存)$0.395$0.030
每项基准测试任务成本(AA Index)$6.24$2.35
每项任务输出 token(AA Index)52k113k
其中推理部分36k80k
每项任务耗时(AA Index)21 min15 min
输出速度41 tok/s124 tok/s
首次回答时间198.4 秒23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)533.7 秒54.4 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 Step 5 Preview 上花费 $2.35;完成同样的工作,Step 5 Preview 输出的 token 是对方的 2.2 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)。Step 5 Preview 得分 56.0,首个回答 token 需 24 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)Step 5 Preview
BenchLeader IndexBenchLeader67.356.0
智能体与工具得分BenchLeader63.949.1
编程得分BenchLeader73.249.9
综合得分BenchLeader71.3–
人类偏好得分BenchLeader66.263.1
知识得分BenchLeader72.353.7
长上下文得分BenchLeader65.069.0
数学得分BenchLeader70.860.1
多模态得分BenchLeader65.659.3
推理得分BenchLeader72.451.7
混合价格(美元/百万 token)BenchLeader$20.00$1.43
输出速度BenchLeader41 tok/s124 tok/s
首次回答时间BenchLeader198.4 秒23.5 秒
上下文窗口BenchLeader1,050,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.8%–
Humanity's Last ExamScale AI / CAIS54.8%†–
SimpleBenchSimpleBench83.6%†–
Arena Hard PromptsArena (LMArena)15001477
LiveBench 2.0 ReasoningLiveBench92.7%83.8%†
LiveBench 1.0 ReasoningLiveBench92.7%–
GPQA Diamond (AA)Artificial Analysis96.1%–
Humanity's Last Exam (AA)Artificial Analysis54.7%46.5%
HLE-Diamond (AA)Artificial Analysis63.8%24.3%
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize95.0%–
ARC-AGI-3ARC Prize98.6%–
CritPtArtificial Analysis31.7%20.9%
CritPt v2 hard subset (AA)Artificial Analysis70.5%32.5%
MysteryMechanismVals AI53.1%18.5%
HLE-Diamond (Scale)Scale AI SEAL60.6%†–
Arena ExpertArena (LMArena)15171489
Chess PuzzlesEpoch AI Benchmarking Hub74.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub84.0%–
LMCAEpoch AI Benchmarking Hub64.1%†–
DTBenchEpoch AI Benchmarking Hub97.1%†–
ForecastBenchForecastBench66.6%†–
BTF-3Epoch AI Benchmarking Hub13.5%†–
编程
SciCodeSciCode56.5%58.9%
WeirdMLWeirdML93.3%–
显示全部 175 项基准测试
指标发布方GPT-6 Astra (max)Step 5 Preview
编程
FrontierCodeCognition53.3%–
GSO-BenchGSO-Bench79.4%†–
Arena CodingArena (LMArena)15481505
Arena WebDevArena (LMArena)17641573†
LiveBench 2.0 CodingLiveBench87.5%67.6%†
LiveBench 1.0 CodingLiveBench80.4%–
IOIVals AI100.0%38.1%
Code MigrationVals AI67.7%39.0%
Code Migration v1.1Vals AI80.6%47.0%
ProgramBenchVals AI5.5%–
SWE-bench MultimodalVals AI43.3%40.8%
Vibe Code Bench 1-100Vals AI27.6%–
Vibe Code Bench v1.1Vals AI89.6%70.4%
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%–
DeepSWE v1.1Epoch AI Benchmarking Hub73.2%–
ALE-BenchEpoch AI Benchmarking Hub2951.3–
FrontierSWEEpoch AI Benchmarking Hub65.5%–
WeirdML v3WeirdML42.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis59.1%33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis88.4%–
Startrise FrontendStartrise79.9%†–
GameBench 2 OverallDuelLab GameBench 288.8†–
GameBench 2 by reasoning settingDuelLab GameBench 294.3†–
Design Arena WebsiteDesign Arena1338–
FrontierCode 1.1 (AA)Artificial Analysis47.0%38.4%
FrontierCode 2.0 (AA)Artificial Analysis42.4%12.0%
智能体与工具
Terminal-BenchTerminal-Bench60.3%–
Remote Labor IndexScale AI / CAIS20.8%†–
APEX-AgentsMercor64.7%†–
Arena AgentArena (LMArena)14.5-3.7
LiveBench Long AgenticLiveBench75.6%19.4%†
LiveBench BrowserLiveBench91.3%24.8%†
LiveBench Agentic CodingLiveBench57.3%–
Terminal-Bench 2.1 (Vals)Vals AI87.3%–
HiL-BenchScale AI SEAL65.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis53.7%54.3%
GDPval-AA v2.1Artificial Analysis15871591
τ³-Banking (AA)Artificial Analysis41.4%–
ITBench SRE (AA)Artificial Analysis48.6%55.6%
Analyst Agent (AA)Artificial Analysis51.3%35.0%
APEX-Agents (AA)Artificial Analysis–38.0%
CUA-benchVals AI19.2%–
CyberBenchVals AI41.1%–
Finance Agent v2Vals AI53.5%50.7%
Finance Agent v2.1Vals AI60.4%58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI7.1%12.9%
Harvey's Legal Agent Benchmark v1Vals AI5.4%9.2%
Legal Research BenchVals AI39.4%40.4%
Robo-benchVals AI23.3%–
SREBenchVals AI56.9%0.4%
Tax Agent BenchVals AI20.7%27.3%
Terminal-Bench 4.0 (Vals)Vals AI59.6%31.8%
Terminal-Bench ScienceVals AI62.9%2.9%
Time Horizon Index: KSPVals AI90.5%–
Arena SearchArena (LMArena)1245–
Arena Agent Task CompletionArena (LMArena)14-1.5
BALROGBALROG68.3%–
PostTrainBenchEpoch AI Benchmarking Hub41.9%–
Vending-Bench 2Andon Labs15514.7†–
SpireClimbEpoch AI Benchmarking Hub34.0%–
AutomationBenchArtificial Analysis68.5%51.0%
GDP.pdf (AA)Artificial Analysis31.0%14.8%
Harvey LAB-AA v1.1Harvey8.6%–
EnterpriseOps-GymArtificial Analysis–47.2%
AA-Briefcase v1.1Artificial Analysis15691424
GDPxGDPx by SemiAnalysis9.6%–
Design Arena AgenticDesign Arena1405–
RoboDojo (LLM as robot policy)RoboDojo29.0†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis63.3%2.4%
CWE-Bench (AA)Artificial Analysis63.3%52.5%
DeepSec-Bench (AA)Artificial Analysis36.9%15.8%
CyberGym end-to-end (AA)Artificial Analysis0.0%74.8%
MKA (AA)Artificial Analysis50.2%27.6%
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%†42.0%
LiveBench MathematicsLiveBench96.8%–
Arena MathsArena (LMArena)14811470
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub75.6%–
LiveBench 2.0 Data AnalysisLiveBench83.0%63.5%†
LiveBench ResearchLiveBench90.6%75.5%†
LiveBench 1.0 Data AnalysisLiveBench83.0%–
AA-Omniscience v1.1Artificial Analysis42.416.4
PRBench FinanceScale AI SEAL47.5%†–
PRBench LegalScale AI SEAL48.4%†–
BioMysteryBenchVals AI79.3%67.4%
Excel Modeling BenchmarkVals AI71.7%57.1%
Excel Modeling Benchmark v1.1Vals AI72.7%69.5%
MedCodeVals AI48.5%–
MedScribeVals AI87.9%–
Public Benefits Bench v1.1Vals AI–58.1%
Financial Coaching BenchVals AI67.5%–
Immigration BenchVals AI67.7%–
DrugDiscoveryBenchScale AI SEAL68.7%–
EBR-benchEpoch AI Benchmarking Hub76.2%–
GDP.pdfEpoch AI Benchmarking Hub34.2%–
AA-Omniscience v1.1: accuracyArtificial Analysis61.6%36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis50.2%68.7%
HealthBench Professional (AA)OpenAI66.0%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench89.4%–
LiveBench Instruction FollowingLiveBench75.6%–
Arena Instruction FollowingArena (LMArena)14741450
人类偏好
Arena TextArena (LMArena)14741449
EQ-Bench Creative Writing v3EQ-Bench2177†–
Arena Creative WritingArena (LMArena)14511413
Arena Multi-turnArena (LMArena)14831445
Arena Longer QueriesArena (LMArena)14851461
多模态
Arena VisionArena (LMArena)12791263
LiveBench DesignLiveBench80.0%70.8%†
MMMU-ProArtificial Analysis86.9%76.4%
Humanity's Sixth SenseScale AI SEAL53.6%–
Blueprint-Bench 2Epoch AI Benchmarking Hub49.7%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%–
VIALS-AAHandshake AI62.7%–
Code2Video-AAArtificial Analysis1427821
AA-3DArtificial Analysis1168859
FACTS MultimodalGoogle55.2%†–
长上下文
AA-LCR v1.1Artificial Analysis80.7%88.3%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis41.7%18.3%
FACTS GroundingGoogle80.1%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169†–
LiveBench 2.0LiveBench84.5%54.9%†
LiveBench 1.0LiveBench82.2%–
AA Intelligence Index v5.0.1Artificial Analysis56.928.5
AA Intelligence Index v4.3.2Artificial Analysis52.743.7
AA Progress Index v1Artificial Analysis349.6318.2
Vals IndexVals AI65.054.8
Vals Finance IndexVals AI55.6%55.4%
Vals RSI IndexVals AI27.1%–
Vals Science IndexVals AI65.1%29.6%
Vals Router IndexVals AI65.0%†–
Vals Legal IndexVals AI68.4%70.2%
AA Cyber IndexArtificial Analysis33.447.7
安全与诚实
FORTRESSScale AI SEAL12.1%†–
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

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • GPT-6 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • 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。
  • Step 5 Preview:1 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6 Astra (max):BenchLeader Index 68.1 → 67.4。
  • GPT-6 Astra (max):2 项分数修订。
  • Step 5 Preview:7 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 Step 5 Preview:常见问题

GPT-6 Astra 比 Step 5 Preview 更好吗?
质量上 GPT-6 Astra (max) 领先:67.3 比 56.0。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 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 Step 5 Preview 哪个更便宜?价格会变吗?
目前 Step 5 Preview 更便宜:每百万 token $1.43 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 Step 5 Preview 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 73 比 50,50 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%,Step 5 Preview 为 12.0%。
GPT-6 Astra 和 Step 5 Preview 哪个更快?
Step 5 Preview 输出更快(3 倍以上;输出 124 比 41 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Astra 还是 Step 5 Preview 更好?
GPT-6 Astra 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 Astra 为 14.5,Step 5 Preview 为 -3.7。
更多问题(4)
处理长文档哪个更好?
Step 5 Preview 在长上下文基准测试上得分更高(69 比 65)。两者都约为 1.1M token(GPT-6 Astra 为 1,050,000,Step 5 Preview 为 1,000,000)。
哪个延迟更低?
Step 5 Preview 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 23.5 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 Step 5 Preview 的看法一致吗?
在两者都有结果的 62 项基准测试中,GPT-6 Astra 领先 49 项,Step 5 Preview 领先 13 项。所有同时评测两者的综合评分都认为 GPT-6 Astra 更强。
Step 5 Preview 是什么时候发布的?
Step 5 Preview 于 2026年9月18日 发布。