BenchLeader

GPT-6 Sol vs Grok 4.6

完整资料:GPT-6 Sol(OpenAI)和 Grok 4.6(SpaceXAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 11 个来源

截至 2026年11月16日,GPT-6 Sol 与 Grok 4.6 的质量不相上下(BenchLeader Index 62.6 比 60.6,在 ±4.7 的误差范围内)。Grok 4.6 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 Sol 均领先。GPT-6 Sol 输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-6 Sol 的 BenchLeader Index 为 62.6,Grok 4.6 为 60.6(BenchLeader,2026年11月16日)。
  • GPT-6 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • GPT-6 Sol 比 Grok 4.6 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 49 项基准测试中,GPT-6 Sol 领先 34 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6 Sol 的评分为 1673,Grok 4.6 为 1618(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 Sol类别得分 66 比 61;Arena WebDev 1673 比 1618中
智能体与工具调用均可类别得分 59 比 59;Terminal-Bench 50.3% 比 19.7%均可
数学GPT-6 Sol类别得分 68 比 63;OTIS Mock AIME 100.0% 比 97.8%中
推理GPT-6 Sol类别得分 66 比 64;GPQA Diamond 94.3% 比 94.0%中
知识GPT-6 Sol类别得分 61 比 60;SimpleQA Verified 60.7% 比 49.3%中
长文档GPT-6 Sol类别得分 67 比 65;AA-LCR v1.1 83.7% 比 80.3%中
图像及其他媒体均可类别得分 61 比 60;Arena Vision 1233 比 1264均可
对话质量(人类偏好)均可Arena 投票 64 比 64均可
成本最低Grok 4.6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–
首次回答最快均可首个回答 token 36.9 秒(GPT-6 Sol (max))比 28.6 秒(Grok 4.6 (high))–
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

  • GPT-6 Sol (max) 与 Grok 4.6 (high) 的质量不相上下(62.6 比 60.6,在 ±4.7 的误差范围内)。
  • GPT-6 Sol (max) 在编程、人类偏好、知识、长上下文、数学、多模态、推理方面更强。
  • Grok 4.6 (high) 在智能体与工具方面更强。
  • Grok 4.6 (high) 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)。
  • GPT-6 Sol (max) 的输出速度是对方的 1.7 倍(127 比 73 token/秒)。

概览

规格GPT-6 SolGrok 4.6
提供商OpenAISpaceXAI
发布日期2026年9月22日2026年8月11日
上下文窗口(token)1,050,000500,000
对比时的配置GPT-6 Sol (max)Grok 4.6 (high)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.200$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 Sol (max)Grok 4.6 (high)领先者
推理66.063.5GPT-6 Sol
编程66.361.1GPT-6 Sol
智能体与工具58.859.2持平
数学68.063.4GPT-6 Sol
知识60.659.5GPT-6 Sol
人类偏好64.264.1持平
多模态60.660.0持平
长上下文66.664.8GPT-6 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 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 长上下文: 66.6GPT-6 Sol, 多模态: 60.6GPT-6 Sol, 人类偏好: 64.2Grok 4.6, 推理: 63.5Grok 4.6, 编程: 61.1Grok 4.6, 智能体与工具: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 知识: 59.5Grok 4.6, 长上下文: 64.8Grok 4.6, 多模态: 60.0Grok 4.6, 人类偏好: 64.1

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 49 项基准测试中,GPT-6 Sol 领先 34 项,Grok 4.6 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6 Sol 更强。

综合 IndexGPT-6 Sol (max)Grok 4.6 (high)领先者
BenchLeader Index62.660.6不相上下
AA Intelligence Index v5.0.144.231.0†GPT-6 Sol
Arena Text14571457GPT-6 Sol

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 Sol (max)Grok 4.6 (high)
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$0.200$0.500
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)$0.079$0.076
每项基准测试任务成本(AA Index)$2.47–
每项任务输出 token(AA Index)54k–
其中推理部分35k–
每项任务耗时(AA Index)7 min–
输出速度127 tok/s73 tok/s
首次回答时间36.9 秒28.6 秒
完整回答耗时(最近一次测量 2026年11月13日)143.8 秒62.7 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 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 秒)。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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 148 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 Sol (max)Grok 4.6 (high)
BenchLeader IndexBenchLeader62.660.6
智能体与工具得分BenchLeader58.859.2
编程得分BenchLeader66.361.1
人类偏好得分BenchLeader64.264.1
知识得分BenchLeader60.659.5
长上下文得分BenchLeader66.664.8
数学得分BenchLeader68.063.4
多模态得分BenchLeader60.660.0
推理得分BenchLeader66.063.5
混合价格(美元/百万 token)BenchLeader$4.00$3.00
输出速度BenchLeader127 tok/s73 tok/s
首次回答时间BenchLeader36.9 秒28.6 秒
上下文窗口BenchLeader1,050,000 token500,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%94.0%
SimpleBenchSimpleBench73.1%†75.9%†
Arena Hard PromptsArena (LMArena)14831481
LiveBench 2.0 ReasoningLiveBench–91.2%†
LiveBench 1.0 ReasoningLiveBench88.7%90.5%†
GPQA Diamond (AA)Artificial Analysis–95.0%
Humanity's Last Exam (AA)Artificial Analysis47.9%42.9%
HLE-Diamond (AA)Artificial Analysis45.2%21.5%†
GPQA Diamond (Vals)Vals AI–94.7%
ARC-AGI-1ARC Prize95.5%87.0%
ARC-AGI-2ARC Prize89.6%65.1%
ARC-AGI-3ARC Prize23.0%2.1%†
CritPtArtificial Analysis30.9%17.1%
CritPt v2 hard subset (AA)Artificial Analysis66.5%40.0%†
MysteryMechanismVals AI30.2%30.6%
HLE-Diamond (Scale)Scale AI SEAL33.8%†–
Arena ExpertArena (LMArena)14961496
Chess PuzzlesEpoch AI Benchmarking Hub56.0%33.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%34.0%†
LMCAEpoch AI Benchmarking Hub59.1%48.5%†
DTBenchEpoch AI Benchmarking Hub97.3%97.3%†
ForecastBenchForecastBench–65.4%†
编程
SciCodeSciCode57.6%56.5%
WeirdMLWeirdML–67.3%
FrontierCodeCognition49.3%48.0%†
显示全部 148 项基准测试
指标发布方GPT-6 Sol (max)Grok 4.6 (high)
编程
Arena CodingArena (LMArena)15211508
Arena WebDevArena (LMArena)16731618
LiveBench 2.0 CodingLiveBench–76.7%†
LiveBench 1.0 CodingLiveBench81.8%76.8%†
LiveCodeBenchVals AI–88.2%
IOIVals AI82.6%47.6%
SWE-bench (Vals)Vals AI–95.6%
Code MigrationVals AI57.2%44.6%
ProgramBenchVals AI2.0%1.0%
Vibe Code Bench 1-100Vals AI–14.8%
Vibe Code Bench v1.1Vals AI87.8%76.2%
MirrorCodeEpoch AI Benchmarking Hub48.9%41.1%†
DeepSWE v1.1Epoch AI Benchmarking Hub–65.2%
CursorBenchCursor–40.4%
ALE-BenchEpoch AI Benchmarking Hub24621508.1†
FrontierSWEEpoch AI Benchmarking Hub–25.3%†
WeirdML v3WeirdML19.7%†–
Terminal-Bench 4.0 (AA)Artificial Analysis43.9%21.2%
Terminal-Bench 2.1 (AA)Artificial Analysis–88.4%
Startrise FrontendStartrise–72.1%†
GameBench 2 OverallDuelLab GameBench 273.0†59.4†
GameBench 2 by reasoning settingDuelLab GameBench 279.4†68.7†
Design Arena WebsiteDesign Arena1290†1277†
FrontierCode 2.0 (AA)Artificial Analysis35.6%19.8%†
智能体与工具
Terminal-BenchTerminal-Bench50.3%19.7%
APEX-AgentsMercor54.3%65.3%†
Arena AgentArena (LMArena)6.9-0.2†
LiveBench Long AgenticLiveBench–18.7%†
LiveBench BrowserLiveBench–49.4%†
LiveBench Agentic CodingLiveBench52.9%57.0%†
Terminal-Bench 2.1 (Vals)Vals AI83.2%78.3%
GDPval-AA v2.1Artificial Analysis15141627
τ³-Banking (AA)Artificial Analysis–50.7%
ITBench SRE (AA)Artificial Analysis49.4%–
Analyst Agent (AA)Artificial Analysis–41.3%
CyberBenchVals AI78.0%67.7%
Finance Agent v2Vals AI49.0%53.7%
Harvey's Legal Agent Benchmark v1Vals AI1.7%15.8%
Legal Research BenchVals AI28.9%48.1%
SkillsBenchVals AI–55.8%
SREBenchVals AI30.5%–
Tax Agent BenchVals AI15.0%33.7%
Terminal-Bench 4.0 (Vals)Vals AI44.4%17.2%
Terminal-Bench ScienceVals AI30.0%11.4%
Time Horizon Index: KSPVals AI–5.8%
Arena SearchArena (LMArena)1229–
Arena Agent Task CompletionArena (LMArena)4.5-2.6†
Vending-Bench 2Andon Labs14427.9†9047.0†
SpireClimbEpoch AI Benchmarking Hub9.2%–
AutomationBenchArtificial Analysis61.6%66.7%
GDP.pdf (AA)Artificial Analysis25.2%17.0%
Harvey LAB-AA v1.1Harvey3.6%–
EnterpriseOps-GymArtificial Analysis–48.3%
AA-Briefcase v1.1Artificial Analysis14761526
Design Arena AgenticDesign Arena1218†1239†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis30.0%6.2%
CWE-Bench (AA)Artificial Analysis64.2%–
DeepSec-Bench (AA)Artificial Analysis46.3%–
CyberGym end-to-end (AA)Artificial Analysis0.0%–
FACTS SearchGoogle92.7%†87.9%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.8%66.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub90.0%31.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%97.8%
ProofBenchVals AI83.0%†51.0%†
LiveBench MathematicsLiveBench96.4%92.6%†
Arena MathsArena (LMArena)14401445
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.7%49.3%
LiveBench 2.0 Data AnalysisLiveBench–75.3%†
LiveBench ResearchLiveBench–88.8%†
LiveBench 1.0 Data AnalysisLiveBench81.2%73.9%†
AA-Omniscience v1.1Artificial Analysis21.424.9†
MMLU-ProVals AI–89.4%
LegalBenchVals AI–86.3%
CorpFinVals AI–66.2%
TaxEvalVals AI–71.1%
PRBench LegalScale AI SEAL38.6%†–
BioMysteryBenchVals AI74.8%72.2%
Excel Modeling BenchmarkVals AI71.5%62.7%
MedCodeVals AI47.1%44.7%
MedScribeVals AI82.0%86.5%
Public Benefits Bench v1.1Vals AI56.6%66.8%
Access to Justice BenchmarkVals AI–71.3%
Financial Coaching BenchVals AI62.6%–
Immigration BenchVals AI–66.0%
EBR-benchEpoch AI Benchmarking Hub53.3%30.5%†
GDP.pdfEpoch AI Benchmarking Hub26.4%16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis51.1%46.2%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis39.1%60.3%†
HealthBench Professional (AA)OpenAI62.3%–
FACTS ParametricGoogle76.1%†44.5%†
指令遵循
LiveBench LanguageLiveBench85.3%83.7%†
LiveBench Instruction FollowingLiveBench68.6%71.9%†
Arena Instruction FollowingArena (LMArena)14491451
人类偏好
Arena TextArena (LMArena)14571457
EQ-Bench Creative Writing v3EQ-Bench2126†–
Arena Creative WritingArena (LMArena)14281442
Arena Multi-turnArena (LMArena)14681449
Arena Longer QueriesArena (LMArena)14661476
多模态
Arena VisionArena (LMArena)12331264
LiveBench DesignLiveBench–76.3%†
MMMU-ProArtificial Analysis83.0%–
MortgageTaxVals AI–64.2%
Humanity's Sixth SenseScale AI SEAL31.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub36.9%†33.2%†
Furniture AssemblyEpoch AI Benchmarking Hub58.3%40.0%†
AA-3DArtificial Analysis1131–
FACTS MultimodalGoogle43.9%†39.3%†
长上下文
AA-LCR v1.1Artificial Analysis83.7%80.3%
Arena DocumentArena (LMArena)–1450
MLCRArtificial Analysis33.9%15.6%
FACTS GroundingGoogle83.3%†66.5%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.8†157.8†
LiveBench 2.0LiveBench–63.5%†
LiveBench 1.0LiveBench79.3%78.0%†
AA Intelligence Index v5.0.1Artificial Analysis44.231.0†
AA Intelligence Index v4.3.2Artificial Analysis47.644.3
AA Progress Index v1Artificial Analysis334321.5
Vals RSI IndexVals AI28.1%25.5%†
Vals Science IndexVals AI45.0%38.1%
AA Cyber IndexArtificial Analysis36.8–
安全与诚实
FORTRESSScale AI SEAL13.5%†–
DistressBenchScale AI SEAL68.0%†–

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Grok 4.6 (high):1 项新结果(GDPval-AA v2.1)。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-6 Sol (max):2 项分数修订。
  • Grok 4.6 (high):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • Grok 4.6 (high):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

GPT-6 Sol vs Grok 4.6:常见问题

GPT-6 Sol 比 Grok 4.6 更好吗?
GPT-6 Sol (max) 与 Grok 4.6 (high) 的质量不相上下(62.6 比 60.6,在 ±4.7 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
GPT-6 Sol 和 Grok 4.6 哪个更便宜?价格会变吗?
目前 Grok 4.6 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 Sol 还是 Grok 4.6 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 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 Sol 为 1673,Grok 4.6 为 1618。
GPT-6 Sol 和 Grok 4.6 哪个更快?
GPT-6 Sol 输出更快(约 1.5 倍;输出 127 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Sol 还是 Grok 4.6 更好?
两者在智能体任务方面持平(类别得分 59 比 59)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench 上,GPT-6 Sol 为 50.3%,Grok 4.6 为 19.7%。
更多问题(4)
处理长文档哪个更好?
GPT-6 Sol 在长上下文基准测试上得分更高(67 比 65)。GPT-6 Sol 支持更长的上下文:1,050,000 token,Grok 4.6 为 500,000 token。
哪个延迟更低?
Grok 4.6 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 28.6 秒比 36.9 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 Sol 和 Grok 4.6 的看法一致吗?
在两者都有结果的 49 项基准测试中,GPT-6 Sol 领先 34 项,Grok 4.6 领先 15 项。所有同时评测两者的综合评分都认为 GPT-6 Sol 更强。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。