BenchLeader

GPT-6 Sol vs Kimi K3.1 Pro

完整资料:GPT-6 Sol(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 14 个来源

截至 2026年11月16日,GPT-6 Sol 与 Kimi K3.1 Pro 的质量不相上下(BenchLeader Index 62.6 比 61.8,在 ±4.4 的误差范围内)。两者价格相近(每百万 token 混合价格 $4.00 比 $4.00)。看重推理(66 比 59)、编程(66 比 60)和知识(61 比 58)选 GPT-6 Sol;看重智能体与工具(65 比 59)、多模态(66 比 61)和数学(73 比 68)选 Kimi K3.1 Pro。GPT-6 Sol 的首次回答更快(36.9 秒 比 157.4 秒)。GPT-6 Sol 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-6 Sol 的 BenchLeader Index 为 62.6,Kimi K3.1 Pro 为 61.8(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)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • GPT-6 Sol 比 Kimi K3.1 Pro 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 25 项基准测试中,Kimi K3.1 Pro 领先 17 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 Sol类别得分 66 比 60;FrontierCode 2.0 (AA) 35.6% 比 25.4%中
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 59;APEX-Agents 65.5% 比 54.3%中
数学Kimi K3.1 Pro类别得分 73 比 68中
推理GPT-6 Sol类别得分 66 比 59;HLE-Diamond (AA) 45.2% 比 37.3%中
知识GPT-6 Sol类别得分 61 比 58;AA-Omniscience v1.1 21.4 比 29.9中
长文档Kimi K3.1 Pro类别得分 68 比 67;AA-LCR v1.1 86.3% 比 83.7%中
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 61;MMMU-Pro 83.9% 比 83.0%中
对话质量(人类偏好)–只有 GPT-6 Sol 有 Arena 评分(类别得分 64)无法比较
成本最低均可每百万 token 混合价格 $4.00 比 $4.00;智能体编程会话 $0.160 比 $0.160–
首次回答最快GPT-6 Sol首个回答 token 36.9 秒(GPT-6 Sol (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

  • GPT-6 Sol (max) 与 Kimi K3.1 Pro 的质量不相上下(62.6 比 61.8,在 ±4.4 的误差范围内)。
  • GPT-6 Sol (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。
  • 两者价格相近(每百万 token 混合价格 $4.00)。
  • GPT-6 Sol (max) 的输出速度是对方的 4.2 倍(127 比 30 token/秒)。

概览

规格GPT-6 SolKimi K3.1 Pro
提供商OpenAIMoonshot AI
发布日期2026年9月22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 Sol (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)$2.00 / $10.00 / $0.200$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 Sol (max)Kimi K3.1 Pro领先者
推理66.059.2GPT-6 Sol
编程66.359.6GPT-6 Sol
智能体与工具58.864.6Kimi K3.1 Pro
数学68.073.4Kimi K3.1 Pro
知识60.658.2GPT-6 Sol
人类偏好64.2–无法比较
多模态60.666.3Kimi K3.1 Pro
长上下文66.667.9Kimi K3.1 Pro

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 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: 60.6Kimi 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 25 项基准测试中,GPT-6 Sol 领先 8 项,Kimi K3.1 Pro 领先 17 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。

综合 IndexGPT-6 Sol (max)Kimi K3.1 Pro领先者
BenchLeader Index62.661.8不相上下
AA Intelligence Index v5.0.144.246.5Kimi K3.1 Pro
Arena Text14571485†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 Sol (max)Kimi K3.1 Pro
每百万 token 混合价格$4.00$4.00
每百万 token 输入 / 输出$2.00 / $10.00$2.00 / $10.00
每百万 token 缓存输入$0.200$0.200
每项任务价格:聊天回复$0.0038$0.0038
每项任务价格:总结一份 30 页的报告$0.030$0.030
每项任务价格:代码编辑$0.027$0.027
每项任务价格:智能体编程会话$0.160$0.160
每项任务价格:结构化信息提取$0.0060$0.0060
智能体编程会话(输入大多命中缓存)$0.079$0.079
每项基准测试任务成本(AA Index)$2.47$3.68
每项任务输出 token(AA Index)54k72k
其中推理部分35k44k
每项任务耗时(AA Index)7 min40 min
输出速度127 tok/s30 tok/s
首次回答时间36.9 秒157.4 秒
完整回答耗时(最近一次测量 2026年11月13日)143.8 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 Sol (max) 上花费 $2.47,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 1.3 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 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)。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 145 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)Kimi K3.1 Pro
BenchLeader IndexBenchLeader62.661.8
智能体与工具得分BenchLeader58.864.6
编程得分BenchLeader66.359.6
人类偏好得分BenchLeader64.2–
知识得分BenchLeader60.658.2
长上下文得分BenchLeader66.667.9
数学得分BenchLeader68.073.4
多模态得分BenchLeader60.666.3
推理得分BenchLeader66.059.2
混合价格(美元/百万 token)BenchLeader$4.00$4.00
输出速度BenchLeader127 tok/s30 tok/s
首次回答时间BenchLeader36.9 秒157.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%–
SimpleBenchSimpleBench73.1%†–
Arena Hard PromptsArena (LMArena)14831504†
LiveBench 2.0 ReasoningLiveBench–91.1%†
LiveBench 1.0 ReasoningLiveBench88.7%–
Humanity's Last Exam (AA)Artificial Analysis47.9%52.5%
HLE-Diamond (AA)Artificial Analysis45.2%37.3%
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize89.6%–
ARC-AGI-3ARC Prize23.0%–
CritPtArtificial Analysis30.9%24.6%
CritPt v2 hard subset (AA)Artificial Analysis66.5%49.5%
MysteryMechanismVals AI30.2%26.1%†
HLE-Diamond (Scale)Scale AI SEAL33.8%†–
Arena ExpertArena (LMArena)14961515†
Chess PuzzlesEpoch AI Benchmarking Hub56.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
LMCAEpoch AI Benchmarking Hub59.1%57.6%†
DTBenchEpoch AI Benchmarking Hub97.3%93.3%†
编程
SciCodeSciCode57.6%60.8%
FrontierCodeCognition49.3%–
Arena CodingArena (LMArena)15211530†
Arena WebDevArena (LMArena)16731687†
LiveBench 2.0 CodingLiveBench–67.8%†
LiveBench 1.0 CodingLiveBench81.8%–
显示全部 145 项基准测试
指标发布方GPT-6 Sol (max)Kimi K3.1 Pro
编程
IOIVals AI82.6%81.9%†
Code MigrationVals AI57.2%–
ProgramBenchVals AI2.0%–
Vibe Code Bench v1.1Vals AI87.8%84.9%†
SWE Atlas v1.1Scale AI SEAL–61.1%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–70.2%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–54.3%
MirrorCodeEpoch AI Benchmarking Hub48.9%–
ALE-BenchEpoch AI Benchmarking Hub24621932.8†
WeirdML v3WeirdML19.7%†9.9%†
Terminal-Bench 4.0 (AA)Artificial Analysis43.9%67.2%
GameBench 2 OverallDuelLab GameBench 273.0†78.3
GameBench 2 by reasoning settingDuelLab GameBench 279.4†84.0†
Design Arena WebsiteDesign Arena1290†1321
FrontierCode 1.1 (AA)Artificial Analysis–47.1%
FrontierCode 2.0 (AA)Artificial Analysis35.6%25.4%
智能体与工具
Terminal-BenchTerminal-Bench50.3%59.7%†
APEX-AgentsMercor54.3%65.5%
Arena AgentArena (LMArena)6.94.9†
LiveBench Long AgenticLiveBench–38.7%†
LiveBench BrowserLiveBench–75.9%†
LiveBench Agentic CodingLiveBench52.9%–
Terminal-Bench 2.1 (Vals)Vals AI83.2%–
HiL-BenchScale AI SEAL–61.3%
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.3%
GDPval-AA v2.1Artificial Analysis15141861
ITBench SRE (AA)Artificial Analysis49.4%–
Analyst Agent (AA)Artificial Analysis–38.8%
CyberBenchVals AI78.0%–
Finance Agent v2Vals AI49.0%–
Finance Agent v2.1Vals AI–61.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–11.7%†
Harvey's Legal Agent Benchmark v1Vals AI1.7%–
Legal Research BenchVals AI28.9%37.5%†
SREBenchVals AI30.5%27.1%†
Tax Agent BenchVals AI15.0%24.9%†
Terminal-Bench 4.0 (Vals)Vals AI44.4%63.6%†
Terminal-Bench ScienceVals AI30.0%31.4%†
Arena SearchArena (LMArena)1229–
Arena Agent Task CompletionArena (LMArena)4.52.7†
Vending-Bench 2Andon Labs14427.9†–
SpireClimbEpoch AI Benchmarking Hub9.2%–
AutomationBenchArtificial Analysis61.6%73.3%
GDP.pdf (AA)Artificial Analysis25.2%31.4%
Harvey LAB-AA v1.1Harvey3.6%–
AA-Briefcase v1.1Artificial Analysis14761674
Design Arena AgenticDesign Arena1218†1301
Terminal-Bench-Science 0.1 (AA)Artificial Analysis30.0%34.3%
CWE-Bench (AA)Artificial Analysis64.2%60.8%
DeepSec-Bench (AA)Artificial Analysis46.3%36.7%
CyberGym end-to-end (AA)Artificial Analysis0.0%94.7%
MKA (AA)Artificial Analysis–43.9%
FACTS SearchGoogle92.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub90.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI83.0%†91.0%
LiveBench MathematicsLiveBench96.4%–
ArXivMathMathArena–58.3%†
BrokenArXivMathArena–61.9%†
Arena MathsArena (LMArena)1440–
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.7%–
LiveBench 2.0 Data AnalysisLiveBench–79.1%†
LiveBench ResearchLiveBench–82.1%†
LiveBench 1.0 Data AnalysisLiveBench81.2%–
AA-Omniscience v1.1Artificial Analysis21.429.9
PRBench FinanceScale AI SEAL–47.5%
PRBench LegalScale AI SEAL38.6%†47.9%
BioMysteryBenchVals AI74.8%75.6%†
Excel Modeling BenchmarkVals AI71.5%–
Excel Modeling Benchmark v1.1Vals AI–70.0%†
MedCodeVals AI47.1%–
MedScribeVals AI82.0%–
Public Benefits Bench v1.1Vals AI56.6%–
Access to Justice BenchmarkVals AI–69.5%†
Financial Coaching BenchVals AI62.6%–
DrugDiscoveryBenchScale AI SEAL–63.4%†
EBR-benchEpoch AI Benchmarking Hub53.3%–
GDP.pdfEpoch AI Benchmarking Hub26.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.1%48.9%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis39.1%62.7%
HealthBench Professional (AA)OpenAI62.3%–
FACTS ParametricGoogle76.1%†–
指令遵循
LiveBench LanguageLiveBench85.3%–
LiveBench Instruction FollowingLiveBench68.6%–
Arena Instruction FollowingArena (LMArena)14491487†
人类偏好
Arena TextArena (LMArena)14571485†
EQ-Bench Creative Writing v3EQ-Bench2126†2173
Arena Creative WritingArena (LMArena)14281453†
Arena Multi-turnArena (LMArena)14681475†
Arena Longer QueriesArena (LMArena)14661491†
多模态
Arena VisionArena (LMArena)1233–
LiveBench DesignLiveBench–73.7%†
MMMU-ProArtificial Analysis83.0%83.9%
Humanity's Sixth SenseScale AI SEAL31.2%33.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub36.9%†–
Furniture AssemblyEpoch AI Benchmarking Hub58.3%–
VIALS-AAHandshake AI–45.3%
AA-3DArtificial Analysis11311112
FACTS MultimodalGoogle43.9%†–
长上下文
AA-LCR v1.1Artificial Analysis83.7%86.3%
MLCRArtificial Analysis33.9%38.3%
FACTS GroundingGoogle83.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.8†161.4
LiveBench 2.0LiveBench–68.7%†
LiveBench 1.0LiveBench79.3%–
AA Intelligence Index v5.0.1Artificial Analysis44.246.5
AA Intelligence Index v4.3.2Artificial Analysis47.655.1
AA Progress Index v1Artificial Analysis334340.7
Vals IndexVals AI–62.5†
Vals Finance IndexVals AI–56.0%†
Vals RSI IndexVals AI28.1%–
Vals Science IndexVals AI45.0%44.4%†
Vals Legal IndexVals AI–67.0%†
AA Cyber IndexArtificial Analysis36.864.1
安全与诚实
FORTRESSScale AI SEAL13.5%†18.6%
DistressBenchScale AI SEAL68.0%†–
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。
  • Kimi K3.1 Pro:1 项分数修订。
  • GPT-6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。

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 Kimi K3.1 Pro:常见问题

GPT-6 Sol 比 Kimi K3.1 Pro 更好吗?
GPT-6 Sol (max) 与 Kimi K3.1 Pro 的质量不相上下(62.6 比 61.8,在 ±4.4 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 Kimi K3.1 Pro 哪个更便宜?价格会变吗?
两者价格相同:每百万 token 混合价格 $4.00。两者均未公布价格调整。
编程用 GPT-6 Sol 还是 Kimi K3.1 Pro 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 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 Sol 为 35.6%,Kimi K3.1 Pro 为 25.4%。
GPT-6 Sol 和 Kimi K3.1 Pro 哪个更快?
GPT-6 Sol 输出更快(3 倍以上;输出 127 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Sol 还是 Kimi K3.1 Pro 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,GPT-6 Sol 为 54.3%,Kimi K3.1 Pro 为 65.5%。
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 67)。两者都约为 1.1M token(GPT-6 Sol 为 1,050,000,Kimi K3.1 Pro 为 1,048,576)。
哪个延迟更低?
GPT-6 Sol 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 36.9 秒比 157.4 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 Sol 和 Kimi K3.1 Pro 的看法一致吗?
在两者都有结果的 25 项基准测试中,GPT-6 Sol 领先 8 项,Kimi K3.1 Pro 领先 17 项。所有同时评测两者的综合评分都认为 Kimi K3.1 Pro 更强。
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。