BenchLeader

Grok 4.7 vs Qwen3.6 Max

完整资料:Grok 4.7(SpaceXAI)和 Qwen3.6 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,质量上 Qwen3.6 Max 领先 Grok 4.7(BenchLeader Index 62.1 比 57.4)。两者价格相近(每百万 token 混合价格 $3.00 比 $2.92)。看重编程(61 比 56)选 Grok 4.7;看重智能体与工具(72 比 57)、数学(64 比 56)和推理(61 比 56)选 Qwen3.6 Max。

要点(截至 2026年11月16日)

  • Grok 4.7 的 BenchLeader Index 为 57.4,Qwen3.6 Max 为 62.1(BenchLeader,2026年11月16日)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Qwen3.6 Max 每百万 token 混合价格为 $2.92(标价,2026年11月16日)。
  • 在 Arena WebDev 上,Grok 4.7 的评分为 1641,Qwen3.6 Max 为 1482(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Grok 4.7类别得分 61 比 56;Arena WebDev 1641 比 1482中
智能体与工具调用Qwen3.6 Max类别得分 72 比 57高
数学Qwen3.6 Max类别得分 64 比 56;Arena Maths 1471 比 1447高
推理Qwen3.6 Max类别得分 61 比 56;Arena Hard Prompts 1481 比 1466中
知识均可类别得分 60 比 60;SimpleQA Verified 56.0% 比 52.0%均可
长文档Qwen3.6 Max类别得分 65 比 63;AA-LCR v1.1 80.7% 比 76.7%中
对话质量(人类偏好)Qwen3.6 MaxArena 投票 65 比 63中
成本最低均可每百万 token 混合价格 $3.00 比 $2.92;智能体编程会话 $0.144 比 $0.109–
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 Qwen3.6 Max (max) 领先:62.1 比 57.4。
  • Grok 4.7 (xhigh) 在编程、知识方面更强。
  • Qwen3.6 Max (max) 在智能体与工具、人类偏好、长上下文、数学、推理方面更强。
  • 两者价格相近(每百万 token 混合价格 $2.92)。

概览

规格Grok 4.7Qwen3.6 Max
提供商SpaceXAIAlibaba
发布日期2026年9月21日2026年4月20日
上下文窗口(token)500,000262,144
对比时的配置Grok 4.7 (xhigh)Qwen3.6 Max (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $6.00 / $0.500$1.30 / $7.80 / $0.130

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Grok 4.7 (xhigh)Qwen3.6 Max (max)领先者
推理55.660.8Qwen3.6 Max
编程60.955.9Grok 4.7
智能体与工具56.972.1Qwen3.6 Max
数学55.864.4Qwen3.6 Max
知识59.959.7持平
指令遵循–74.7无法比较
人类偏好62.564.5Qwen3.6 Max
多模态55.5–无法比较
长上下文62.965.0Qwen3.6 Max
综合52.8–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人类偏好Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 人类偏好: 62.5Qwen3.6 Max, 推理: 60.8Qwen3.6 Max, 编程: 55.9Qwen3.6 Max, 智能体与工具: 72.1Qwen3.6 Max, 数学: 64.4Qwen3.6 Max, 知识: 59.7Qwen3.6 Max, 长上下文: 65.0Qwen3.6 Max, 人类偏好: 64.5

未绘制(测得的模型少于两个):指令遵循, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 18 项基准测试中,Grok 4.7 领先 9 项,Qwen3.6 Max 领先 9 项。所有同时评测两者的综合评分都认为 Qwen3.6 Max 更强。

综合 IndexGrok 4.7 (xhigh)Qwen3.6 Max (max)领先者
BenchLeader Index57.462.1Qwen3.6 Max
Arena Text14431460Qwen3.6 Max

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Grok 4.7 (xhigh)Qwen3.6 Max (max)
每百万 token 混合价格$3.00$2.92
每百万 token 输入 / 输出$2.00 / $6.00$1.30 / $7.80
每百万 token 缓存输入$0.500$0.130
每项任务价格:聊天回复$0.0026$0.0029
每项任务价格:总结一份 30 页的报告$0.028$0.020
每项任务价格:代码编辑$0.021$0.019
每项任务价格:智能体编程会话$0.144$0.109
每项任务价格:结构化信息提取$0.0052$0.0042
智能体编程会话(输入大多命中缓存)$0.076$0.057
每项基准测试任务成本(AA Index)$7.77–
每项任务输出 token(AA Index)105k–
其中推理部分69k–
每项任务耗时(AA Index)26 min–
输出速度68 tok/s–
首次回答时间55.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)145.5 秒–

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 秒)。Qwen3.6 Max (max) 得分 62.1。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 157 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Grok 4.7 (xhigh)Qwen3.6 Max (max)
BenchLeader IndexBenchLeader57.462.1
智能体与工具得分BenchLeader56.972.1
编程得分BenchLeader60.955.9
综合得分BenchLeader52.8–
人类偏好得分BenchLeader62.564.5
知识得分BenchLeader59.959.7
长上下文得分BenchLeader62.965.0
数学得分BenchLeader55.864.4
多模态得分BenchLeader55.5–
推理得分BenchLeader55.660.8
指令遵循得分BenchLeader–74.7
混合价格(美元/百万 token)BenchLeader$3.00$2.92
输出速度BenchLeader68 tok/s–
首次回答时间BenchLeader55.9 秒–
上下文窗口BenchLeader500,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%87.4%
SimpleBenchSimpleBench–63.0%
Arena Hard PromptsArena (LMArena)14661481
LiveBench 2.0 ReasoningLiveBench82.7%–
LiveBench 1.0 ReasoningLiveBench82.7%–
GPQA Diamond (AA)Artificial Analysis–88.8%
Humanity's Last Exam (AA)Artificial Analysis43.1%30.8%
HLE-Diamond (AA)Artificial Analysis23.2%–
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize61.4%–
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%3.7%
CritPt v2 hard subset (AA)Artificial Analysis33.5%–
MysteryMechanismVals AI25.2%–
HLE-Diamond (Scale)Scale AI SEAL23.4%†–
Arena ExpertArena (LMArena)14781497
Chess PuzzlesEpoch AI Benchmarking Hub41.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%19.0%†
LMCAEpoch AI Benchmarking Hub49.4%42.5%
DTBenchEpoch AI Benchmarking Hub96.0%87.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.7%
SciCodeSciCode57.4%–
FrontierCodeCognition47.6%†–
Arena CodingArena (LMArena)14931510
Arena WebDevArena (LMArena)16411482
显示全部 157 项基准测试
指标发布方Grok 4.7 (xhigh)Qwen3.6 Max (max)
编程
LiveBench 2.0 CodingLiveBench73.1%–
LiveBench 1.0 CodingLiveBench77.2%–
IOIVals AI57.7%–
SWE-bench (Vals)Vals AI–72.8%
Code MigrationVals AI44.8%–
Code Migration v1.1Vals AI53.2%–
ProgramBenchVals AI0.5%–
SWE-bench MultimodalVals AI42.9%–
Vibe Code Bench v1.1Vals AI86.2%–
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE Atlas v1.1Scale AI SEAL62.1%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†–
SWE Atlas v1.1: Test WritingScale AI SEAL64.4%†–
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†–
MirrorCodeEpoch AI Benchmarking Hub54.4%–
CursorBenchCursor46.3%–
ALE-BenchEpoch AI Benchmarking Hub1545.8–
FrontierSWEEpoch AI Benchmarking Hub29.5%–
WeirdML v3WeirdML8.4%–
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%–
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 263.6†–
GameBench 2 by reasoning settingDuelLab GameBench 271.2–
Design Arena WebsiteDesign Arena1244†–
FrontierCode 1.1 (AA)Artificial Analysis33.8%–
FrontierCode 2.0 (AA)Artificial Analysis28.7%–
智能体与工具
Terminal-BenchTerminal-Bench38.8%–
APEX-AgentsMercor54.6%†–
Arena AgentArena (LMArena)2.6–
LiveBench Long AgenticLiveBench45.3%–
LiveBench BrowserLiveBench49.3%–
LiveBench Agentic CodingLiveBench54.0%–
Terminal-Bench HardArtificial Analysis–43.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
Terminal-Bench 2.1 (Vals)Vals AI73.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%–
GDPval-AA v2.1Artificial Analysis1717–
ITBench SRE (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis52.5%–
CyberBenchVals AI69.5%–
Finance Agent v2Vals AI52.3%–
Finance Agent v2.1Vals AI60.6%–
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%–
Harvey's Legal Agent Benchmark v1Vals AI12.5%–
Legal Research BenchVals AI47.1%–
Robo-benchVals AI0.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%–
Terminal-Bench 2.0 (Vals)Vals AI–51.7%
Terminal-Bench 4.0 (Vals)Vals AI28.8%–
Terminal-Bench ScienceVals AI10.0%–
Arena Agent Task CompletionArena (LMArena)5.1–
Vending-Bench 2Andon Labs10536.8†4254.2
AutomationBenchArtificial Analysis65.6%–
GDP.pdf (AA)Artificial Analysis20.0%–
Harvey LAB-AA v1.1Harvey9.4%–
AA-Briefcase v1.1Artificial Analysis1636–
GDPxGDPx by SemiAnalysis3.9%–
Design Arena AgenticDesign Arena1277†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.4%–
CWE-Bench (AA)Artificial Analysis68.3%–
DeepSec-Bench (AA)Artificial Analysis26.9%–
CyberGym end-to-end (AA)Artificial Analysis74.0%–
MKA (AA)Artificial Analysis40.1%–
FACTS SearchGoogle85.6%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub53.0%–
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%–
OTIS Mock AIMEEpoch AI Benchmarking Hub98.1%91.1%
ProofBenchVals AI26.0%†–
LiveBench MathematicsLiveBench95.7%–
Arena MathsArena (LMArena)14471471
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%52.0%
LiveBench 2.0 Data AnalysisLiveBench76.9%–
LiveBench ResearchLiveBench89.5%–
LiveBench 1.0 Data AnalysisLiveBench76.9%–
AA-Omniscience v1.1Artificial Analysis31.2–
LegalBenchVals AI84.4%–
CorpFinVals AI–66.5%
PRBench LegalScale AI SEAL47.6%–
BioMysteryBenchVals AI69.3%–
CaseLaw v2Vals AI–47.9%
Excel Modeling BenchmarkVals AI67.0%–
Excel Modeling Benchmark v1.1Vals AI71.5%–
MedCodeVals AI49.5%–
MedScribeVals AI89.4%–
Public Benefits Bench v1.1Vals AI65.6%–
Access to Justice BenchmarkVals AI73.7%–
Financial Coaching BenchVals AI74.1%–
Immigration BenchVals AI68.0%–
GDP.pdfEpoch AI Benchmarking Hub22.8%–
AA-Omniscience v1.1: accuracyArtificial Analysis42.7%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis80.0%–
HealthBench Professional (AA)OpenAI55.8%–
FACTS ParametricGoogle54.3%†–
指令遵循
LiveBench LanguageLiveBench80.1%–
LiveBench Instruction FollowingLiveBench75.3%–
IFBenchArtificial Analysis–76.6%
Arena Instruction FollowingArena (LMArena)14351451
人类偏好
Arena TextArena (LMArena)14431460
EQ-Bench Creative Writing v3EQ-Bench2012†–
Arena Creative WritingArena (LMArena)14211438
Arena Multi-turnArena (LMArena)14351466
Arena Longer QueriesArena (LMArena)14541473
多模态
Arena VisionArena (LMArena)1230–
LiveBench DesignLiveBench75.0%–
MMMU-ProArtificial Analysis78.2%†–
SAGEVals AI88.7%–
GeoBenchGeoBench61.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub32.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub20.8%–
VIALS-AAHandshake AI37.9%–
Code2Video-AAArtificial Analysis1127–
AA-3DArtificial Analysis992–
FACTS MultimodalGoogle40.9%†–
长上下文
AA-LCR v1.1Artificial Analysis76.7%80.7%
MLCRArtificial Analysis20.0%–
FACTS GroundingGoogle68.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†149.8
LiveBench 2.0LiveBench67.9%–
LiveBench 1.0LiveBench77.4%–
AA Intelligence Index v5.0.1Artificial Analysis35.5–
AA Intelligence Index v4.3.2Artificial Analysis46.528.4
AA Progress Index v1Artificial Analysis322.7297.1
Vals IndexVals AI58.6–
Vals Finance IndexVals AI58.8%–
Vals RSI IndexVals AI20.2%–
Vals Science IndexVals AI34.8%–
Vals Router IndexVals AI58.6%†–
Vals Legal IndexVals AI72.7%–
AA Cyber IndexArtificial Analysis56.4–
安全与诚实
DistressBenchScale AI SEAL52.4%†–

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):1 项分数修订。
  • Grok 4.7 (xhigh):BenchLeader Index 59.5 → 58.0。

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

Grok 4.7 vs Qwen3.6 Max:常见问题

Qwen3.6 Max 比 Grok 4.7 更好吗?
质量上 Qwen3.6 Max (max) 领先:62.1 比 57.4。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Qwen3.6 Max (max) 总体领先,但请结合你的用途查看各类别得分。
Grok 4.7 和 Qwen3.6 Max 哪个更便宜?价格会变吗?
目前 Qwen3.6 Max 更便宜:每百万 token $2.92 比 $3.00(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 Grok 4.7 还是 Qwen3.6 Max 更好?
Grok 4.7 在编程方面得分更高(类别得分 61 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Grok 4.7 为 1641,Qwen3.6 Max 为 1482。
智能体和工具调用用 Grok 4.7 还是 Qwen3.6 Max 更好?
Qwen3.6 Max 在智能体任务方面得分更高(类别得分 72 比 57,50 为平均水平)。
处理长文档哪个更好?
Qwen3.6 Max 在长上下文基准测试上得分更高(65 比 63)。Grok 4.7 支持更长的上下文:500,000 token,Qwen3.6 Max 为 262,144 token。
更多问题(2)
第三方基准测试对 Grok 4.7 和 Qwen3.6 Max 的看法一致吗?
在两者都有结果的 18 项基准测试中,Grok 4.7 领先 9 项,Qwen3.6 Max 领先 9 项。所有同时评测两者的综合评分都认为 Qwen3.6 Max 更强。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。