BenchLeader

GPT-5.1

推理强度
质量第 75 / 339 名
57.5Index
前四分之一
较中位数 +7.3
价格第 197 / 255 名
$3.44每百万 token
最贵的四分之一
中位数的 4.0 倍
速度第 98 / 216 名
88token/秒
高于中位数
中位数的 1.1 倍
性价比第 198 / 255 名
16.7分/$
后四分之一
中位数的 0.3 倍

性价比更高: MiMo-V2.5 $0.138/M 即可获得 Index 56.3,价格只有 25 分之一。

有 29 个更便宜的已排名模型得分更高:GPT-6.1 Terra (64.1, $2.00)、Gemini 4 Hydrogen (63.4, $3.00)、Gemini 3.5 Flash (62.5, $3.38),另有 26 个。

截至 2026年11月16日,GPT-5.1(OpenAI)在 BenchLeader Index 上得分 57.5(共 608 个已排名配置)。表现最好的是指令遵循(71),最弱的是智能体与工具(41)。API 价格为输入每百万 token $1.25、输出每百万 token $10.00(按 3:1 混合为 $3.44),为 2026年11月16日的标价。输出速度约为 88 token/秒(Artificial Analysis)。发布于 2025年11月12日。

要点(截至 2026年11月16日)

  • GPT-5.1 的 API 价格为输入每百万 token $1.25、输出每百万 token $10.00(按 3:1 混合为 $3.44)(标价,2026年11月16日)。
  • GPT-5.1 的输出速度约为 88 token/秒(Artificial Analysis,2026年11月16日)。
  • GPT-5.1 于 2025年11月12日发布(OpenAI)。

详细说明:GPT-5.1 是 OpenAI 的闭源推理模型,发布于 2025年11月12日。其最佳配置(推理强度 high)在 BenchLeader Index 上得分 57.5 ±3.8,在 608 个配置中排第 151 名,处于上半区。关键在于这个“±”:另有 247 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,指令遵循得分最高(71),智能体与工具最低(41)。按混合价格计,每百万 token $3.44,比大多数已排名模型贵。输出速度为 88 token/秒,首次回答需 36.8 秒,比大多数模型快。它已在 6 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。

混合价格
$3.44/M
输入 $1.25 · 输出 $10.00
来源:Artificial Analysis
输出速度
88 tok/s
由 Artificial Analysis 测量
首次回答
37 s
首 token 1.41 s
上下文
400k
来源:models.dev
完整回答
80 s
最近一次测量 2026年11月13日
单任务成本
–
单任务 token 数
–
发布日期
2025年11月12日
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index58
  2. 推理53
  3. 编程56
  4. 智能体与工具41
  5. 数学59
  6. 知识59
  7. 指令遵循71
  8. 人类偏好64
  9. 多模态58
  10. 长上下文65

嵌入这个排名

更多徽章样式
[![GPT-5.1 on BenchLeader: 综合第 74 名](https://www.benchleader.com/badge/gpt-5-1.svg?style=compact)](https://www.benchleader.com/models/gpt-5-1)

粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。

OpenAI 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

版本

OpenAI 以这个名称发布过 13 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。

模型发布日期Index排名
GPT-5.62026年7月9日––
GPT-5.5xhigh2026年4月23日64.1#31
GPT-5.4xhigh2026年3月5日63.1#42
GPT-5.2xhigh2025年12月11日59.9#95
GPT-5.1high本页2025年11月12日57.5#151
GPT-5medium2025年8月7日59.0#113
GPT-4.12025年4月14日48.7#377
GPT-4.52025年2月27日50.5#335
GPT 4 01252024年1月25日––
GPT-4 11062023年11月6日––
GPT 4 06132023年6月13日39.5#541
GPT-42023年3月14日42.3#496
GPT-3.5–––

不同推理强度的配置

同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。

推理强度Index排名速度首次回答聊天回复成本类别
无推理45.7#44783 tok/s2.53 s$0.0035智能体与工具 54 · 指令遵循 46 · 长上下文 46 · 数学 39 · 多模态 44 · 推理 37
low––53 tok/s1.41 s$0.0035数学 51 · 推理 34
medium52.4#27953 tok/s1.41 s$0.0035智能体与工具 55 · 编程 50 · 数学 60 · 推理 48
high最佳57.5#15188 tok/s37 s$0.0035智能体与工具 41 · 编程 56 · 人类偏好 64 · 指令遵循 71 · 知识 59 · 长上下文 65 · 数学 59 · 多模态 58 · 推理 53
thinking54.6#22953 tok/s1.41 s$0.0035指令遵循 59 · 知识 59 · 多模态 53
未说明56.1#19353 tok/s1.41 s$0.0035智能体与工具 55 · 编程 44 · 人类偏好 62 · 指令遵循 70 · 数学 59 · 多模态 56 · 推理 56

Index 走势

2026年9月8日 至 2026年11月16日
485663
  • high
  • 默认
  • thinking
  • medium

Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。

基准测试结果

查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。

元数据

基准测试无推理high来源趋势
AA Openness Index不计入 Index5.6#3075.6#307Artificial Analysis

推理

基准测试无推理lowmediumhigh默认来源趋势
GPQA Diamond66.7%#191–85.0%#10387.6%#82–Epoch AI Benchmarking Hub
Humanity's Last Exam6.8%#38–––23.7%#19Scale AI / CAIS
SimpleBench–––53.2%#57–SimpleBench
Arena Hard Prompts–––1476#741456#110Arena (LMArena)
GPQA Diamond (AA)不计入 Index64.3%#355––87.3%#101–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index5.3%#460––28.5%#178–Artificial Analysis
GPQA Diamond (Vals)不计入 Index–––86.6%#40–Vals AI
GPQA Diamond (HELM)不计入 Index推理强度未说明––––44.2%#41HELM Capabilities
ARC-AGI-15.8%#25033.2%#21357.7%#17372.8%#145–ARC Prize
ARC-AGI-20.4%#2481.9%#2136.5%#17617.6%#156–ARC Prize
CritPt不计入 Index0.0%#337––4.9%#174–Artificial Analysis
Arena Expert不计入 Index–––1481#781454#110Arena (LMArena)
Chess Puzzles不计入 Index6.0%#14223.0%#88–42.0%#39–Epoch AI Benchmarking Hub
Mystery Game Puzzles不计入 Index15.0%#9619.0%#6916.0%#89––Epoch AI Benchmarking Hub
CL-bench不计入 Index–––23.7%#221.1%#4Epoch AI Benchmarking Hub
CL-bench Life不计入 Index–––17.3%#4–Epoch AI Benchmarking Hub
LMCA不计入 Index–––43.9%#104–Epoch AI Benchmarking Hub
DTBench不计入 Index–––90.1%#88–Epoch AI Benchmarking Hub
ForecastBench不计入 Index推理强度未说明––––62.0%#60ForecastBench

编程

基准测试无推理lowmediumhigh默认来源趋势
SWE-bench Verified (Epoch)–––68.0%#26–Epoch AI Benchmarking Hub
SciCode推理强度未说明––––43.3%#162SciCode
WeirdML–––60.8%#47–WeirdML
GSO-Bench–––13.7%#2013.7%#19GSO-Bench
Arena Coding–––1492#951475#116Arena (LMArena)
Arena WebDev––1397#105–1342#123Arena (LMArena)
LiveCodeBench–––86.5%#21–Vals AI
SWE-bench (Vals)不计入 Index–––69.8%#62–Vals AI
SWE-bench Verified (bash only)––66.0%#18––SWE-bench
SWE-bench Verified (any scaffold)不计入 Index––66.0%#20––SWE-bench
Vibe Code Bench v1.1不计入 Index–––24.6%#85–Vals AI
ALE-Bench不计入 Index–––1192.2#50–Epoch AI Benchmarking Hub
Terminal-Bench 2.1 (AA)不计入 Index–––52.4%#116–Artificial Analysis
Design Arena Website不计入 Index1159#1161164#1121170#1081179#99–Design Arena
LiveCodeBench (AA)不计入 Index49.4%#143––86.8%#9–Artificial Analysis

智能体与工具

基准测试无推理lowmediumhigh默认来源趋势
Terminal-Bench––47.6%#43–47.6%#44Terminal-Bench
Terminal-Bench Hard22.7%#157––45.5%#34–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index46.5%#209––81.9%#116–Artificial Analysis
MCP Atlas–––50.1%#35–Scale AI SEAL
GDPval-AA v2.1不计入 Index–––834#206–Artificial Analysis
τ³-Banking (AA)–––15.9%#116–Artificial Analysis
Poker Agent不计入 Index推理强度未说明––––1038.6%#9Vals AI
Terminal-Bench 2.0 (Vals)不计入 Index–––44.9%#23–Vals AI
Arena Search不计入 Index推理强度未说明––––1184#30Arena (LMArena)
DeepResearch Bench不计入 Index–42.8%#33–––DeepResearch Bench
Vending-Bench 2不计入 Index推理强度未说明––––1473.4#55Andon Labs
Design Arena Agentic不计入 Index推理强度未说明––––1009#76Design Arena

数学

基准测试无推理lowmediumhigh默认来源趋势
OTIS Mock AIME37.8%#21263.9%#16885.6%#10788.6%#92–Epoch AI Benchmarking Hub
AIME (Vals)–––93.3%#15–Vals AI
MGSM–––93.0%#12–Vals AI
MathArena Apex可能存在污染–––1.0%#36–MathArena
Omni-MATH (HELM)推理强度未说明––––46.4%#23HELM Capabilities
Arena Maths–––1459#691424#121Arena (LMArena)
AIME 2025 (AA)不计入 Index38.0%#157––94.0%#14–Artificial Analysis

知识

基准测试highthinking默认来源趋势
SimpleQA Verified48.0%#37––Epoch AI Benchmarking Hub
MMLU-Pro86.4%#41––Vals AI
LegalBench85.7%#20––Vals AI
CorpFin63.8%#41––Vals AI
TaxEval74.9%#26––Vals AI
MedQA96.4%#2––Vals AI
PRBench Finance–48.0%#14–Scale AI SEAL
PRBench Legal–49.3%#14–Scale AI SEAL
MultiNRC可能存在污染–49.0%#10–Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明––57.9%#51HELM Capabilities
CaseLaw v2不计入 Index73.4%#2––Vals AI
MedCode不计入 Index52.7%#13––Vals AI
MedScribe不计入 Index88.1%#14––Vals AI
Global-MMLU-Lite (AA)不计入 Index90.6%#10––Artificial Analysis

指令遵循

基准测试无推理highthinking默认来源趋势
IFBench43.2%#23072.9%#45––Artificial Analysis
MultiChallenge––63.4%#12–Scale AI SEAL
TutorBench––54.1%#7–Scale AI SEAL
IFEval (HELM)推理强度未说明–––93.5%#3HELM Capabilities
WildBench (HELM)推理强度未说明–––86.3%#2HELM Capabilities
Arena Instruction Following不计入 Index–1450#69–1426#106Arena (LMArena)

人类偏好

基准测试high默认来源趋势
Arena Text1455#721439#100Arena (LMArena)
Arena Creative Writing不计入 Index1428#771408#99Arena (LMArena)
Arena Multi-turn不计入 Index1464#761448#93Arena (LMArena)
Arena Longer Queries不计入 Index1460#781442#109Arena (LMArena)

多模态

基准测试无推理mediumhighthinking默认来源趋势
Arena Vision––1249#63–1235#75Arena (LMArena)
MMMU-Pro62.4%#209–75.5%#110––Artificial Analysis
VISTA–––43.8%#31–Scale AI SEAL
MMMU-Pro (Vals)不计入 Index––83.2%#33––Vals AI
MortgageTax不计入 Index––61.4%#58––Vals AI
VPCT不计入 Index–53.3%#958.7%#7––Epoch AI Benchmarking Hub

长上下文

基准测试无推理high默认来源趋势
AA-LCR v1.145.0%#36080.0%#88–Artificial Analysis
Arena Document不计入 Index推理强度未说明––1416#45Arena (LMArena)

综合

基准测试无推理high默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明––150.9#63Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index13.3#32124.7#178–Artificial Analysis
AA Progress Index v1不计入 Index206.2#399275.7#190–Artificial Analysis
HELM Capabilities mean不计入 Index推理强度未说明––65.6%#33HELM Capabilities

安全与诚实

基准测试thinking来源趋势
FORTRESS不计入 Index25.7%#48Scale AI SEAL
MASK不计入 Index可能存在污染86.3%#16Scale AI SEAL

优势所在

在所有已测配置中,这个配置排名前五的基准测试。

API 价格:在哪里调用

通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。

提供商速度首 token输入 $/M输出 $/M上下文量化
OpenAI159 tok/s0.68 s$0.625$5.00400k–
Azure55 tok/s0.96 s$1.25$10.00400k–
OpenAI53 tok/s1.32 s$1.25$10.00400k–

一项任务的成本

根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.125。未计入推理 token。

工作负载输入 / 输出 token成本使用缓存耗时
聊天回复400 / 300$0.0035$0.003240.2 s
总结一份 30 页的报告12,000 / 600$0.021$0.01143.6 s
代码编辑6,000 / 1,500$0.022$0.01753.8 s
智能体编程会话60,000 / 4,000$0.115$0.0641.4 min
结构化信息提取2,000 / 200$0.0045$0.002839.1 s

OpenAI 的更多模型

本月新上线

将 GPT-5.1 与以下模型对比

另请参阅

嵌入或引用

在模型卡片或 README 中展示 GPT-5.1 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。

[![GPT-5.1 on BenchLeader: 综合第 74 名](https://www.benchleader.com/badge/gpt-5-1.svg)](https://www.benchleader.com/models/gpt-5-1)

引用本页

排名每天都会变化,因此引用时需注明数据日期。APA 格式:

BenchLeader. (2026, November 16). GPT-5.1 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-5-1

BibTeX:

@misc{benchleader_gpt_5_1_20261116,
  author       = {{BenchLeader}},
  title        = {{GPT-5.1 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/gpt-5-1}},
  note         = {Data as of 2026-11-16}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

常见问题

GPT-5.1 的基准测试得分是多少?
截至 2026年11月16日,GPT-5.1(推理强度 high)的 BenchLeader Index 为 57.5 ±3.8。最强的是指令遵循(71),最弱的是智能体与工具(41)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
GPT-5.1 排名第几?
截至 2026年11月16日,GPT-5.1(推理强度 high)在 608 个已排名配置中排第 151 名。另有 247 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
GPT-5.1 每百万 token 的价格是多少?
截至 2026年11月16日,GPT-5.1 的价格为输入每百万 token $1.25、输出每百万 token $10.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $3.44。
GPT-5.1 比 Muse Spark 更好吗?
截至 2026年11月16日,Muse Spark 在质量上领先(BenchLeader Index 64.2 比 57.5)。逐项基准测试的详细对比见对比页面。
GPT-5.1 是什么时候发布的?
OpenAI 于 2025年11月12日发布了 GPT-5.1。BenchLeader 收录了它在 6 种推理强度设置下的结果。

数据截至 2026年11月16日。 对比这些配置

引用格式:BenchLeader,《GPT-5.1:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/gpt-5-1。