GPT-5.1
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
- 综合 Index58
- 推理53
- 编程56
- 智能体与工具41
- 数学59
- 知识59
- 指令遵循71
- 人类偏好64
- 多模态58
- 长上下文65
嵌入这个排名
更多徽章样式[](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。
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-5.6 | 2026年7月9日 | – | – |
| GPT-5.5xhigh | 2026年4月23日 | 64.1 | #31 |
| GPT-5.4xhigh | 2026年3月5日 | 63.1 | #42 |
| GPT-5.2xhigh | 2025年12月11日 | 59.9 | #95 |
| GPT-5.1high本页 | 2025年11月12日 | 57.5 | #151 |
| GPT-5medium | 2025年8月7日 | 59.0 | #113 |
| GPT-4.1 | 2025年4月14日 | 48.7 | #377 |
| GPT-4.5 | 2025年2月27日 | 50.5 | #335 |
| GPT 4 0125 | 2024年1月25日 | – | – |
| GPT-4 1106 | 2023年11月6日 | – | – |
| GPT 4 0613 | 2023年6月13日 | 39.5 | #541 |
| GPT-4 | 2023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 | #447 | 83 tok/s | 2.53 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/s | 1.41 s | $0.0035 | 数学 51 · 推理 34 |
| medium | 52.4 | #279 | 53 tok/s | 1.41 s | $0.0035 | 智能体与工具 55 · 编程 50 · 数学 60 · 推理 48 |
| high最佳 | 57.5 | #151 | 88 tok/s | 37 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 |
| thinking | 54.6 | #229 | 53 tok/s | 1.41 s | $0.0035 | 指令遵循 59 · 知识 59 · 多模态 53 |
| 未说明 | 56.1 | #193 | 53 tok/s | 1.41 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- 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 Index | 5.6#307 | 5.6#307 | Artificial Analysis |
推理
编程
| 基准测试 | 无推理 | low | medium | high | 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%#162 | SciCode | |
| WeirdML | – | – | – | 60.8%#47 | – | WeirdML | |
| GSO-Bench | – | – | – | 13.7%#20 | 13.7%#19 | GSO-Bench | |
| Arena Coding | – | – | – | 1492#95 | 1475#116 | Arena (LMArena) | |
| Arena WebDev | – | – | 1397#105 | – | 1342#123 | Arena (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 Index | 1159#116 | 1164#112 | 1170#108 | 1179#99 | – | Design Arena | |
| LiveCodeBench (AA)不计入 Index | 49.4%#143 | – | – | 86.8%#9 | – | Artificial Analysis |
智能体与工具
| 基准测试 | 无推理 | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| Terminal-Bench | – | – | 47.6%#43 | – | 47.6%#44 | Terminal-Bench | |
| Terminal-Bench Hard | 22.7%#157 | – | – | 45.5%#34 | – | Artificial Analysis | |
| τ²-Bench Telecom (AA)不计入 Index | 46.5%#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%#9 | Vals 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#30 | Arena (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#55 | Andon Labs | |
| Design Arena Agentic不计入 Index推理强度未说明 | – | – | – | – | 1009#76 | Design Arena |
数学
| 基准测试 | 无推理 | low | medium | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| OTIS Mock AIME | 37.8%#212 | 63.9%#168 | 85.6%#107 | 88.6%#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%#23 | HELM Capabilities | |
| Arena Maths | – | – | – | 1459#69 | 1424#121 | Arena (LMArena) | |
| AIME 2025 (AA)不计入 Index | 38.0%#157 | – | – | 94.0%#14 | – | Artificial Analysis |
知识
| 基准测试 | high | thinking | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| SimpleQA Verified | 48.0%#37 | – | – | Epoch AI Benchmarking Hub | |
| MMLU-Pro | 86.4%#41 | – | – | Vals AI | |
| LegalBench | 85.7%#20 | – | – | Vals AI | |
| CorpFin | 63.8%#41 | – | – | Vals AI | |
| TaxEval | 74.9%#26 | – | – | Vals AI | |
| MedQA | 96.4%#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%#51 | HELM Capabilities | |
| CaseLaw v2不计入 Index | 73.4%#2 | – | – | Vals AI | |
| MedCode不计入 Index | 52.7%#13 | – | – | Vals AI | |
| MedScribe不计入 Index | 88.1%#14 | – | – | Vals AI | |
| Global-MMLU-Lite (AA)不计入 Index | 90.6%#10 | – | – | Artificial Analysis |
指令遵循
| 基准测试 | 无推理 | high | thinking | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|
| IFBench | 43.2%#230 | 72.9%#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%#3 | HELM Capabilities | |
| WildBench (HELM)推理强度未说明 | – | – | – | 86.3%#2 | HELM Capabilities | |
| Arena Instruction Following不计入 Index | – | 1450#69 | – | 1426#106 | Arena (LMArena) |
人类偏好
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| Arena Text | 1455#72 | 1439#100 | Arena (LMArena) | |
| Arena Creative Writing不计入 Index | 1428#77 | 1408#99 | Arena (LMArena) | |
| Arena Multi-turn不计入 Index | 1464#76 | 1448#93 | Arena (LMArena) | |
| Arena Longer Queries不计入 Index | 1460#78 | 1442#109 | Arena (LMArena) |
多模态
| 基准测试 | 无推理 | medium | high | thinking | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| Arena Vision | – | – | 1249#63 | – | 1235#75 | Arena (LMArena) | |
| MMMU-Pro | 62.4%#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%#9 | 58.7%#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 v1.1 | 45.0%#360 | 80.0%#88 | – | Artificial Analysis | |
| Arena Document不计入 Index推理强度未说明 | – | – | 1416#45 | Arena (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#63 | Epoch AI Benchmarking Hub | |
| AA Intelligence Index v4.3.2不计入 Index | 13.3#321 | 24.7#178 | – | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 206.2#399 | 275.7#190 | – | Artificial Analysis | |
| HELM Capabilities mean不计入 Index推理强度未说明 | – | – | 65.6%#33 | HELM Capabilities |
安全与诚实
| 基准测试 | thinking | 来源 | 趋势 |
|---|---|---|---|
| FORTRESS不计入 Index | 25.7%#48 | Scale AI SEAL | |
| MASK不计入 Index可能存在污染 | 86.3%#16 | Scale 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 |
|---|---|---|---|---|---|---|
| OpenAI | 159 tok/s | 0.68 s | $0.625 | $5.00 | 400k | – |
| Azure | 55 tok/s | 0.96 s | $1.25 | $10.00 | 400k | – |
| OpenAI | 53 tok/s | 1.32 s | $1.25 | $10.00 | 400k | – |
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 | $0.0032 | 40.2 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.021 | $0.011 | 43.6 s |
| 代码编辑 | 6,000 / 1,500 | $0.022 | $0.017 | 53.8 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.115 | $0.064 | 1.4 min |
| 结构化信息提取 | 2,000 / 200 | $0.0045 | $0.0028 | 39.1 s |
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。
[](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}
}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。