BenchLeader

Grok 4

推理强度
质量第 65 / 339 名
58.1Index
前四分之一
较中位数 +7.9
价格第 224 / 255 名
$6.00每百万 token
最贵的四分之一
中位数的 7.1 倍
速度第 136 / 216 名
69token/秒
低于中位数
中位数的 0.8 倍
性价比第 222 / 255 名
9.7分/$
后四分之一
中位数的 0.2 倍

性价比更高: MiMo-V2.5 $0.138/M 即可获得 Index 56.3,价格只有 43 分之一。

有 41 个更便宜的已排名模型得分更高:Gemini 4 Carbon (68.9, $4.00)、GPT-6.1 Sol (66.6, $4.00)、Gemini 4 Argon (65.3, $4.00),另有 38 个。

截至 2026年11月16日,Grok 4(SpaceXAI)在 BenchLeader Index 上得分 58.1(共 608 个已排名配置)。表现最好的是长上下文(68),最弱的是多模态(52)。API 价格为输入每百万 token $3.00、输出每百万 token $15.00(按 3:1 混合为 $6.00),为 2026年11月16日的标价。输出速度约为 69 token/秒(Artificial Analysis)。发布于 2025年7月9日。

要点(截至 2026年11月16日)

  • Grok 4 的 API 价格为输入每百万 token $3.00、输出每百万 token $15.00(按 3:1 混合为 $6.00)(标价,2026年11月16日)。
  • Grok 4 的输出速度约为 69 token/秒(Artificial Analysis,2026年11月16日)。
  • Grok 4 于 2025年7月9日发布(SpaceXAI)。

详细说明:Grok 4 是 SpaceXAI 的闭源推理模型,发布于 2025年7月9日。其最佳配置在 BenchLeader Index 上得分 58.1 ±3.1,在 608 个配置中排第 136 名,处于上半区。关键在于这个“±”:另有 229 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,长上下文得分最高(68),多模态最低(52)。按混合价格计,每百万 token $6.00,属于已排名模型中最贵的一档。输出速度为 69 token/秒,首次回答需 17.5 秒,比大多数模型慢。它已在 3 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
$6.00/M
输入 $3.00 · 输出 $15.00
来源:Artificial Analysis
输出速度
69 tok/s
由 Artificial Analysis 测量
首次回答
18 s
上下文
256k
来源:Artificial Analysis
完整回答
43 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7月9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60
  3. 编程56
  4. 智能体与工具59
  5. 数学58
  6. 知识56
  7. 指令遵循63
  8. 人类偏好59
  9. 多模态52
  10. 长上下文68

嵌入这个排名

更多徽章样式
[![Grok 4 on BenchLeader: 综合第 64 名](https://www.benchleader.com/badge/grok-4.svg?style=compact)](https://www.benchleader.com/models/grok-4)

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。

SpaceXAI 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

SpaceXAI 以这个名称发布过 11 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
Grok 4.7xhigh2026年9月21日57.4#154
Grok 4.6high2026年8月11日60.6#74
Grok 4.52026年7月8日59.3#109
Grok 4.3high2026年4月17日56.5#180
Grok 4.2high2026年3月10日––
Grok 4.20thinking2026年2月17日58.3#132
Grok 4.12025年11月17日57.1#160
Grok 4本页2025年7月9日58.1#136
Grok 32025年2月17日50.9#326
Grok 22024年12月12日42.3#495
Grok 4.20 1–––

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
high––69 tok/s18 s$0.0057智能体与工具 34 · 编程 69
thinking––69 tok/s18 s$0.0057推理 43
未说明最佳58.1#13669 tok/s18 s$0.0057智能体与工具 59 · 编程 56 · 人类偏好 59 · 指令遵循 63 · 知识 56 · 长上下文 68 · 数学 58 · 多模态 52 · 推理 60

Index 走势

2026年9月8日 至 2026年11月16日
545862

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

基准测试默认来源趋势
AA Openness Index不计入 Index5.6#307Artificial Analysis

推理

基准测试thinking默认来源趋势
GPQA Diamond推理强度未说明–87.0%#87Epoch AI Benchmarking Hub
SimpleBench推理强度未说明–60.5%#45SimpleBench
Arena Hard Prompts推理强度未说明–1421#152Arena (LMArena)
GPQA Diamond (AA)不计入 Index推理强度未说明–87.7%#97Artificial Analysis
Humanity's Last Exam (AA)不计入 Index推理强度未说明–26.7%#195Artificial Analysis
GPQA Diamond (Vals)不计入 Index推理强度未说明–88.1%#34Vals AI
Kagi LLM Benchmark推理强度未说明–73.6%#17Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明–72.6%#7HELM Capabilities
ARC-AGI-166.7%#158–ARC Prize
ARC-AGI-216.0%#158–ARC Prize
CritPt不计入 Index推理强度未说明–2.0%#220Artificial Analysis
Arena Expert不计入 Index推理强度未说明–1429#145Arena (LMArena)
ForecastBench不计入 Index推理强度未说明–64.7%#19ForecastBench

编程

基准测试high默认来源趋势
WeirdML推理强度未说明–45.7%#83WeirdML
Arena Coding推理强度未说明–1435#171Arena (LMArena)
LiveCodeBench推理强度未说明–83.3%#49Vals AI
SWE-bench (Vals)不计入 Index推理强度未说明–57.8%#77Vals AI
Aider Polyglot79.6%#7–Aider polyglot leaderboard
Design Arena Website不计入 Index推理强度未说明–1006#169Design Arena
LiveCodeBench (AA)不计入 Index推理强度未说明–81.9%#23Artificial Analysis

智能体与工具

基准测试high默认来源趋势
Terminal-Bench推理强度未说明–27.2%#76Terminal-Bench
GDPval21.1%#10–OpenAI
Cybench推理强度未说明–43.0%#4Cybench
Terminal-Bench Hard推理强度未说明–37.9%#62Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index推理强度未说明–74.8%#141Artificial Analysis
BFCL Overall推理强度未说明–63.0%#8Berkeley Function Calling Leaderboard
Terminal-Bench 2.0 (Vals)不计入 Index推理强度未说明–28.1%#46Vals AI
Arena Search不计入 Index推理强度未说明–1123#40Arena (LMArena)
BALROG不计入 Index推理强度未说明–43.6%#9BALROG
DeepResearch Bench不计入 Index推理强度未说明–47.3%#25DeepResearch Bench
METR Time Horizons不计入 Index推理强度未说明–66.6%#14METR

知识

基准测试默认来源趋势
MMLU-Pro85.3%#57Vals AI
LegalBench83.2%#57Vals AI
CorpFin66.0%#24Vals AI
TaxEval65.1%#113Vals AI
MedQA92.5%#31Vals AI
MMLU-Pro (HELM)不计入 Index85.1%#8HELM Capabilities
CaseLaw v2不计入 Index65.8%#9Vals AI
MedCode不计入 Index38.1%#70Vals AI
MedScribe不计入 Index78.2%#64Vals AI
Global-MMLU-Lite (AA)不计入 Index89.5%#17Artificial Analysis

指令遵循

人类偏好

基准测试默认来源趋势
Arena Text1411#147Arena (LMArena)
Arena Creative Writing不计入 Index1394#117Arena (LMArena)
Arena Multi-turn不计入 Index1413#145Arena (LMArena)
Arena Longer Queries不计入 Index1416#146Arena (LMArena)
Lech Mazur Creative Writing不计入 Index76.9%#22Lech Mazur

多模态

基准测试默认来源趋势
Arena Vision1210#87Arena (LMArena)
MMMU-Pro68.8%#174Artificial Analysis
MMMU-Pro (Vals)不计入 Index76.3%#53Vals AI
MortgageTax不计入 Index44.5%#84Vals AI
GeoBench不计入 Index45.0%#40GeoBench

长上下文

基准测试默认来源趋势
Fiction.LiveBench 120k96.9%#2Fiction.live
AA-LCR v1.168.0%#255Artificial Analysis

综合

基准测试默认来源趋势
Epoch Capabilities Index不计入 Index146.9#82Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index22.5#208Artificial Analysis
AA Progress Index v1不计入 Index262.3#236Artificial Analysis
HELM Capabilities mean不计入 Index78.5%#7HELM Capabilities

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。

价格历史

上述价格(每百万 token)在每个变动日的数值。

$0.00$4.13$8.25$12.38$16.5026年9月26年10月26年11月
输入 输出
当前:输入 $3.00 · 输出 $15.00

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。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$0.0057–21.9 s
总结一份 30 页的报告12,000 / 600$0.045–26.2 s
代码编辑6,000 / 1,500$0.041–39.3 s
智能体编程会话60,000 / 4,000$0.240–1.3 min
结构化信息提取2,000 / 200$0.0090–20.4 s

SpaceXAI 的更多模型

本月新上线

将 Grok 4 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 Grok 4 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。

[![Grok 4 on BenchLeader: 综合第 64 名](https://www.benchleader.com/badge/grok-4.svg)](https://www.benchleader.com/models/grok-4)

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

BibTeX:

@misc{benchleader_grok_4_20261116,
  author       = {{BenchLeader}},
  title        = {{Grok 4 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/grok-4}},
  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

Grok 4 的基准测试得分是多少?
截至 2026年11月16日,Grok 4 的 BenchLeader Index 为 58.1 ±3.1。最强的是长上下文(68),最弱的是多模态(52)。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。
Grok 4 排名第几?
截至 2026年11月16日,Grok 4 在 608 个已排名配置中排第 136 名。另有 229 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。
Grok 4 每百万 token 的价格是多少?
截至 2026年11月16日,Grok 4 的价格为输入每百万 token $3.00、输出每百万 token $15.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $6.00。标价最近一次变动是在 2026年9月9日。
Grok 4 比 Muse Spark 1.3 更好吗?
截至 2026年11月16日,Grok 4 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 58.1 比 61.6,在 ±8.8 的误差范围内),可根据价格、速度和你看重的类别来选择。逐项基准测试的详细对比见对比页面。
Grok 4 是什么时候发布的?
SpaceXAI 于 2025年7月9日发布了 Grok 4。BenchLeader 收录了它在 3 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,《Grok 4: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/grok-4。