#112 gpt-oss-120b
medium- लागत
- $0.001
- समय
- 26.7s
- टोकन
- 555 tok
OpenAI
रिलीज़: 2025-08-05
परीक्षण किया गया: 2026-05-22 00:18
openai/gpt-oss-120b::medium
(medium)
(none)
सारांश
gpt-oss-120b AI BENCHY पर 5.6 स्कोर करता है और #112 पर है। इसकी reliability 10.0, pass rate 46.7%, कुल लागत $0.012, और औसत response time 20.89s है।
gpt-oss-120b को अलग क्या बनाता है: यह संयुक्त में सबसे अलग दिखता है, जहाँ इसकी रैंक #1 है; जबकि डेटा पार्सिंग और निष्कर्षण इसकी सबसे कमजोर जगह है, जहाँ यह #11 पर है। इस score range के लिए इसकी कुल benchmark लागत असामान्य रूप से कम है। यह असामान्य रूप से अधिक reasoning tokens इस्तेमाल करता है, जिससे धीमे या महंगे runs समझ में आ सकते हैं।
5.6
संगति
7.5
10.0
$0.012
कुल आउटपुट टोकन
63,919
कुल इनपुट टोकन
0
इनपुट कीमत
$0.000 / 1M
आउटपुट कीमत
$0.000 / 1M
अस्थिर टेस्ट
6
अस्थिर टेस्ट में रनों के बीच मिले-जुले परिणाम रहे (कम से कम एक पास और एक फेल)।
जनरेशन शोकेस
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
रन इतिहास
| परीक्षण किया गया | स्कोर | विश्वसनीयता | सही परीक्षण | कुल लागत | तुलना करें |
|---|---|---|---|---|---|
| 2026-06-04 13:44 नया टेस्ट जोड़ा गया | 6.1 | 10.0 | $0.013 ↓ | तुलना करें | |
| 2026-05-22 00:18 सूट बदला गया | 5.6 | 10.0 | $0.012 | वर्तमान रन | |
| 2026-04-21 12:42 पहला दर्ज रन | 5.8 | लागू नहीं | $0.011 | तुलना करें |
इस रन में अलग बेंचमार्क सूट इस्तेमाल हुआ था। ऐतिहासिक बदलाव पढ़ते समय सूट बदलाव को ध्यान में रखें।
रन तुलना
| रन | स्कोर | संगति | विश्वसनीयता | सही परीक्षण | अस्थिर टेस्ट | कुल आउटपुट टोकन | कुल इनपुट टोकन | कुल लागत | प्रतिक्रिया समय (औसत) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:18 · सूट बदला गया | 5.6 | 7.5 | 10.0 | 7/20 | 6 | 63,919 | 0 | $0.012 | 20.89s |
| 2026-06-04 13:44 · नया टेस्ट जोड़ा गया | 6.1 | 8.0 | 10.0 | 9/21 | 5 | 70,246 | 39,084 | $0.013 | 22.28s |
| अंतर | -0.5 | -0.5 | 0.0 | -2 | +1 | -6327 | -39084 | -$0.001 | -1395ms |
इन दो रन में अलग-अलग बेंचमार्क सूट इस्तेमाल हुए थे, इसलिए अंतर मॉडल बदलाव और सूट बदलाव दोनों को दर्शाते हैं।
चार्ट
पहले मॉडल चुनें, फिर दूसरा मॉडल क्लिक करके साइड-बाय-साइड पेज खोलें।
स्कोर के अनुसार शीर्ष मॉडल
स्कोर vs कुल लागत
प्रतिक्रिया समय (औसत)
स्कोर vs प्रतिक्रिया समय (औसत)
कुल आउटपुट टोकन
स्कोर vs कुल आउटपुट टोकन
त्वरित तुलना
gpt-oss-120bmediumनिःशुल्क उपलब्धvsQwen3.7 Maxnonegpt-oss-120bmediumनिःशुल्क उपलब्धvsQwen3.5-Flashmediumgpt-oss-120bmediumनिःशुल्क उपलब्धvsGemini 3 Flash Previewnonegpt-oss-120bmediumनिःशुल्क उपलब्धvsGemini 3.5 Flashminimalgpt-oss-120bmediumनिःशुल्क उपलब्धvsGemini 3.5 Flashnonegpt-oss-120bmediumनिःशुल्क उपलब्धvsRing-2.6-1Tmediumgpt-oss-120bmediumनिःशुल्क उपलब्धvsGemini 3.5 Flashhighgpt-oss-120bmediumनिःशुल्क उपलब्धvsGemini 3 Flash Previewmediumgpt-oss-120bmediumनिःशुल्क उपलब्धvsNemotron 3 Ultra 550b A55bmediumनिःशुल्क उपलब्धgpt-oss-120bmediumनिःशुल्क उपलब्धvsGPT-5.5low
श्रेणी विवरण
| श्रेणी | स्कोर | संगति | सही परीक्षण |
|---|---|---|---|
| एंटी-एआई ट्रिक्स | 6.7 | 9.9 | |
| कोडिंग | 3.9 | 5.6 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग और निष्कर्षण | 6.4 | 5.9 | |
| डोमेन-विशिष्ट | 2.9 | 4.4 | |
| Samanya Buddhimatta | 4.3 | 10.0 | |
| निर्देश पालन | 9.9 | 10.0 | |
| पहेली समाधान | 3.2 | 4.7 | |
| टूल कॉलिंग | 9.8 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |