#112 gpt-oss-120b
medium- खर्च
- $0.001
- वेळ
- 26.7s
- टोकन्स
- 555 tok
OpenAI
प्रकाशन: 2025-08-05
चाचणी तारीख: 2026-05-22 00:18
openai/gpt-oss-120b::medium
(medium)
(none)
सारांश
gpt-oss-120b AI BENCHY वर 5.6 स्कोर करते आणि #112 वर आहे. याची reliability 10.0, pass rate 46.7%, एकूण खर्च $0.012, आणि सरासरी response time 20.89s आहे.
gpt-oss-120b खास का आहे: हे संयुक्त मध्ये सर्वाधिक उठून दिसते, जिथे त्याचा rank #1 आहे; तर डेटा पार्सिंग आणि निष्कर्षण हा सर्वात कमकुवत भाग आहे, rank #11. या score range साठी एकूण benchmark खर्च असामान्यपणे कमी आहे. हे असामान्यपणे जास्त reasoning tokens वापरते, ज्यामुळे runs हळू किंवा महाग होऊ शकतात.
5.6
सुसंगतता
7.5
10.0
$0.012
एकूण आउटपुट टोकन्स
63,919
एकूण इनपुट टोकन्स
0
इनपुट किंमत
$0.000 / 1M
आउटपुट किंमत
$0.000 / 1M
अस्थिर चाचण्या
6
अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).
जनरेशन शोकेस
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
रन इतिहास
| चाचणी तारीख | स्कोअर | विश्वसनीयता | बरोबर चाचण्या | एकूण खर्च | तुलना करा |
|---|---|---|---|---|---|
| 2026-06-04 13:44 नवीन चाचणी जोडली | 6.1 | 10.0 | $0.013 ↓ | तुलना करा | |
| 2026-05-22 00:18 सूट बदलला | 5.6 | 10.0 | $0.012 | सध्याची रन | |
| 2026-04-21 12:42 पहिली नोंदलेली रन | 5.8 | लागू नाही | $0.011 | तुलना करा |
या रनमध्ये वेगळा बेंचमार्क सूट वापरला गेला. ऐतिहासिक बदल वाचताना सूटमधील बदल लक्षात घ्या.
रन तुलना
| रन | स्कोअर | सुसंगतता | विश्वसनीयता | बरोबर चाचण्या | अस्थिर चाचण्या | एकूण आउटपुट टोकन्स | एकूण इनपुट टोकन्स | एकूण खर्च | प्रतिसाद वेळ (सरासरी) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:18 · सूट बदलला | 5.6 | 7.5 | 10.0 | 7/20 | 6 | 63,919 | 0 | $0.012 | 20.89s |
| 2026-04-21 12:42 · पहिली नोंदलेली रन | 5.8 | 7.2 | लागू नाही | 7/18 | 6 | 50,372 | 0 | $0.011 | 16.08s |
| फरक | -0.3 | +0.3 | 0 | 0 | +13547 | 0 | +$0.002 | +4808ms |
या दोन रनमध्ये वेगवेगळे बेंचमार्क सूट वापरले गेले, त्यामुळे फरकांमध्ये मॉडेलमधील आणि सूटमधील दोन्ही बदल दिसतात.
चार्ट्स
पहिले मॉडेल निवडा, नंतर दुसरे मॉडेल क्लिक करून बाजू-बाजूची तुलना पेज उघडा.
स्कोअरनुसार शीर्ष मॉडेल्स
स्कोअर vs एकूण खर्च
प्रतिसाद वेळ (सरासरी)
स्कोअर vs प्रतिसाद वेळ (सरासरी)
एकूण आउटपुट टोकन्स
स्कोअर vs एकूण आउटपुट टोकन्स
झटपट तुलना
gpt-oss-120bmediumमोफत उपलब्धvsQwen3.7 Maxnonegpt-oss-120bmediumमोफत उपलब्धvsQwen3.5-Flashmediumgpt-oss-120bmediumमोफत उपलब्धvsGemini 3 Flash Previewnonegpt-oss-120bmediumमोफत उपलब्धvsGemini 3.5 Flashminimalgpt-oss-120bmediumमोफत उपलब्धvsGemini 3.5 Flashnonegpt-oss-120bmediumमोफत उपलब्धvsRing-2.6-1Tmediumgpt-oss-120bmediumमोफत उपलब्धvsGemini 3.5 Flashhighgpt-oss-120bmediumमोफत उपलब्धvsGemini 3 Flash Previewmediumgpt-oss-120bmediumमोफत उपलब्धvsNemotron 3 Ultra 550b A55bmediumमोफत उपलब्धgpt-oss-120bmediumमोफत उपलब्धvsGPT-5.5low
श्रेणीवार तपशील
| श्रेणी | स्कोअर | सुसंगतता | बरोबर चाचण्या |
|---|---|---|---|
| अँटी-एआय युक्त्या | 6.7 | 9.9 | |
| कोडिंग | 3.9 | 5.6 | |
| संयुक्त | 10.0 | 10.0 | |
| डेटा पार्सिंग आणि निष्कर्षण | 6.4 | 5.9 | |
| डोमेन-विशिष्ट | 2.9 | 4.4 | |
| Samanya Buddhimatta | 4.3 | 10.0 | |
| सूचनांचे पालन | 9.9 | 10.0 | |
| कोडी सोडवणे | 3.2 | 4.7 | |
| टूल कॉलिंग | 9.8 | 10.0 | |
| सामान्य ज्ञान | 3.0 | 10.0 |