#91

gpt-oss-120b

OpenAI प्रकाशन: 2025-08-05 चाचणी तारीख: 2026-04-21 12:42 openai/gpt-oss-120b::none

(medium) (none)

स्कोअर

5.2

सुसंगतता

7.9

विश्वसनीयता

लागू नाही

एकूण खर्च

$0.009

एकूण आउटपुट टोकन्स

44,652

???? ???

$0.000 / 1M

????? ???

$0.000 / 1M

बरोबर चाचण्या

चुकीच्या चाचण्या: 14

प्रति प्रयत्न पास दर: 38.9%

अस्थिर चाचण्या

अस्थिर चाचण्यांत रन्समध्ये मिश्र निकाल असतात (किमान एक पास आणि एक फेल).

प्रतिसाद वेळ (सरासरी)

11.96s

प्रतिसाद वेळ (कमाल): 68.97s

प्रतिसाद वेळ (एकूण): 179.34s

चुकीचे उत्तर: 6 सूचनांचे पालन केले नाही: 5 API त्रुटी: 3

रन इतिहास

चाचणी तारीख	स्कोअर	विश्वसनीयता	बरोबर चाचण्या	एकूण खर्च	तुलना करा
2026-05-08 15:31 सूट बदलला	5.2	10.0		$0.011	तुलना करा
2026-04-21 12:42 पहिली नोंदलेली रन	5.2	लागू नाही		$0.009	सध्याची रन

रन तुलना

रन	स्कोअर	सुसंगतता	विश्वसनीयता	बरोबर चाचण्या	अस्थिर चाचण्या	एकूण आउटपुट टोकन्स	एकूण खर्च	प्रतिसाद वेळ (सरासरी)
2026-04-21 12:42 · पहिली नोंदलेली रन	5.2	7.9	लागू नाही	4/18	5	44,652	$0.009	11.96s
2026-05-08 15:31 · सूट बदलला	5.2	8.7	10.0	5/19	3	51,505	$0.011	21.86s
फरक	0.0	-0.8		-1	+2	-6853	-$0.002	-9905ms

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

श्रेणीवार तपशील

श्रेणी	स्कोअर	सुसंगतता
अँटी-एआय युक्त्या	6.6	8.0
कोडिंग	4.3	1.1
संयुक्त	3.0	10.0
डेटा पार्सिंग आणि निष्कर्षण	6.5	10.0
डोमेन-विशिष्ट	3.0	10.0
Samanya Buddhimatta	4.6	10.0
सूचनांचे पालन	8.4	6.9
कोडी सोडवणे	4.5	4.8
टूल कॉलिंग	3.0	10.0

gpt-oss-120b

चार्ट्स

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

श्रेणीवार तपशील

तुलना केलेली मॉडेल्स