#112 gpt-oss-120b
medium- Cost
- $0.001
- Timp
- 26.7s
- Tokenuri
- 555 tok
Rezumat
gpt-oss-120b obține 5.6 pe AI BENCHY și este pe #112. Are fiabilitate 10.0, rată de reușită 46.7%, cost total $0.012 și timp mediu de răspuns 20.89s.
Ce face gpt-oss-120b unic: Se remarcă cel mai mult la Combinat, unde este pe #1, iar Parsare și extragere de date este zona cea mai slabă, la #11. Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor. Folosește neobișnuit de multe tokenuri de raționament, ceea ce poate explica rulări mai lente sau mai scumpe.
5.6
Consistență
7.5
10.0
$0.012
Total tokenuri de ieșire
63,919
Total tokenuri de intrare
0
Preț de intrare
$0.000 / 1M
Preț de ieșire
$0.000 / 1M
Teste instabile
6
Testele instabile au avut rezultate mixte între rulări (cel puțin un succes și un eșec).
Prezentare generare
Hamster playing table tennis
Prompt: Create a detailed SVG illustration of a hamster playing table tennis.
Istoric rulări
| Testat la | Scor | Fiabilitate | Teste corecte | Cost total | Compară |
|---|---|---|---|---|---|
| 2026-06-04 13:44 Test nou adăugat | 6.1 | 10.0 | $0.013 ↓ | Compară | |
| 2026-05-22 00:18 Suită modificată | 5.6 | 10.0 | $0.012 | Rularea curentă | |
| 2026-04-21 12:42 Prima rulare înregistrată | 5.8 | N/D | $0.011 | Compară |
Această rulare a folosit o suită de benchmark diferită. Ține cont de schimbările suitei când interpretezi evoluția istorică.
Comparație între rulări
| Rulare | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|
| 2026-05-22 00:18 · Suită modificată | 5.6 | 7.5 | 10.0 | 7/20 | 6 | 63,919 | 0 | $0.012 | 20.89s |
| 2026-04-21 12:42 · Prima rulare înregistrată | 5.8 | 7.2 | N/D | 7/18 | 6 | 50,372 | 0 | $0.011 | 16.08s |
| Diferență | -0.3 | +0.3 | 0 | 0 | +13547 | 0 | +$0.002 | +4808ms |
Aceste două rulări au folosit suite de benchmark diferite, așa că diferențele reflectă atât schimbări ale modelului, cât și ale suitei.
Grafice
Alege primul model, apoi fă clic pe al doilea model pentru a deschide o pagină alăturată.
Top modele după scor
Scor vs Cost total
Timp de răspuns (mediu)
Scor vs Timp de răspuns (mediu)
Total tokenuri de ieșire
Scor vs Total tokenuri de ieșire
Comparație rapidă
gpt-oss-120bmediumDisponibil gratuitvsQwen3.7 Maxnonegpt-oss-120bmediumDisponibil gratuitvsQwen3.5-Flashmediumgpt-oss-120bmediumDisponibil gratuitvsGemini 3 Flash Previewnonegpt-oss-120bmediumDisponibil gratuitvsGemini 3.5 Flashminimalgpt-oss-120bmediumDisponibil gratuitvsGemini 3.5 Flashnonegpt-oss-120bmediumDisponibil gratuitvsRing-2.6-1Tmediumgpt-oss-120bmediumDisponibil gratuitvsGemini 3.5 Flashhighgpt-oss-120bmediumDisponibil gratuitvsGemini 3 Flash Previewmediumgpt-oss-120bmediumDisponibil gratuitvsNemotron 3 Ultra 550b A55bmediumDisponibil gratuitgpt-oss-120bmediumDisponibil gratuitvsGPT-5.5low
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.7 | 9.9 | |
| Programare | 3.9 | 5.6 | |
| Combinat | 10.0 | 10.0 | |
| Parsare și extragere de date | 6.4 | 5.9 | |
| Specific domeniului | 2.9 | 4.4 | |
| Inteligență generală | 4.3 | 10.0 | |
| Respectarea instrucțiunilor | 9.9 | 10.0 | |
| Rezolvare de puzzle-uri | 3.2 | 4.7 | |
| Apelare instrumente | 9.8 | 10.0 | |
| Cultură generală | 3.0 | 10.0 |