#73 gpt-oss-120b
medium- Cost
- $0.001
- Timp
- 26.7s
- Tokenuri
- 555 tok
OpenAI
Lansare: 2025-08-05
Testat la: 2026-04-21 12:42
openai/gpt-oss-120b::medium
117B în total (5.1B activi)MoESursă deschisă
(medium)
(none)
Rezumat
gpt-oss-120b obține 5.8 pe AI BENCHY și este pe #73. Are fiabilitate N/D, rată de reușită 51.9%, cost total $0.011 și timp mediu de răspuns 16.08s.
Ce face gpt-oss-120b unic: Costul total al benchmarkului este neobișnuit de mic pentru acest nivel de scor.
Date despre model
Documentat la 2026-08-12
- Parametri
- 117B în total (5.1B activi)
- Arhitectură
- MoE
- Disponibilitate
- Sursă deschisă
- Licență
- Apache-2.0
5.8
Consistență
7.2
N/D
$0.011
Total tokenuri de ieșire
50,372
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).
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 |
|---|---|---|---|---|---|
| 2026-08-14 02:08 Retestare | 6.1 | 10.0 | $0.019 ↓ | Compară | |
| 2026-07-16 22:24 Test nou adăugat | 6.1 | 10.0 | $0.019 ↓ | 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 | Compară | |
| 2026-04-21 12:42 Prima rulare înregistrată | 5.8 | N/D | $0.011 | Rularea curentă |
Comparație între rulări
| Rulare | Acoperire benchmark | Scor | Consistență | Fiabilitate | Teste corecte | Teste instabile | Total tokenuri de ieșire | Total tokenuri de intrare | Cost total | Timp de răspuns (mediu) |
|---|---|---|---|---|---|---|---|---|---|---|
| 2026-04-21 12:42 · Prima rulare înregistrată | 54/54 încercări | 5.8 | 7.2 | N/D | 7/18 | 6 | 50,372 | 0 | $0.011 | 16.08s |
| 2026-06-04 13:44 · Test nou adăugat | 63/63 încercări | 6.1 | 8.0 | 10.0 | 9/21 | 5 | 70,246 | 39,084 | $0.013 | 22.28s |
| Diferență | — | -0.3 | -0.8 | -2 | +1 | -19874 | -39084 | -$0.003 | -6203ms |
Acoperirea benchmark diferă: 54/54 încercări (Țintă: 3 repetări per test) față de 63/63 încercări (Țintă: 3 repetări per test). Totalurile și metricile sensibile la repetări nu sunt direct comparabile.
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 gratuitvsQwen3.5-35B-A3Bmediumgpt-oss-120bmediumDisponibil gratuitvsQwen3.7 Flashnonegpt-oss-120bmediumDisponibil gratuitvsGemini 3.1 Flash Liteminimalgpt-oss-120bmediumDisponibil gratuitvsGemini 3.1 Flash Litenonegpt-oss-120bmediumDisponibil gratuitvsClaude Sonnet 5nonegpt-oss-120bmediumDisponibil gratuitvsQwen3.5-Flashmediumgpt-oss-120bmediumDisponibil gratuitvsGPT-5.6 Lunalowgpt-oss-120bmediumDisponibil gratuitvsInklinglowgpt-oss-120bmediumDisponibil gratuitvsGemma 4 31BmediumDisponibil gratuitgpt-oss-120bmediumDisponibil gratuitvsTrinity Large Thinkingmedium
Defalcare pe categorii
| Categorie | Scor | Consistență | Teste corecte |
|---|---|---|---|
| Trucuri anti-AI | 6.7 | 9.9 | |
| Programare | 4.3 | 1.1 | |
| 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 |