AI BENCHY 对比
DeepSeek: DeepSeek V3.2 vs xAI: Grok 4.20
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-10
| 指标 | DeepSeek V3.2 DeepSeek V3.2 medium | Grok 4.20 Grok 4.20 medium |
|---|---|---|
| 分数 | 7.2 | 6.9 |
| 排名 | #61 | #68 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 7.5 | 8.3 |
| 测试正确 | ||
| 尝试通过率 | 72.8% | 63.2% |
| 不稳定测试 | 6 | 4 |
| 总运行次数 | 57 | 57 |
| 每个结果成本 | 0.278 | 7.559 |
| 总成本 | $0.031 | $0.756 |
| ???? | $0.252 / 1M | $1.250 / 1M |
| ???? | $0.378 / 1M | $2.500 / 1M |
| 输出令牌 | 7,035 | 1,784 |
| 推理令牌 | 53,765 | 128,233 |
| 响应时间（平均） | 46.06s | 14.53s |
| 响应时间（最大） | 180.92s | 63.48s |
| 响应时间（总计） | 875.23s | 276.06s |
分数 vs 总成本
响应时间（平均）
分数 vs 响应时间（平均）
总输出令牌
分数 vs 总输出令牌
类别细分
| 反AI技巧 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 9.2 | 10.0 | 100.0% | 0 | 24.23s | 3,247 | 6,953 | |
| Grok 4.20 | 8.2 | 7.9 | 83.3% | 1 | 3.95s | 287 | 8,312 |
| 编程 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 4.7 | 1.6 | 66.7% | 1 | 180.92s | 626 | 6,792 | |
| Grok 4.20 | 4.3 | 1.1 | 66.7% | 1 | 24.33s | 250 | 12,804 |
| 综合 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 10.0 | 10.0 | 100.0% | 0 | 93.11s | 571 | 6,296 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 17.40s | 232 | 9,556 |
| 数据解析与提取 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 10.0 | 10.0 | 100.0% | 0 | 36.09s | 207 | 7,693 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 4.17s | 180 | 5,333 |
| 领域专项 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 2.9 | 4.4 | 22.2% | 2 | 24.27s | 21 | 6,838 | |
| Grok 4.20 | 5.3 | 10.0 | 33.3% | 0 | 27.03s | 375 | 49,339 |
| 通用智能 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 3.8 | 2.5 | 50.0% | 1 | 58.29s | 49 | 2,189 | |
| Grok 4.20 | 3.9 | 2.6 | 33.3% | 1 | 24.48s | 65 | 6,440 |
| 指令遵循 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 10.0 | 10.0 | 100.0% | 0 | 35.78s | 1,397 | 2,845 | |
| Grok 4.20 | 7.3 | 6.0 | 83.3% | 1 | 4.42s | 40 | 5,474 |
| 谜题求解 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 6.7 | 5.0 | 66.7% | 2 | 36.87s | 390 | 6,281 | |
| Grok 4.20 | 7.7 | 10.0 | 66.7% | 0 | 6.20s | 149 | 7,913 |
| 工具调用 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 10.0 | 10.0 | 100.0% | 0 | 34.81s | 507 | 859 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 13.68s | 197 | 6,620 |
| 常识问答 | 分数 | 一致性 | 尝试通过率 | 不稳定测试 | 测试正确 | 响应时间（平均） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| DeepSeek V3.2 | 3.0 | 10.0 | 0.0% | 0 | 83.99s | 20 | 7,019 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 63.48s | 9 | 16,442 |
快速对比
切换对比组合
DeepSeek V4 ProhighvsGrok 4.20mediumClaude Sonnet 4.6nonevsDeepSeek V3.2mediumGemma 4 31Bnone免费可用vsGrok 4.20mediumGemini 3.1 Flash LiteminimalvsGrok 4.20mediumDeepSeek V3.2mediumvsRing 2.6 1tnone免费可用DeepSeek V3.2mediumvsQwen3.6 Max PreviewnoneGPT-5.5nonevsGrok 4.20mediumGemini 3.1 Flash LitenonevsGrok 4.20mediumQwen3.5 Plus 2026-02-15nonevsGrok 4.20mediumDeepSeek V3.2mediumvsGemma 4 31Bnone免费可用Claude Sonnet 4.6nonevsGrok 4.20mediumDeepSeek V3.2mediumvsGemini 3.1 Flash Liteminimal