AI BENCHY 对比
DeepSeek: DeepSeek V4 Pro vs OpenAI: gpt-oss-120b
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-03
| 指标 | DeepSeek V4 Pro DeepSeek V4 Pro high | gpt-oss-120b gpt-oss-120b none 免费可用 |
|---|---|---|
| 分数 | 6.1 | 5.4 |
| 排名 | #100 | #126 |
| 可靠性 | 8.9 | 10.0 |
| 一致性 | 7.6 | 9.1 |
| 测试正确 | ||
| 尝试通过率 | 55.0% | 38.6% |
| 不稳定测试 | 6 | 2 |
| 总运行次数 | 60 | 57 |
| 每个结果成本 | 2.660 | 0.168 |
| 总成本 | $0.062 | $0.010 |
| 输入价格 | $0.435 / 1M | $0.039 / 1M |
| 输出价格 | $0.870 / 1M | $0.180 / 1M |
| 总输入令牌 | 30,514 | 9,081 |
| 输出令牌 | 12,244 | 51,664 |
| 推理令牌 | 53,958 | 0 |
| 响应时间（平均） | 58.92s | 21.61s |
| 响应时间（最大） | 358.35s | 113.71s |
| 响应时间（总计） | 1119.51s | 345.79s |
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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 6.4 | 7.9 | 58.3% | 1 | 16.53s | 448 | 71 | 3,617 | |
| gpt-oss-120b | 6.5 | 10.0 | 50.0% | 0 | 32.84s | 1,336 | 8,676 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 2.7 | 5.7 | 16.7% | 1 | 51.77s | 240 | 105 | 2,641 | |
| gpt-oss-120b | 4.3 | 1.1 | 66.7% | 1 | 9.57s | 901 | 3,232 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 10.0 | 10.0 | 100.0% | 0 | 65.02s | 14,016 | 465 | 5,914 | |
| gpt-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 7.3 | 5.9 | 83.3% | 1 | 23.62s | 5,633 | 229 | 1,710 | |
| gpt-oss-120b | 6.5 | 10.0 | 50.0% | 0 | 7.12s | 2,421 | 598 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 2.9 | 7.2 | 11.1% | 1 | 205.66s | 430 | 10,529 | 28,089 | |
| gpt-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 34.98s | 1,294 | 29,483 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 6.1 | 3.1 | 66.7% | 1 | 25.09s | 314 | 76 | 1,152 | |
| gpt-oss-120b | 4.8 | 10.0 | 0.0% | 0 | 10.79s | 584 | 615 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 10.0 | 10.0 | 100.0% | 0 | 41.16s | 627 | 205 | 2,416 | |
| gpt-oss-120b | 9.8 | 10.0 | 100.0% | 0 | 5.06s | 1,043 | 1,940 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 5.9 | 7.2 | 55.6% | 1 | 34.84s | 544 | 139 | 4,019 | |
| gpt-oss-120b | 6.0 | 7.2 | 55.6% | 1 | 8.21s | 1,188 | 3,982 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 10.0 | 10.0 | 100.0% | 0 | 21.33s | 8,079 | 372 | 593 | |
| gpt-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | 0 |
| 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） | 输入令牌 | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4 Pro | 3.0 | 10.0 | 0.0% | 0 | 39.14s | 183 | 53 | 3,807 | |
| gpt-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 47.29s | 314 | 3,138 | 0 |
快速对比
切换对比组合
MiniMax M2.5mediumvsgpt-oss-120bnone免费可用DeepSeek V4 ProhighvsGPT-5 NanomediumMiniMax M2.7mediumvsgpt-oss-120bnone免费可用Mistral Small 4mediumvsgpt-oss-120bnone免费可用DeepSeek V4 ProhighvsMimo V2 OmninoneDeepSeek V4 ProhighvsGemma 4 26B A4Bnone免费可用DeepSeek V4 ProhighvsNemotron 3 Supermedium免费可用DeepSeek V4 Prohighvsgpt-oss-120bmedium免费可用DeepSeek V4 ProhighvsQwen3.5-Flashnonegpt-oss-120bnone免费可用vsElephant AlphamediumDeepSeek V4 ProhighvsGLM 5V TurbononeSeed-2.0-LitenonevsDeepSeek V4 Prohigh