AI BENCHY 对比
Google: Gemini 2.5 Flash vs xAI: Grok 4.20
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-01
| 指标 | Gemini 2.5 Flash Gemini 2.5 Flash none | Grok 4.20 Grok 4.20 medium |
|---|---|---|
| 分数 | 6.4 | 7.0 |
| 排名 | #95 | #79 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 9.6 | 8.4 |
| 测试正确 | ||
| 尝试通过率 | 48.3% | 63.3% |
| 不稳定测试 | 1 | 4 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 0.159 | 7.616 |
| 总成本 | $0.015 | $0.450 |
| 输入价格 | $0.300 / 1M | $1.250 / 1M |
| 输出价格 | $2.500 / 1M | $2.500 / 1M |
| 输出令牌 | 1,764 | 1,816 |
| 推理令牌 | 0 | 157,251 |
| 响应时间（平均） | 889ms | 19.08s |
| 响应时间（最大） | 4.39s | 105.80s |
| 响应时间（总计） | 17.79s | 381.60s |
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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 582ms | 102 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 6.8 | 10.0 | 50.0% | 0 | 810ms | 477 | 0 | |
| Grok 4.20 | 4.1 | 1.8 | 50.0% | 2 | 65.07s | 265 | 40,877 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 4.39s | 366 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 652ms | 279 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 5.9 | 7.2 | 55.6% | 1 | 495ms | 12 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 5.0 | 10.0 | 0.0% | 0 | 615ms | 78 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 590ms | 72 | 0 | |
| Grok 4.20 | 9.8 | 10.0 | 100.0% | 0 | 4.26s | 57 | 6,419 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 7.7 | 10.0 | 66.7% | 0 | 604ms | 132 | 0 | |
| Grok 4.20 | 7.7 | 10.0 | 66.7% | 0 | 6.22s | 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 10.0 | 10.0 | 100.0% | 0 | 1.91s | 234 | 0 | |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 1.15s | 12 | 0 | |
| 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 ProhighvsGemini 2.5 FlashnoneClaude Sonnet 4.6nonevsGrok 4.20mediumQwen3.6 Max PreviewnonevsGrok 4.20mediumGemini 2.5 FlashnonevsMercury 2mediumStep 3.7 FlashhighvsGrok 4.20mediumGemini 2.5 FlashnonevsQwen3.6 27BmediumRing-2.6-1TnonevsGrok 4.20mediumGemini 2.5 FlashnonevsGPT-5 NanomediumGemma 4 31Bnone免费可用vsGrok 4.20mediumClaude Opus 4.8nonevsGrok 4.20mediumGemini 2.5 FlashnonevsKimi K2.5mediumGemini 3.1 Flash LiteminimalvsGrok 4.20medium