AI BENCHY 对比
Google: Gemma 4 31B vs OpenAI: GPT-5.3-Codex
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-10
| 指标 | Gemma 4 31B Gemma 4 31B medium 免费可用 | GPT-5.3-Codex GPT-5.3-Codex medium |
|---|---|---|
| 分数 | 8.2 | 8.2 |
| 排名 | #14 | #13 |
| 可靠性 | 6.7 | 10.0 |
| 一致性 | 9.6 | 8.3 |
| 测试正确 | ||
| 尝试通过率 | 77.2% | 80.7% |
| 不稳定测试 | 1 | 4 |
| 总运行次数 | 57 | 57 |
| 每个结果成本 | 0.158 | 4.594 |
| 总成本 | $0.023 | $0.598 |
| ???? | $0.130 / 1M | $1.750 / 1M |
| ???? | $0.380 / 1M | $14.000 / 1M |
| 输出令牌 | 14,426 | 2,309 |
| 推理令牌 | 37,964 | 36,880 |
| 响应时间（平均） | 28.72s | 15.33s |
| 响应时间（最大） | 90.14s | 100.93s |
| 响应时间（总计） | 488.27s | 291.34s |
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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 10.0 | 10.0 | 100.0% | 0 | 12.89s | 962 | 2,046 | |
| GPT-5.3-Codex | 8.7 | 7.9 | 91.7% | 1 | 4.16s | 240 | 1,722 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 4.7 | 1.6 | 66.7% | 1 | 70.97s | 3,166 | 5,449 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 8.95s | 491 | 1,530 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 19.56s | 364 | 2,731 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 10.0 | 10.0 | 100.0% | 0 | 21.11s | 1,822 | 2,951 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 3.07s | 234 | 728 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 7.7 | 10.0 | 66.7% | 0 | 38.48s | 4,349 | 8,985 | |
| GPT-5.3-Codex | 5.9 | 7.2 | 55.6% | 1 | 64.31s | 64 | 25,308 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 10.0 | 10.0 | 100.0% | 0 | 9.57s | 105 | 888 | |
| GPT-5.3-Codex | 4.6 | 10.0 | 0.0% | 0 | 4.87s | 187 | 331 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 10.0 | 10.0 | 100.0% | 0 | 12.76s | 533 | 2,035 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 3.04s | 93 | 693 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 9.9 | 10.0 | 100.0% | 0 | 27.63s | 1,797 | 5,596 | |
| GPT-5.3-Codex | 9.0 | 7.9 | 88.9% | 1 | 5.12s | 352 | 1,644 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| GPT-5.3-Codex | 10.0 | 10.0 | 100.0% | 0 | 6.37s | 254 | 492 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Gemma 4 31B | 3.0 | 10.0 | 0.0% | 0 | 90.14s | 1,692 | 10,014 | |
| GPT-5.3-Codex | 2.8 | 1.6 | 33.3% | 1 | 14.43s | 30 | 1,701 |
快速对比
切换对比组合
Gemini 3 Flash PreviewnonevsGPT-5.3-CodexmediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.3-CodexmediumGemini 3.1 Flash Lite PreviewnonevsGPT-5.3-CodexmediumGemma 4 31Bmedium免费可用vsGPT-5.2 ChatnoneGemini 3 Flash PreviewlowvsGPT-5.3-CodexmediumGemma 4 31Bmedium免费可用vsGPT-5.5lowGemini 3.1 Flash LitelowvsGPT-5.3-CodexmediumGemma 4 31Bmedium免费可用vsGPT-5.3 ChatnoneDeepSeek V4 FlashhighvsGemma 4 31Bmedium免费可用DeepSeek V4 FlashhighvsGPT-5.3-CodexmediumGemma 4 31Bmedium免费可用vsQwen3.6 Max PreviewnoneGemma 4 31Bmedium免费可用vsRing 2.6 1tnone免费可用