AI BENCHY 对比
OpenAI: GPT-5.3 Chat vs xAI: Grok 4.20 Beta
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-03-12
| 指标 | GPT-5.3 Chat GPT-5.3 Chat none | Grok 4.20 Beta Grok 4.20 Beta medium |
|---|---|---|
| 排名 | #20 | #24 |
| 平均分 | 7.3 | 7.0 |
| 一致性 | 8.5 | 9.0 |
| 每个结果成本 | 3.163 | 5.989 |
| 总成本 | $0.317 | $0.599 |
| 测试正确 | ||
| 尝试通过率 | 70.8% | 70.8% |
| 不稳定测试 | 3 | 2 |
| 总运行次数 | 48 | 48 |
| 输出令牌 | 19,272 | 1,481 |
| 推理令牌 | 0 | 86,628 |
| 响应时间（平均） | 5.96s | 8.89s |
| 响应时间（最大） | 18.33s | 24.21s |
| 响应时间（总计） | 95.30s | 142.18s |
分数 vs 总成本
响应时间（平均）
平均分 vs 响应时间（平均）
总输出令牌
平均分 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 7.3 | 7.5 | 77.8% | 1 | 4.72s | 3,091 | 0 | |
| Grok 4.20 Beta | 7.0 | 7.2 | 88.9% | 1 | 3.19s | 262 | 6,289 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 11.96s | 2,614 | 0 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 100.0% | 0 | 20.93s | 227 | 12,212 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 9.9 | 10.0 | 100.0% | 0 | 2.21s | 942 | 0 | |
| Grok 4.20 Beta | 9.9 | 10.0 | 100.0% | 0 | 4.01s | 180 | 5,281 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 4.4 | 33.3% | 2 | 13.01s | 8,264 | 0 | |
| Grok 4.20 Beta | 4.0 | 10.0 | 33.3% | 0 | 21.33s | 251 | 40,255 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 4.0 | 10.0 | 0.0% | 0 | 1.99s | 319 | 0 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 100.0% | 0 | 5.78s | 72 | 3,440 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 9.0 | 10.0 | 50.0% | 0 | 3.29s | 1,455 | 0 | |
| Grok 4.20 Beta | 9.0 | 10.0 | 50.0% | 0 | 4.97s | 57 | 7,107 |
| Puzzle Solving | 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 2.93s | 1,726 | 0 | |
| Grok 4.20 Beta | 7.0 | 7.2 | 88.9% | 1 | 3.85s | 249 | 6,660 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.3 Chat | 10.0 | 10.0 | 100.0% | 0 | 8.36s | 861 | 0 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 0.0% | 0 | 12.39s | 183 | 5,384 |
快速对比
切换对比组合
DeepSeek V3.2mediumvsGPT-5.3 ChatnoneGemini 3.1 Flash Lite PreviewlowvsGPT-5.3 ChatnoneGemini 3.1 Flash Lite PreviewnonevsGrok 4.20 BetamediumGPT-5.3 ChatnonevsMiMo-V2-FlashmediumGemini 2.5 FlashmediumvsGPT-5.3 ChatnoneGPT-5.3 ChatnonevsGLM 5mediumGPT-5.3 ChatnonevsStep 3.5 Flashmedium免费可用Gemini 3 Flash PreviewnonevsGrok 4.20 BetamediumClaude Sonnet 4.6nonevsGrok 4.20 BetamediumGemini 3.1 Flash Lite PreviewmediumvsGPT-5.3 ChatnoneGemini 3.1 Flash Lite PreviewlowvsGrok 4.20 BetamediumSeed-2.0-MinimediumvsGPT-5.3 Chatnone