AI BENCHY 对比
OpenAI: GPT-5.4 vs xAI: Grok 4.20 Multi-Agent Beta
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-03-12
| 指标 | GPT-5.4 GPT-5.4 none | Grok 4.20 Multi-Agent Beta Grok 4.20 Multi-Agent Beta medium |
|---|---|---|
| 排名 | #51 | #47 |
| 平均分 | 4.5 | 4.9 |
| 一致性 | 8.9 | 7.1 |
| 每个结果成本 | 1.562 | 97.178 |
| 总成本 | $0.094 | $4.859 |
| 测试正确 | ||
| 尝试通过率 | 41.7% | 52.1% |
| 不稳定测试 | 2 | 6 |
| 总运行次数 | 48 | 48 |
| 输出令牌 | 1,819 | 293,634 |
| 推理令牌 | 0 | 291,260 |
| 响应时间（平均） | 1.48s | 9.08s |
| 响应时间（最大） | 2.89s | 35.28s |
| 响应时间（总计） | 23.64s | 127.09s |
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-5.4 | 10.0 | 7.3 | 11.1% | 1 | 1.41s | 388 | 0 | |
| Grok 4.20 Multi-Agent Beta | 4.0 | 4.4 | 66.7% | 2 | 3.77s | 28,392 | 27,808 |
| 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-5.4 | 10.0 | 10.0 | 0.0% | 0 | 2.89s | 291 | 0 | |
| Grok 4.20 Multi-Agent Beta | 10.0 | 10.0 | 0.0% | 0 | 0ms | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.4 | 9.9 | 10.0 | 100.0% | 0 | 1.04s | 222 | 0 | |
| Grok 4.20 Multi-Agent Beta | 9.9 | 10.0 | 100.0% | 0 | 5.54s | 25,306 | 25,051 |
| 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-5.4 | 4.0 | 7.2 | 44.4% | 1 | 1.07s | 50 | 0 | |
| Grok 4.20 Multi-Agent Beta | 10.0 | 7.2 | 11.1% | 1 | 24.67s | 164,609 | 163,647 |
| 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-5.4 | 3.0 | 9.9 | 0.0% | 0 | 1.78s | 184 | 0 | |
| Grok 4.20 Multi-Agent Beta | 4.0 | 2.8 | 66.7% | 1 | 6.40s | 15,848 | 15,746 |
| 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-5.4 | 5.5 | 10.0 | 50.0% | 0 | 1.07s | 81 | 0 | |
| Grok 4.20 Multi-Agent Beta | 9.0 | 10.0 | 50.0% | 0 | 4.63s | 25,457 | 25,322 |
| 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-5.4 | 4.0 | 9.8 | 33.3% | 0 | 1.52s | 357 | 0 | |
| Grok 4.20 Multi-Agent Beta | 6.3 | 5.1 | 77.8% | 2 | 5.01s | 34,022 | 33,686 |
| 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-5.4 | 10.0 | 10.0 | 100.0% | 0 | 2.75s | 246 | 0 | |
| Grok 4.20 Multi-Agent Beta | 10.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 |
快速对比
切换对比组合
Qwen3.5-27BnonevsGrok 4.20 Multi-Agent BetamediumSeed-2.0-LitenonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-122B-A10BnonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-35B-A3BnonevsGrok 4.20 Multi-Agent BetamediumMiniMax M2.5mediumvsGPT-5.4noneGemini 2.5 FlashnonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-FlashnonevsGrok 4.20 Multi-Agent BetamediumHunter AlphanonevsGrok 4.20 Multi-Agent BetamediumDeepSeek V3.2nonevsGrok 4.20 Multi-Agent BetamediumTrinity Large Previewnone免费可用vsGrok 4.20 Multi-Agent BetamediumMercury 2mediumvsGPT-5.4noneKimi K2.5nonevsGrok 4.20 Multi-Agent Betamedium