AI BENCHY 对比
OpenAI: gpt-oss-120b vs StepFun: Step 3.5 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-04-11
| 指标 | gpt-oss-120b gpt-oss-120b medium 免费可用 | Step 3.5 Flash Step 3.5 Flash none |
|---|---|---|
| 分数 | 5.8 | 3.0 |
| 排名 | #65 | #93 |
| 一致性 | 7.2 | 10.0 |
| 测试正确 | ||
| 尝试通过率 | 51.9% | 0.0% |
| 不稳定测试 | 6 | 0 |
| 总运行次数 | 54 | 3 |
| 每个结果成本 | 0.144 | 0.000 |
| 总成本 | $0.011 | $0.000 |
| ???? | $0.039 / 1M | $0.100 / 1M |
| ???? | $0.190 / 1M | $0.300 / 1M |
| 输出令牌 | 13,493 | 0 |
| 推理令牌 | 36,879 | 0 |
| 响应时间（平均） | 16.08s | 0ms |
| 响应时间（最大） | 50.92s | 0ms |
| 响应时间（总计） | 176.88s | 0ms |
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 |
|---|---|---|---|---|---|---|---|---|
| gpt-oss-120b | 6.7 | 9.9 | 50.0% | 0 | 10.21s | 3,518 | 2,177 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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 |
|---|---|---|---|---|---|---|---|---|
| gpt-oss-120b | 4.3 | 1.1 | 66.7% | 1 | 26.33s | 228 | 2,549 | |
| Step 3.5 Flash | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| gpt-oss-120b | 10.0 | 10.0 | 100.0% | 0 | 31.18s | 694 | 5,072 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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-oss-120b | 6.4 | 5.9 | 66.7% | 1 | 1.98s | 241 | 1,114 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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-oss-120b | 2.9 | 4.4 | 22.2% | 2 | 50.92s | 6,784 | 20,606 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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-oss-120b | 4.3 | 10.0 | 0.0% | 0 | 7.90s | 107 | 387 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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-oss-120b | 9.9 | 10.0 | 100.0% | 0 | 7.63s | 126 | 1,799 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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 |
|---|---|---|---|---|---|---|---|---|
| gpt-oss-120b | 3.2 | 4.7 | 22.2% | 2 | 11.80s | 1,508 | 2,092 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
| 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-oss-120b | 9.8 | 10.0 | 100.0% | 0 | 6.91s | 287 | 1,083 | |
| Step 3.5 Flash | - | - | - | - | - | - | - | - |
快速对比
切换对比组合
gpt-oss-120bmedium免费可用vsQwen3.5-27Bnonegpt-oss-120bmedium免费可用vsQwen3.5-122B-A10Bnonegpt-oss-120bmedium免费可用vsMiMo-V2-Prononegpt-oss-120bmedium免费可用vsGLM 4.7 Flashnonegpt-oss-120bmedium免费可用vsGLM 5.1noneDeepSeek V3.2nonevsgpt-oss-120bmedium免费可用gpt-oss-120bmedium免费可用vsQwen3.5-35B-A3BnoneKimi K2.5nonevsgpt-oss-120bmedium免费可用Gemini 2.5 Flashnonevsgpt-oss-120bmedium免费可用Seed-2.0-Litenonevsgpt-oss-120bmedium免费可用gpt-oss-120bmedium免费可用vsGLM 5 TurbononeGemma 4 26B A4Bnone免费可用vsgpt-oss-120bmedium免费可用