AI BENCHY 对比
OpenAI: gpt-oss-120b vs xAI: Grok 4.20
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-04-02
| 指标 | gpt-oss-120b gpt-oss-120b medium 免费可用 | Grok 4.20 Grok 4.20 none |
|---|---|---|
| 分数 | 6.0 | 5.4 |
| 排名 | #56 | #69 |
| 一致性 | 7.6 | 9.5 |
| 测试正确 | ||
| 尝试通过率 | 51.0% | 31.4% |
| 不稳定测试 | 5 | 1 |
| 总运行次数 | 51 | 51 |
| 每个结果成本 | 0.136 | 1.809 |
| 总成本 | $0.010 | $0.091 |
| ???? | $0.039 / 1M | $2.000 / 1M |
| ???? | $0.190 / 1M | $6.000 / 1M |
| 输出令牌 | 13,265 | 1,655 |
| 推理令牌 | 34,330 | 0 |
| 响应时间（平均） | 15.05s | 1.11s |
| 响应时间（最大） | 50.92s | 6.04s |
| 响应时间（总计） | 150.55s | 18.80s |
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 | |
| Grok 4.20 | 4.8 | 10.0 | 25.0% | 0 | 501ms | 267 | 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 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 6.04s | 282 | 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-oss-120b | 6.4 | 5.9 | 66.7% | 1 | 1.98s | 241 | 1,114 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 522ms | 207 | 0 |
| 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 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 687ms | 325 | 0 |
| 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 | |
| Grok 4.20 | 4.8 | 10.0 | 0.0% | 0 | 659ms | 83 | 0 |
| 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 | |
| Grok 4.20 | 4.8 | 10.0 | 0.0% | 0 | 455ms | 60 | 0 |
| 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-oss-120b | 3.2 | 4.7 | 22.2% | 2 | 11.80s | 1,508 | 2,092 | |
| Grok 4.20 | 5.3 | 7.4 | 44.4% | 1 | 487ms | 242 | 0 |
| 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 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 4.63s | 189 | 0 |
快速对比
切换对比组合
Seed-2.0-Litenonevsgpt-oss-120bmedium免费可用gpt-oss-120bmedium免费可用vsGLM 5V Turbononegpt-oss-120bmedium免费可用vsQwen3.5-FlashnoneGemini 2.5 Flashnonevsgpt-oss-120bmedium免费可用gpt-oss-120bmedium免费可用vsQwen3.5-35B-A3Bnonegpt-oss-120bmedium免费可用vsHunter Alphanonegpt-oss-120bmedium免费可用vsQwen3.5-122B-A10BnoneMistral Small 4mediumvsGrok 4.20nonegpt-oss-120bmedium免费可用vsMiMo-V2-PrononeMiniMax M2.7mediumvsGrok 4.20nonegpt-oss-120bmedium免费可用vsQwen3.5-27BnoneDeepSeek V3.2nonevsgpt-oss-120bmedium免费可用