AI BENCHY 对比
OpenAI: gpt-oss-120b vs Z.ai: GLM 5.1
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-22
| 指标 | gpt-oss-120b gpt-oss-120b medium 免费可用 | GLM 5.1 GLM 5.1 none |
|---|---|---|
| 分数 | 5.6 | 5.6 |
| 排名 | #111 | #113 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 7.5 | 8.1 |
| 测试正确 | ||
| 尝试通过率 | 46.7% | 40.0% |
| 不稳定测试 | 6 | 5 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 0.171 | 0.941 |
| 总成本 | $0.012 | $0.057 |
| ???? | $0.000 / 1M | $0.980 / 1M |
| ???? | $0.000 / 1M | $3.080 / 1M |
| 输出令牌 | 17,213 | 3,749 |
| 推理令牌 | 46,706 | 0 |
| 响应时间（平均） | 20.89s | 4.16s |
| 响应时间（最大） | 68.16s | 32.57s |
| 响应时间（总计） | 271.54s | 83.23s |
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 | |
| GLM 5.1 | 4.0 | 6.3 | 25.0% | 2 | 2.11s | 305 | 0 |
| 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 | 3.9 | 5.6 | 33.3% | 1 | 47.24s | 847 | 8,618 | |
| GLM 5.1 | 4.3 | 9.5 | 0.0% | 0 | 6.33s | 519 | 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 | |
| GLM 5.1 | 2.8 | 2.1 | 33.3% | 1 | 32.57s | 2,129 | 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 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 1.08s | 204 | 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 | |
| GLM 5.1 | 2.9 | 7.2 | 11.1% | 1 | 1.99s | 24 | 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 | |
| GLM 5.1 | 5.0 | 10.0 | 0.0% | 0 | 790ms | 39 | 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 | |
| GLM 5.1 | 9.8 | 10.0 | 100.0% | 0 | 1.58s | 66 | 0 |
| 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 | |
| GLM 5.1 | 6.1 | 7.8 | 44.4% | 1 | 1.48s | 152 | 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 | |
| GLM 5.1 | 10.0 | 10.0 | 100.0% | 0 | 10.68s | 300 | 0 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| gpt-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 26.51s | 3,101 | 3,758 | |
| GLM 5.1 | 3.0 | 10.0 | 0.0% | 0 | 2.34s | 11 | 0 |
快速对比
切换对比组合
Kimi K2.6nonevsgpt-oss-120bmedium免费可用DeepSeek V3.2nonevsgpt-oss-120bmedium免费可用gpt-oss-120bmedium免费可用vsMiMo-V2.5-Prononegpt-oss-120bmedium免费可用vsGLM 4.7 Flashnonegpt-oss-120bmedium免费可用vsQwen3.6 Flashnonegpt-oss-120bmedium免费可用vsMiMo-V2-Prononegpt-oss-120bmedium免费可用vsOwl AlphanoneMiniMax M2.5medium免费可用vsGLM 5.1noneCobuddymedium免费可用vsGLM 5.1noneMistral Small 4mediumvsGLM 5.1nonegpt-oss-120bmedium免费可用vsQwen3.6 27Bnonegpt-oss-120bmedium免费可用vsQwen3.5-27Bnone