AI BENCHY 对比
OpenAI: gpt-oss-120b vs Elephant
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-04-14
| 指标 | gpt-oss-120b gpt-oss-120b none 免费可用 | Elephant Elephant medium |
|---|---|---|
| 分数 | 5.2 | 5.2 |
| 排名 | #80 | #77 |
| 一致性 | 7.9 | 9.6 |
| 测试正确 | ||
| 尝试通过率 | 38.9% | 29.6% |
| 不稳定测试 | 5 | 1 |
| 总运行次数 | 54 | 54 |
| 每个结果成本 | 0.221 | 0.000 |
| 总成本 | $0.009 | $0.000 |
| ???? | $0.039 / 1M | $0.000 / 1M |
| ???? | $0.190 / 1M | $0.000 / 1M |
| 输出令牌 | 44,652 | 2,596 |
| 推理令牌 | 0 | 0 |
| 响应时间（平均） | 11.96s | 1.27s |
| 响应时间（最大） | 68.97s | 3.70s |
| 响应时间（总计） | 179.34s | 22.82s |
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 | 6.6 | 8.0 | 58.3% | 1 | 6.03s | 4,867 | 0 | |
| Elephant | 6.6 | 10.0 | 50.0% | 0 | 1.19s | 815 | 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 | 4.3 | 1.1 | 66.7% | 1 | 9.57s | 3,232 | 0 | |
| Elephant | 5.1 | 3.3 | 33.3% | 1 | 1.30s | 365 | 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 | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| Elephant | 3.0 | 10.0 | 0.0% | 0 | 3.70s | 562 | 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 | 6.5 | 10.0 | 50.0% | 0 | 7.12s | 598 | 0 | |
| Elephant | 6.5 | 10.0 | 50.0% | 0 | 979ms | 246 | 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 | 3.0 | 10.0 | 0.0% | 0 | 34.98s | 29,483 | 0 | |
| Elephant | 3.0 | 10.0 | 0.0% | 0 | 925ms | 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 | 4.6 | 10.0 | 0.0% | 0 | 2.83s | 586 | 0 | |
| Elephant | 4.3 | 10.0 | 0.0% | 0 | 920ms | 105 | 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 | 8.4 | 6.9 | 83.3% | 1 | 5.10s | 1,982 | 0 | |
| Elephant | 9.8 | 10.0 | 100.0% | 0 | 987ms | 82 | 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 | 4.5 | 4.8 | 44.5% | 2 | 6.86s | 3,904 | 0 | |
| Elephant | 3.7 | 10.0 | 0.0% | 0 | 867ms | 166 | 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 | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| Elephant | 3.0 | 10.0 | 0.0% | 0 | 2.83s | 231 | 0 |
快速对比
切换对比组合
ElephantmediumvsGrok 4.20noneMistral Small 4nonevsElephantmediumMiniMax M2.7mediumvsgpt-oss-120bnone免费可用Trinity Large Previewnone免费可用vsElephantmediumGPT-5.4 MininonevsElephantmediumElephantmediumvsQwen3 Coder NextnoneNemotron 3 Supernone免费可用vsElephantmediumElephantmediumvsGLM 5 TurbononeKimi K2.5nonevsElephantmediumElephantmediumvsGLM 5.1noneElephantmediumvsGLM 4.7 FlashnoneGPT-4o-mininonevsElephantmedium