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：: 2026-04-11
| 指标 | gpt-oss-120b gpt-oss-120b none 免费可用 | Grok 4.20 Grok 4.20 medium |
|---|---|---|
| 分数 | 5.2 | 7.0 |
| 排名 | #79 | #44 |
| 一致性 | 7.9 | 7.8 |
| 测试正确 | ||
| 尝试通过率 | 38.9% | 66.7% |
| 不稳定测试 | 5 | 5 |
| 总运行次数 | 54 | 54 |
| 每个结果成本 | 0.221 | 8.252 |
| 总成本 | $0.009 | $0.743 |
| ???? | $0.039 / 1M | $2.000 / 1M |
| ???? | $0.190 / 1M | $6.000 / 1M |
| 输出令牌 | 44,652 | 1,744 |
| 推理令牌 | 0 | 109,882 |
| 响应时间（平均） | 11.96s | 10.33s |
| 响应时间（最大） | 68.97s | 29.87s |
| 响应时间（总计） | 179.34s | 185.87s |
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 | |
| Grok 4.20 | 8.2 | 7.9 | 83.3% | 1 | 3.36s | 280 | 8,476 |
| 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 | |
| Grok 4.20 | 4.3 | 1.1 | 66.7% | 1 | 24.33s | 250 | 12,804 |
| 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 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 17.40s | 232 | 9,556 |
| 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 | |
| Grok 4.20 | 10.0 | 10.0 | 100.0% | 0 | 4.17s | 180 | 5,333 |
| 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 | |
| Grok 4.20 | 5.3 | 10.0 | 33.3% | 0 | 27.03s | 375 | 49,339 |
| 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 | |
| Grok 4.20 | 5.8 | 2.8 | 66.7% | 1 | 7.09s | 47 | 4,252 |
| 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 | |
| Grok 4.20 | 7.3 | 5.9 | 83.3% | 1 | 4.42s | 40 | 5,474 |
| 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 | |
| Grok 4.20 | 6.4 | 7.7 | 55.6% | 1 | 3.89s | 143 | 8,028 |
| 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 | |
| Grok 4.20 | 3.0 | 10.0 | 0.0% | 0 | 13.68s | 197 | 6,620 |
快速对比
切换对比组合
MiniMax M2.7mediumvsgpt-oss-120bnone免费可用Gemma 4 31Bnone免费可用vsGrok 4.20mediumQwen3.5 Plus 2026-02-15nonevsGrok 4.20mediumGrok 4.20mediumvsGLM 5noneClaude Sonnet 4.6nonevsGrok 4.20mediumMistral Small 4mediumvsgpt-oss-120bnone免费可用gpt-oss-120bnone免费可用vsQwen3 Coder NextmediumMiniMax M2.5medium免费可用vsgpt-oss-120bnone免费可用Grok 4.20mediumvsMiMo-V2-Omninonegpt-oss-120bnone免费可用vsGLM 4.7 FlashmediumGPT-5.3 ChatnonevsGrok 4.20mediumGrok 4.20mediumvsGLM 5V Turbonone