AI BENCHY 对比

OpenAI: gpt-oss-120b vs Z.ai: GLM 4.7 Flash

摘要

gpt-oss-120b vs GLM 4.7 Flash (medium) benchmark 对比：GLM 4.7 Flash (medium) 平均分领先，为 4.3 vs 4.0。 gpt-oss-120b benchmark 成本更低，为 $0.010 vs $0.054。 gpt-oss-120b 更快，为 21.61s vs 35.10s，通过率为 34.9% vs 33.3%。

推荐模型: gpt-oss-120b - 它的得分接近这里的最高分（4.0 vs 4.3），同时成本比GLM 4.7 Flash (medium)低约 5.6 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-09

指标	gpt-oss-120b gpt-oss-120b none 发布日期: 2025-08-05 免费可用	GLM 4.7 Flash GLM 4.7 Flash medium 发布日期: 2026-01-19

指标	gpt-oss-120b gpt-oss-120b none 发布日期: 2025-08-05 免费可用	GLM 4.7 Flash GLM 4.7 Flash medium 发布日期: 2026-01-19
分数	4.0	4.3
排名	#183	#176
可靠性	10.0	6.7
一致性	8.2	6.8
测试正确
尝试通过率	34.9%	33.3%
不稳定测试	2	8
总运行次数	57	63
每个结果成本	0.168	1.337
总成本	$0.010	$0.054
输入价格	$0.036 / 1M	$0.060 / 1M
输出价格	$0.180 / 1M	$0.400 / 1M
总输入令牌	9,081	37,206
输出令牌	51,664	43,754
推理令牌	0	89,079
响应时间（平均）	21.61s	35.10s
响应时间（最大）	113.71s	174.55s
响应时间（总计）	345.79s	456.24s

生成展示

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#183 gpt-oss-120b

none

此模型尚未生成任何展示结果。

成本: $0.000
时间: -
令牌: 0 tok

#176 GLM 4.7 Flash

medium

无效SVG

成本: $0.000
时间: 186.2s
令牌: 12,112 tok

按分数排名的模型

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	6.5	10.0	50.0%	0		32.84s	1,336	8,676	0
GLM 4.7 Flash	4.7	5.9	41.7%	2		14.95s	555	1,122	6,110

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	1.5	4.0	22.2%	1		9.57s	901	3,232	0
GLM 4.7 Flash	3.2	7.4	11.1%	1		55.33s	3,106	4,981	22,387

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	3.0	10.0	0.0%	0		0ms	0	0	0
GLM 4.7 Flash	2.8	2.1	33.3%	1		65.57s	17,185	2,585	20,648

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	6.5	10.0	50.0%	0		7.12s	2,421	598	0
GLM 4.7 Flash	6.3	10.0	50.0%	0		1.51s	7,107	584	2,755

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	3.0	10.0	0.0%	0		34.98s	1,294	29,483	0
GLM 4.7 Flash	3.5	4.4	33.3%	2		174.55s	643	33,000	25,394

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	4.8	10.0	0.0%	0		10.79s	584	615	0
GLM 4.7 Flash	3.6	9.7	0.0%	0		18.14s	318	18	2,138

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	9.8	10.0	100.0%	0		5.06s	1,043	1,940	0
GLM 4.7 Flash	6.2	5.8	66.7%	1		2.97s	636	388	2,181

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	6.0	7.2	55.6%	1		8.21s	1,188	3,982	0
GLM 4.7 Flash	2.9	7.2	11.1%	1		12.93s	521	781	5,255

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	3.0	10.0	0.0%	0		0ms	0	0	0
GLM 4.7 Flash	10.0	10.0	100.0%	0		15.95s	6,949	224	1,014

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）	输入令牌	输出令牌	推理令牌
gpt-oss-120b	3.0	10.0	0.0%	0		47.29s	314	3,138	0
GLM 4.7 Flash	3.0	10.0	0.0%	0		11.13s	186	71	1,197

快速对比

切换对比组合

Grok 4.20nonevsGLM 4.7 Flashmedium gpt-oss-120bnone免费可用vsQwen3.5-9Bmedium Granite 4.1 8BnonevsGLM 4.7 Flashmedium Mercury 2nonevsGLM 4.7 Flashmedium Ling-2.6-1TnonevsGLM 4.7 Flashmedium GPT-5.4 NanononevsGLM 4.7 Flashmedium Ring-2.6-1TnonevsGLM 4.7 Flashmedium Ling-2.6-flashnonevsGLM 4.7 Flashmedium Nemotron 3 Supernone免费可用vsGLM 4.7 Flashmedium GPT-4o-mininonevsGLM 4.7 Flashmedium gpt-oss-120bnone免费可用vsQwen3 Coder Nextmedium Trinity Large PreviewnonevsGLM 4.7 Flashmedium