AI BENCHY 对比
Qwen: Qwen3.5-27B vs xAI: Grok 4.20
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-04-14
| 指标 | Qwen3.5-27B Qwen3.5-27B none | Grok 4.20 Grok 4.20 medium |
|---|---|---|
| 分数 | 5.9 | 7.0 |
| 排名 | #64 | #44 |
| 一致性 | 9.2 | 7.8 |
| 测试正确 | ||
| 尝试通过率 | 38.9% | 66.7% |
| 不稳定测试 | 2 | 5 |
| 总运行次数 | 54 | 54 |
| 每个结果成本 | 0.265 | 8.252 |
| 总成本 | $0.016 | $0.743 |
| ???? | $0.195 / 1M | $2.000 / 1M |
| ???? | $1.560 / 1M | $6.000 / 1M |
| 输出令牌 | 3,545 | 1,744 |
| 推理令牌 | 0 | 109,882 |
| 响应时间（平均） | 1.74s | 10.33s |
| 响应时间（最大） | 9.39s | 29.87s |
| 响应时间（总计） | 31.32s | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 4.8 | 10.0 | 25.0% | 0 | 788ms | 267 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 10.0 | 10.0 | 100.0% | 0 | 2.51s | 381 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 2.8 | 1.6 | 33.3% | 1 | 9.39s | 1,461 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 10.0 | 10.0 | 100.0% | 0 | 1.43s | 243 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 3.0 | 10.0 | 0.0% | 0 | 540ms | 15 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 5.0 | 10.0 | 0.0% | 0 | 2.51s | 126 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 4.8 | 10.0 | 0.0% | 0 | 815ms | 69 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 6.7 | 7.9 | 55.6% | 1 | 1.37s | 680 | 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 |
|---|---|---|---|---|---|---|---|---|
| Qwen3.5-27B | 10.0 | 10.0 | 100.0% | 0 | 3.54s | 303 | 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
gpt-oss-120bmedium免费可用vsQwen3.5-27BnoneGemma 4 31Bnone免费可用vsGrok 4.20mediumMiniMax M2.5medium免费可用vsQwen3.5-27BnoneQwen3.5 Plus 2026-02-15nonevsGrok 4.20mediumMistral Small 4mediumvsQwen3.5-27BnoneGrok 4.20mediumvsGLM 5noneGPT-5 NanomediumvsQwen3.5-27BnoneClaude Sonnet 4.6nonevsGrok 4.20mediumGrok 4.20mediumvsMiMo-V2-OmninoneMiniMax M2.7mediumvsQwen3.5-27BnoneMercury 2mediumvsQwen3.5-27BnoneElephantmediumvsQwen3.5-27Bnone