Qwen: Qwen3.5-9B vs xAI: Grok 4.20

Grok 4.20 平均分领先，为 4.1 vs 3.8。 Qwen3.5-9B (medium) benchmark 成本更低，为 $0.036 vs $0.057。 Grok 4.20 更快，为 1.11s vs 82.24s，通过率为 25.8% vs 27.3%。

推荐模型Grok 4.20它在这里得分最高（4.1），同时响应速度比Qwen3.5-9B (medium)快约 74.2 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-25

对比摘要

排名: #220
总输出令牌: 238,561
响应时间（平均）: 82.24s
总成本: $0.036

排名: #213
总输出令牌: 1,923
响应时间（平均）: 1.11s
总成本: $0.057

详细对比

指标	Qwen3.5-9B Qwen3.5-9B medium 发布日期: 2026-03-02	Grok 4.20 Grok 4.20 none 发布日期: 2026-03-31

指标	Qwen3.5-9B Qwen3.5-9B medium 发布日期: 2026-03-02	Grok 4.20 Grok 4.20 none 发布日期: 2026-03-31
分数	3.8	4.1
排名	#220	#213
可靠性	5.0	不适用
一致性	8.1	8.1
测试正确
尝试通过率	25.8%	27.3%
不稳定测试	5	0
总运行次数	66	54
每个结果成本	1.187	1.570
总成本	$0.036	$0.057
输入价格	$0.100 / 1M	$1.250 / 1M
输出价格	$0.150 / 1M	$2.500 / 1M
总输入令牌	17,070	41,313
输出令牌	29,045	1,923
推理令牌	209,516	0
响应时间（平均）	82.24s	1.11s
响应时间（最大）	226.38s	6.04s
响应时间（总计）	1315.88s	19.96s

Hamster playing table tennis

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

#220 Qwen3.5-9B

medium

成本: $0.001
时间: 35.9s
令牌: 3,030 tok

#213 xAI: Grok 4.20

none

成本: $0.004
时间: 6.5s
令牌: 1,367 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

类别:

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
Qwen3.5-9B	5.1	5.8	50.0%	2		34.44s	369	2,621	12,411
Grok 4.20	4.8	10.0	25.0%	0		501ms	1,986	267	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	2.9	10.0	0.0%	0		100.88s	2,396	7,890	41,129
Grok 4.20	1.1	3.1	0.0%	0		1.22s	1,074	312	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	3.0	10.0	0.0%	0		0ms	0	0	0
Grok 4.20	1.5	5.0	0.0%	0		6.04s	17,673	282	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	3.6	5.6	33.3%	1		87.31s	4,722	1,383	32,113
Grok 4.20	10.0	10.0	100.0%	0		522ms	7,749	207	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	3.6	7.2	22.2%	1		137.75s	295	11,549	48,475
Grok 4.20	3.0	10.0	0.0%	0		687ms	1,746	325	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	2.8	1.6	33.3%	1		226.38s	180	0	30,695
Grok 4.20	4.8	10.0	0.0%	0		659ms	819	83	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	6.5	10.0	50.0%	0		5.75s	381	491	1,824
Grok 4.20	6.3	10.0	50.0%	0		445ms	1,350	60	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	3.0	10.0	0.0%	0		32.27s	376	1,593	12,026
Grok 4.20	5.3	10.0	33.3%	0		473ms	1,671	198	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	10.0	10.0	100.0%	0		4.31s	8,283	444	1,149
Grok 4.20	10.0	10.0	100.0%	0		4.63s	7,245	189	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）	输入令牌	输出令牌	推理令牌
Qwen3.5-9B	3.0	10.0	0.0%	0		177.02s	68	3,074	29,694
Grok 4.20	0.0	0.0	0.0%	0		0ms	0	0	0

快速对比

切换对比组合

gpt-oss-120bnone免费可用vsQwen3.5-9Bmedium Grok 4.20nonevsGLM 4.7 Flashmedium Granite 4.1 8BnonevsQwen3.5-9Bmedium MiniMax M2.5mediumvsGrok 4.20none CobuddymediumvsGrok 4.20none Qwen3 Coder NextmediumvsGrok 4.20none Laguna S 2.1none免费可用vsQwen3.5-9Bmedium Mercury 2nonevsQwen3.5-9Bmedium Laguna S 2.1low免费可用vsGrok 4.20none MiniMax M2.7mediumvsGrok 4.20none Trinity Large PreviewnonevsQwen3.5-9Bmedium KAT-Coder-Air V2.5nonevsQwen3.5-9Bmedium