AI BENCHY 对比
Qwen: Qwen3.5-Flash vs xAI: Grok 4.20 Beta
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-03-12
| 指标 | Qwen3.5-Flash Qwen3.5-Flash medium | Grok 4.20 Beta Grok 4.20 Beta medium |
|---|---|---|
| 排名 | #26 | #24 |
| 平均分 | 6.9 | 7.0 |
| 一致性 | 7.5 | 9.0 |
| 每个结果成本 | 0.720 | 5.989 |
| 总成本 | $0.072 | $0.599 |
| 测试正确 | ||
| 尝试通过率 | 81.3% | 70.8% |
| 不稳定测试 | 5 | 2 |
| 总运行次数 | 48 | 48 |
| 输出令牌 | 1,807 | 1,481 |
| 推理令牌 | 169,952 | 86,628 |
| 响应时间（平均） | 70.81s | 8.89s |
| 响应时间（最大） | 234.29s | 24.21s |
| 响应时间（总计） | 1132.90s | 142.18s |
分数 vs 总成本
响应时间（平均）
平均分 vs 响应时间（平均）
总输出令牌
平均分 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-Flash | 10.0 | 10.0 | 100.0% | 0 | 71.35s | 363 | 23,645 | |
| Grok 4.20 Beta | 7.0 | 7.2 | 88.9% | 1 | 3.19s | 262 | 6,289 |
| 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-Flash | 10.0 | 10.0 | 100.0% | 0 | 17.78s | 483 | 8,270 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 100.0% | 0 | 20.93s | 227 | 12,212 |
| 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-Flash | 5.5 | 5.9 | 83.3% | 1 | 56.99s | 235 | 16,237 | |
| Grok 4.20 Beta | 9.9 | 10.0 | 100.0% | 0 | 4.01s | 180 | 5,281 |
| 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-Flash | 4.0 | 7.2 | 44.4% | 1 | 146.50s | 58 | 43,615 | |
| Grok 4.20 Beta | 4.0 | 10.0 | 33.3% | 0 | 21.33s | 251 | 40,255 |
| 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-Flash | 5.0 | 3.1 | 66.7% | 1 | 40.05s | 99 | 38,486 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 100.0% | 0 | 5.78s | 72 | 3,440 |
| 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-Flash | 10.0 | 10.0 | 100.0% | 0 | 63.49s | 98 | 14,139 | |
| Grok 4.20 Beta | 9.0 | 10.0 | 50.0% | 0 | 4.97s | 57 | 7,107 |
| Puzzle Solving | 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-Flash | 4.0 | 4.4 | 77.8% | 2 | 56.74s | 162 | 24,276 | |
| Grok 4.20 Beta | 7.0 | 7.2 | 88.9% | 1 | 3.85s | 249 | 6,660 |
| 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-Flash | 10.0 | 10.0 | 100.0% | 0 | 10.33s | 309 | 1,284 | |
| Grok 4.20 Beta | 10.0 | 10.0 | 0.0% | 0 | 12.39s | 183 | 5,384 |
快速对比
切换对比组合
Gemini 3.1 Flash Lite PreviewnonevsGrok 4.20 BetamediumClaude Sonnet 4.6nonevsQwen3.5-FlashmediumGemini 3.1 Flash Lite PreviewnonevsQwen3.5-FlashmediumGemini 3 Flash PreviewnonevsGrok 4.20 BetamediumClaude Sonnet 4.6nonevsGrok 4.20 BetamediumGPT-5.3 ChatnonevsGrok 4.20 BetamediumGemini 3 Flash PreviewnonevsQwen3.5-FlashmediumGemini 3.1 Flash Lite PreviewlowvsGrok 4.20 BetamediumGPT-5.3 ChatnonevsQwen3.5-FlashmediumGemini 3.1 Flash Lite PreviewlowvsQwen3.5-FlashmediumGPT-5.2 ChatnonevsGrok 4.20 BetamediumGPT-5.2 ChatnonevsQwen3.5-Flashmedium