AI BENCHY 对比
xAI: Grok 4.20 Multi-Agent Beta vs Z.ai: GLM 4.7 Flash
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-03-12
| 指标 | Grok 4.20 Multi-Agent Beta Grok 4.20 Multi-Agent Beta medium | GLM 4.7 Flash GLM 4.7 Flash none |
|---|---|---|
| 排名 | #47 | #57 |
| 平均分 | 4.9 | 3.9 |
| 一致性 | 7.1 | 8.4 |
| 每个结果成本 | 97.178 | 0.066 |
| 总成本 | $4.859 | $0.003 |
| 测试正确 | ||
| 尝试通过率 | 52.1% | 35.4% |
| 不稳定测试 | 6 | 3 |
| 总运行次数 | 48 | 48 |
| 输出令牌 | 293,634 | 1,855 |
| 推理令牌 | 291,260 | 0 |
| 响应时间（平均） | 9.08s | 2.99s |
| 响应时间（最大） | 35.28s | 7.05s |
| 响应时间（总计） | 127.09s | 26.90s |
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 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 4.0 | 4.4 | 66.7% | 2 | 3.77s | 28,392 | 27,808 | |
| GLM 4.7 Flash | 10.0 | 7.2 | 22.2% | 1 | 6.59s | 430 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 10.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| GLM 4.7 Flash | 10.0 | 10.0 | 0.0% | 0 | 3.22s | 704 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 9.9 | 10.0 | 100.0% | 0 | 5.54s | 25,306 | 25,051 | |
| GLM 4.7 Flash | 5.4 | 5.8 | 83.3% | 1 | 4.82s | 196 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 10.0 | 7.2 | 11.1% | 1 | 24.67s | 164,609 | 163,647 | |
| GLM 4.7 Flash | 7.0 | 10.0 | 66.7% | 0 | 744ms | 19 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 4.0 | 2.8 | 66.7% | 1 | 6.40s | 15,848 | 15,746 | |
| GLM 4.7 Flash | 3.0 | 10.0 | 0.0% | 0 | 1.59s | 134 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 9.0 | 10.0 | 50.0% | 0 | 4.63s | 25,457 | 25,322 | |
| GLM 4.7 Flash | 5.5 | 10.0 | 50.0% | 0 | 888ms | 62 | 0 |
| 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 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 6.3 | 5.1 | 77.8% | 2 | 5.01s | 34,022 | 33,686 | |
| GLM 4.7 Flash | 3.7 | 10.0 | 0.0% | 0 | 1.00s | 98 | 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| Grok 4.20 Multi-Agent Beta | 10.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| GLM 4.7 Flash | 10.0 | 1.6 | 33.3% | 1 | 7.05s | 212 | 0 |
快速对比
切换对比组合
Qwen3.5-27BnonevsGrok 4.20 Multi-Agent BetamediumSeed-2.0-LitenonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-122B-A10BnonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-35B-A3BnonevsGrok 4.20 Multi-Agent BetamediumGemini 2.5 FlashnonevsGrok 4.20 Multi-Agent BetamediumQwen3.5-FlashnonevsGrok 4.20 Multi-Agent BetamediumHunter AlphanonevsGrok 4.20 Multi-Agent BetamediumQwen3 Coder NextmediumvsGLM 4.7 FlashnoneGPT-5.4nonevsGrok 4.20 Multi-Agent BetamediumDeepSeek V3.2nonevsGrok 4.20 Multi-Agent BetamediumTrinity Large Previewnone免费可用vsGrok 4.20 Multi-Agent BetamediumMiniMax M2.5mediumvsGLM 4.7 Flashnone