BenchLeader

gpt-oss-120b

推理强度
质量第 212 / 339 名
46.1Index
低于中位数
较中位数 −4.1
价格第 55 / 255 名
$0.262每百万 token
最便宜的四分之一
中位数的 0.3 倍
速度第 46 / 216 名
129token/秒
前四分之一
中位数的 1.6 倍
性价比第 59 / 255 名
176.0分/$
前四分之一
中位数的 3.2 倍

性价比更高: Qwen3.5-4B $0.060/M 即可获得 Index 46.7,便宜 77%。

有 24 个更便宜的已排名模型得分更高:GLM 5.3 Flash (57.8, $0.238)、Claude Haiku 5.5 (56.7, $0.200)、MiMo-V2.5 (56.3, $0.138),另有 21 个。

截至 2026年11月16日,gpt-oss-120b(OpenAI)在 BenchLeader Index 上得分 46.1(共 608 个已排名配置)。表现最好的是数学(64),最弱的是智能体与工具(25)。API 价格为输入每百万 token $0.150、输出每百万 token $0.600(按 3:1 混合为 $0.262),为 2026年11月16日的标价。输出速度约为 130 token/秒(OpenRouter)。发布于 2025年8月5日。

要点(截至 2026年11月16日)

  • gpt-oss-120b 的 API 价格为输入每百万 token $0.150、输出每百万 token $0.600(按 3:1 混合为 $0.262)(标价,2026年11月16日)。
  • gpt-oss-120b 的输出速度约为 130 token/秒(OpenRouter,2026年11月16日)。
  • gpt-oss-120b 于 2025年8月5日发布(OpenAI)。

详细说明:gpt-oss-120b 是 OpenAI 的开放权重推理模型,发布于 2025年8月5日。其最佳配置在 BenchLeader Index 上得分 46.1 ±5.6,在 608 个配置中排第 436 名,处于下半区。关键在于这个“±”:另有 250 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,数学得分最高(64),智能体与工具最低(25)。按混合价格计,每百万 token $0.262,比大多数已排名模型便宜。输出速度为 129 token/秒,首 token 延迟 0.3 秒,位于最快的四分之一。它已在 4 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。

混合价格
$0.262/M
输入 $0.150 · 输出 $0.600
来源:models.dev
输出速度
129 tok/s
OpenRouter 流量,7 天中位数;Artificial Analysis 尚未测量
首次回答
0.33 s
上下文
131k
来源:models.dev
单任务成本
–
单任务 token 数
–
发布日期
2025年8月5日
各类别得分虚线 = 平均模型(50)。每 15 分为一个标准差。
  1. 综合 Index46
  2. 推理40
  3. 编程42
  4. 智能体与工具25
  5. 数学64
  6. 知识47
  7. 指令遵循51
  8. 人类偏好51

嵌入这个排名

更多徽章样式
[![gpt-oss-120b on BenchLeader: 综合第 207 名](https://www.benchleader.com/badge/gpt-oss-120b.svg?style=compact)](https://www.benchleader.com/models/gpt-oss-120b)

粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。

OpenAI 发布新模型时邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

不同推理强度的配置

同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。

推理强度Index排名速度首次回答聊天回复成本类别
low45.7#449176 tok/s1.98 s$0.0002智能体与工具 33 · 编程 34 · 指令遵循 59 · 长上下文 47
medium––129 tok/s0.33 s$0.0002编程 45
high45.3#456168 tok/s14 s$0.0002智能体与工具 45 · 编程 38 · 指令遵循 68 · 知识 20 · 长上下文 50 · 数学 50 · 推理 39
未说明最佳46.1#436129 tok/s0.33 s$0.0002智能体与工具 25 · 编程 42 · 人类偏好 51 · 指令遵循 51 · 知识 47 · 数学 64 · 推理 40

Index 走势

2026年9月8日 至 2026年11月16日
374757
  • 默认
  • low
  • high

Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。

基准测试结果

查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。

元数据

基准测试lowhigh来源趋势
AA Openness Index不计入 Index38.9#15538.9#155Artificial Analysis

推理

基准测试lowmediumhigh默认来源趋势
GPQA Diamond––75.8%#156–Epoch AI Benchmarking Hub
SimpleBench推理强度未说明–––22.1%#103SimpleBench
Arena Hard Prompts推理强度未说明–––1362#213Arena (LMArena)
GPQA Diamond (AA)不计入 Index67.2%#328–78.2%#215–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index5.9%#435–19.6%#236–Artificial Analysis
HLE-Diamond (AA)––3.8%#165–Artificial Analysis
GPQA Diamond (Vals)不计入 Index推理强度未说明–––78.5%#71Vals AI
Kagi LLM Benchmark推理强度未说明–––58.6%#53Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明–––68.4%#12HELM Capabilities
CritPt不计入 Index0.0%#337–1.1%#242–Artificial Analysis
CritPt v2 hard subset (AA)––4.0%#116–Artificial Analysis
Arena Expert不计入 Index推理强度未说明–––1357#206Arena (LMArena)
Mystery Game Puzzles不计入 Index–2.0%#1450.0%#146–Epoch AI Benchmarking Hub
LMCA不计入 Index––22.1%#164–Epoch AI Benchmarking Hub
DTBench不计入 Index––76.3%#154–Epoch AI Benchmarking Hub

编程

基准测试lowmediumhigh默认来源趋势
SciCode36.0%#206–34.0%#213–SciCode
WeirdML–41.9%#9548.2%#73–WeirdML
Arena Coding推理强度未说明–––1390#211Arena (LMArena)
SciCode (AA)不计入 Index––34.0%#221–Artificial Analysis
LiveCodeBench推理强度未说明–––83.2%#50Vals AI
SWE-bench (Vals)不计入 Index推理强度未说明–––33.6%#85Vals AI
SWE-Bench Pro推理强度未说明–––16.2%#19Scale AI SEAL
Aider Polyglot––41.8%#41–Aider polyglot leaderboard
SWE-bench Verified (bash only)推理强度未说明–––26.0%#40SWE-bench
SWE-bench Verified (any scaffold)不计入 Index推理强度未说明–––26.0%#53SWE-bench
SWE Atlas v1.1不计入 Index推理强度未说明–––8.8%#28Scale AI SEAL
SWE Atlas v1.1: Codebase QnA不计入 Index推理强度未说明–––10.5%#28Scale AI SEAL
SWE Atlas v1.1: Test Writing不计入 Index推理强度未说明–––14.4%#28Scale AI SEAL
SWE Atlas v1.1: Refactoring不计入 Index推理强度未说明–––1.4%#28Scale AI SEAL
Surface Evolver Bench不计入 Index推理强度未说明–––25.0%#27Epoch AI Benchmarking Hub
ALE-Bench不计入 Index推理强度未说明–––575.6#113Epoch AI Benchmarking Hub
AlgoTune不计入 Index––1.4#14–AlgoTune
Terminal-Bench 4.0 (AA)不计入 Index––0.0%#186–Artificial Analysis
Terminal-Bench 2.1 (AA)不计入 Index13.9%#187–26.2%#168–Artificial Analysis
GameBench 2 Overall不计入 Index跨设置–––28.5#54DuelLab GameBench 2
GameBench 2 by reasoning setting不计入 Index22.9#19228.7#17533.9#158–DuelLab GameBench 2
Design Arena Website不计入 Index推理强度未说明–––960#177Design Arena
FrontierCode 1.1 (AA)不计入 Index––1.2%#80–Artificial Analysis
FrontierCode 2.0 (AA)––0.0%#125–Artificial Analysis
LiveCodeBench (AA)不计入 Index70.7%#62–87.8%#7–Artificial Analysis

智能体与工具

基准测试lowmediumhigh默认来源趋势
Terminal-Bench推理强度未说明–––18.7%#88Terminal-Bench
APEX-Agents推理强度未说明–––4.4%#65Mercor
Terminal-Bench Hard5.3%#282–23.5%#154–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index45.0%#216–65.8%#168–Artificial Analysis
GDPval-AA v2.1, normalised score不计入 Index0.0%#124–5.4%#116–Artificial Analysis
GDPval-AA v2.1不计入 Index179#277–615#229–Artificial Analysis
τ³-Banking (AA)2.9%#203–12.8%#133–Artificial Analysis
ITBench SRE (AA)不计入 Index––5.7%#43–Artificial Analysis
APEX-Agents (AA)不计入 Index––3.1%#30–Artificial Analysis
Poker Agent不计入 Index推理强度未说明–––1015.3%#13Vals AI
Terminal-Bench 2.0 (Vals)不计入 Index推理强度未说明–––19.1%#57Vals AI
METR Time Horizons不计入 Index推理强度未说明–––56.6%#22METR
Vending-Bench 2不计入 Index推理强度未说明–––-21.5#70Andon Labs
AutomationBench不计入 Index––0.2%#254–Artificial Analysis
GDP.pdf (AA)不计入 Index––4.2%#203–Artificial Analysis
EnterpriseOps-Gym不计入 Index––25.5%#49–Artificial Analysis
Terminal-Bench-Science 0.1 (AA)不计入 Index––0.0%#115–Artificial Analysis
BrowseComp-Plus不计入 Index9.8%#1724.6%#743.6%#3–BrowseComp-Plus
BrowseComp不计入 Index推理强度未说明–––1.6%#12OpenAI
FACTS Search不计入 Index推理强度未说明–––57.6%#26Google

数学

基准测试lowhigh默认来源趋势
OTIS Mock AIME–88.9%#86–Epoch AI Benchmarking Hub
AIME (Vals)推理强度未说明––92.6%#18Vals AI
MGSM推理强度未说明––92.0%#24Vals AI
MathArena Apex–1.0%#36–MathArena
Omni-MATH (HELM)推理强度未说明––68.8%#5HELM Capabilities
MATH 500不计入 Index推理强度未说明––94.8%#6Vals AI
Arena Maths推理强度未说明––1381#176Arena (LMArena)
AIME 2025 (AA)不计入 Index66.7%#10093.4%#15–Artificial Analysis

知识

基准测试lowhigh默认来源趋势
AA-Omniscience v1.1–-46.4#138–Artificial Analysis
MMLU-Pro推理强度未说明––79.2%#96Vals AI
LegalBench推理强度未说明––75.9%#111Vals AI
CorpFin推理强度未说明––58.2%#83Vals AI
TaxEval推理强度未说明––71.6%#74Vals AI
MedQA推理强度未说明––91.4%#38Vals AI
PRBench Finance推理强度未说明––43.8%#26Scale AI SEAL
PRBench Legal推理强度未说明––40.2%#37Scale AI SEAL
MultiNRC推理强度未说明可能存在污染––15.2%#40Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明––79.5%#20HELM Capabilities
CaseLaw v2不计入 Index推理强度未说明––48.8%#50Vals AI
AA-Omniscience v1.1: accuracy不计入 Index–21.7%#115–Artificial Analysis
AA-Omniscience v1.1: non-hallucination不计入 Index–13.1%#128–Artificial Analysis
Global-MMLU-Lite (AA)不计入 Index80.1%#7182.8%#52–Artificial Analysis

指令遵循

基准测试lowhigh默认来源趋势
IFBench58.3%#13369.0%#76–Artificial Analysis
MultiChallenge推理强度未说明––45.3%#32Scale AI SEAL
IFEval (HELM)推理强度未说明––83.6%#30HELM Capabilities
WildBench (HELM)推理强度未说明––84.5%#14HELM Capabilities
Arena Instruction Following不计入 Index推理强度未说明––1324#221Arena (LMArena)

人类偏好

基准测试默认来源趋势
Arena Text1352#207Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index956#106EQ-Bench
Arena Creative Writing不计入 Index1279#248Arena (LMArena)
Arena Multi-turn不计入 Index1326#224Arena (LMArena)
Arena Longer Queries不计入 Index1324#247Arena (LMArena)
Lech Mazur Creative Writing不计入 Index77.1%#20Lech Mazur

长上下文

基准测试lowhigh默认来源趋势
AA-LCR v1.146.0%#35452.0%#337–Artificial Analysis
MLCR不计入 Index–1.7%#174–Artificial Analysis
FACTS Grounding不计入 Index推理强度未说明––20.1%#26Google

综合

基准测试lowhigh默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明––140.2#115Epoch AI Benchmarking Hub
AA Intelligence Index v5.0.1不计入 Index–3.8#127–Artificial Analysis
AA Intelligence Index v4.3.2不计入 Index10.2#39111.6#359–Artificial Analysis
AA Progress Index v1不计入 Index215#363239.8#291–Artificial Analysis
HELM Capabilities mean不计入 Index推理强度未说明––77.0%#9HELM Capabilities

安全与诚实

基准测试默认来源趋势
FORTRESS不计入 Index8.2%#3Scale AI SEAL
MASK不计入 Index可能存在污染92.0%#6Scale AI SEAL
DistressBench不计入 Index63.7%#37Scale AI SEAL

GameBench 2 Overall: 28.5. GameBench 2, best reasoning setting (High): 33.9. 仅供参考,不计入 BenchLeader Index。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

优势所在

在所有已测配置中,这个配置排名前五的基准测试。

API 价格:在哪里调用

通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。

提供商速度首 token输入 $/M输出 $/M上下文量化
Cerebras980 tok/s0.18 s$0.350$0.750131kfp16
Groq360 tok/s0.16 s$0.150$0.600131k–
SambaNova347 tok/s1.06 s$0.140$0.950131k–
Nebius Token Factory347 tok/s0.22 s$0.150$0.600131kfp4
Parasail224 tok/s0.20 s$0.150$0.750131kfp4
Google Vertex201 tok/s0.17 s$0.090$0.360131k–
Baseten198 tok/s0.14 s$0.100$0.500128kfp4
Baseten174 tok/s0.14 s$0.100$0.500128kfp4
Parasail160 tok/s0.50 s$0.100$0.750131kfp4
Crusoe150 tok/s0.20 s$0.050$0.250131kbf16
Amazon Bedrock145 tok/s0.61 s$0.150$0.600131k–
CoreWeave141 tok/s0.22 s$0.030$0.170131kfp4
Amazon Bedrock115 tok/s0.54 s$0.150$0.600131k–
Sail Research105 tok/s0.51 s$0.060$0.400131kfp4
Together105 tok/s0.19 s$0.150$0.600131k–
AkashML104 tok/s0.37 s$0.030$0.187131kfp4
Prime Intellect78 tok/s0.59 s$0.035$0.075131kfp4
io.net61 tok/s0.63 s$0.250$0.450131kfp4
DeepInfra (fp8)61 tok/s1.39 s$0.200$0.950131kfp8
NEAR AI56 tok/s0.67 s$0.030$0.150131kfp4
DigitalOcean52 tok/s0.48 s$0.060$0.420128k–
Mancer52 tok/s0.63 s$0.070$0.250131kfp8
DekaLLM51 tok/s0.64 s$0.030$0.180131kbf16
SiliconFlow45 tok/s1.07 s$0.150$0.600131kfp8
DeepInfra (bf16)34 tok/s0.44 s$0.037$0.170131kbf16
Venice32 tok/s0.68 s$0.030$0.150128kint4

使用情况

gpt-oss-120b 的实际使用量,依据公开这类数据的网关报告。使用情况不计入 Index。使用最多的模型和提供商

OpenRouter,过去一周
#54
token 份额 0.21%

来源: 使用情况: OpenRouter 排名 · 数据截至 2026年11月16日。

一项任务的成本

根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.100。未计入推理 token。

工作负载输入 / 输出 token成本使用缓存耗时
聊天回复400 / 300$0.0002$0.00022.7 s
总结一份 30 页的报告12,000 / 600$0.0022$0.00175.0 s
代码编辑6,000 / 1,500$0.0018$0.001612.0 s
智能体编程会话60,000 / 4,000$0.011$0.009231.3 s
结构化信息提取2,000 / 200$0.0004$0.00031.9 s

OpenAI 的更多模型

本月新上线

另请参阅

嵌入或引用

在模型卡片或 README 中展示 gpt-oss-120b 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。

[![gpt-oss-120b on BenchLeader: 综合第 207 名](https://www.benchleader.com/badge/gpt-oss-120b.svg)](https://www.benchleader.com/models/gpt-oss-120b)

引用本页

排名每天都会变化,因此引用时需注明数据日期。APA 格式:

BenchLeader. (2026, November 16). gpt-oss-120b on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-oss-120b

BibTeX:

@misc{benchleader_gpt_oss_120b_20261116,
  author       = {{BenchLeader}},
  title        = {{gpt-oss-120b on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/gpt-oss-120b}},
  note         = {Data as of 2026-11-16}
}

全部徽章样式、可嵌入的前 10 名小组件,以及如何引用 Index

常见问题

gpt-oss-120b 的基准测试得分是多少?
截至 2026年11月16日,gpt-oss-120b 的 BenchLeader Index 为 46.1 ±5.6。最强的是数学(64),最弱的是智能体与工具(25)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
gpt-oss-120b 排名第几?
截至 2026年11月16日,gpt-oss-120b 在 608 个已排名配置中排第 436 名。另有 250 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
gpt-oss-120b 每百万 token 的价格是多少?
截至 2026年11月16日,gpt-oss-120b 的价格为输入每百万 token $0.150、输出每百万 token $0.600,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $0.262。
gpt-oss-120b 是什么时候发布的?
OpenAI 于 2025年8月5日发布了 gpt-oss-120b。BenchLeader 收录了它在 4 种推理强度设置下的结果。

数据截至 2026年11月16日。 对比这些配置

引用格式:BenchLeader,《gpt-oss-120b:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/gpt-oss-120b。