gpt-oss-120b
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
- 综合 Index46
- 推理40
- 编程42
- 智能体与工具25
- 数学64
- 知识47
- 指令遵循51
- 人类偏好51
嵌入这个排名
更多徽章样式[](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。
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 |
|---|---|---|---|---|---|---|
| low | 45.7 | #449 | 176 tok/s | 1.98 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/s | 0.33 s | $0.0002 | 编程 45 |
| high | 45.3 | #456 | 168 tok/s | 14 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 | #436 | 129 tok/s | 0.33 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- 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 | low | high | 来源 | 趋势 |
|---|---|---|---|---|
| AA Openness Index不计入 Index | 38.9#155 | 38.9#155 | Artificial Analysis |
推理
| 基准测试 | low | medium | high | 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%#103 | SimpleBench | |
| Arena Hard Prompts推理强度未说明 | – | – | – | 1362#213 | Arena (LMArena) | |
| GPQA Diamond (AA)不计入 Index | 67.2%#328 | – | 78.2%#215 | – | Artificial Analysis | |
| Humanity's Last Exam (AA)不计入 Index | 5.9%#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%#71 | Vals AI | |
| Kagi LLM Benchmark推理强度未说明 | – | – | – | 58.6%#53 | Kagi LLM Benchmark | |
| GPQA Diamond (HELM)不计入 Index推理强度未说明 | – | – | – | 68.4%#12 | HELM Capabilities | |
| CritPt不计入 Index | 0.0%#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#206 | Arena (LMArena) | |
| Mystery Game Puzzles不计入 Index | – | 2.0%#145 | 0.0%#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
智能体与工具
数学
| 基准测试 | low | high | 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%#18 | Vals AI | |
| MGSM推理强度未说明 | – | – | 92.0%#24 | Vals AI | |
| MathArena Apex | – | 1.0%#36 | – | MathArena | |
| Omni-MATH (HELM)推理强度未说明 | – | – | 68.8%#5 | HELM Capabilities | |
| MATH 500不计入 Index推理强度未说明 | – | – | 94.8%#6 | Vals AI | |
| Arena Maths推理强度未说明 | – | – | 1381#176 | Arena (LMArena) | |
| AIME 2025 (AA)不计入 Index | 66.7%#100 | 93.4%#15 | – | Artificial Analysis |
知识
| 基准测试 | low | high | 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%#96 | Vals AI | |
| LegalBench推理强度未说明 | – | – | 75.9%#111 | Vals AI | |
| CorpFin推理强度未说明 | – | – | 58.2%#83 | Vals AI | |
| TaxEval推理强度未说明 | – | – | 71.6%#74 | Vals AI | |
| MedQA推理强度未说明 | – | – | 91.4%#38 | Vals AI | |
| PRBench Finance推理强度未说明 | – | – | 43.8%#26 | Scale AI SEAL | |
| PRBench Legal推理强度未说明 | – | – | 40.2%#37 | Scale AI SEAL | |
| MultiNRC推理强度未说明可能存在污染 | – | – | 15.2%#40 | Scale AI SEAL | |
| MMLU-Pro (HELM)不计入 Index推理强度未说明 | – | – | 79.5%#20 | HELM Capabilities | |
| CaseLaw v2不计入 Index推理强度未说明 | – | – | 48.8%#50 | Vals 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 Index | 80.1%#71 | 82.8%#52 | – | Artificial Analysis |
指令遵循
| 基准测试 | low | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| IFBench | 58.3%#133 | 69.0%#76 | – | Artificial Analysis | |
| MultiChallenge推理强度未说明 | – | – | 45.3%#32 | Scale AI SEAL | |
| IFEval (HELM)推理强度未说明 | – | – | 83.6%#30 | HELM Capabilities | |
| WildBench (HELM)推理强度未说明 | – | – | 84.5%#14 | HELM Capabilities | |
| Arena Instruction Following不计入 Index推理强度未说明 | – | – | 1324#221 | Arena (LMArena) |
人类偏好
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| Arena Text | 1352#207 | Arena (LMArena) | |
| EQ-Bench Creative Writing v3不计入 Index | 956#106 | EQ-Bench | |
| Arena Creative Writing不计入 Index | 1279#248 | Arena (LMArena) | |
| Arena Multi-turn不计入 Index | 1326#224 | Arena (LMArena) | |
| Arena Longer Queries不计入 Index | 1324#247 | Arena (LMArena) | |
| Lech Mazur Creative Writing不计入 Index | 77.1%#20 | Lech Mazur |
长上下文
| 基准测试 | low | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| AA-LCR v1.1 | 46.0%#354 | 52.0%#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%#26 |
综合
| 基准测试 | low | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|
| Epoch Capabilities Index不计入 Index推理强度未说明 | – | – | 140.2#115 | Epoch 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 Index | 10.2#391 | 11.6#359 | – | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 215#363 | 239.8#291 | – | Artificial Analysis | |
| HELM Capabilities mean不计入 Index推理强度未说明 | – | – | 77.0%#9 | HELM Capabilities |
安全与诚实
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| FORTRESS不计入 Index | 8.2%#3 | Scale AI SEAL | |
| MASK不计入 Index可能存在污染 | 92.0%#6 | Scale AI SEAL | |
| DistressBench不计入 Index | 63.7%#37 | Scale 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 |
|---|---|---|---|---|---|---|
| Cerebras | 980 tok/s | 0.18 s | $0.350 | $0.750 | 131k | fp16 |
| Groq | 360 tok/s | 0.16 s | $0.150 | $0.600 | 131k | – |
| SambaNova | 347 tok/s | 1.06 s | $0.140 | $0.950 | 131k | – |
| Nebius Token Factory | 347 tok/s | 0.22 s | $0.150 | $0.600 | 131k | fp4 |
| Parasail | 224 tok/s | 0.20 s | $0.150 | $0.750 | 131k | fp4 |
| Google Vertex | 201 tok/s | 0.17 s | $0.090 | $0.360 | 131k | – |
| Baseten | 198 tok/s | 0.14 s | $0.100 | $0.500 | 128k | fp4 |
| Baseten | 174 tok/s | 0.14 s | $0.100 | $0.500 | 128k | fp4 |
| Parasail | 160 tok/s | 0.50 s | $0.100 | $0.750 | 131k | fp4 |
| Crusoe | 150 tok/s | 0.20 s | $0.050 | $0.250 | 131k | bf16 |
| Amazon Bedrock | 145 tok/s | 0.61 s | $0.150 | $0.600 | 131k | – |
| CoreWeave | 141 tok/s | 0.22 s | $0.030 | $0.170 | 131k | fp4 |
| Amazon Bedrock | 115 tok/s | 0.54 s | $0.150 | $0.600 | 131k | – |
| Sail Research | 105 tok/s | 0.51 s | $0.060 | $0.400 | 131k | fp4 |
| Together | 105 tok/s | 0.19 s | $0.150 | $0.600 | 131k | – |
| AkashML | 104 tok/s | 0.37 s | $0.030 | $0.187 | 131k | fp4 |
| Prime Intellect | 78 tok/s | 0.59 s | $0.035 | $0.075 | 131k | fp4 |
| io.net | 61 tok/s | 0.63 s | $0.250 | $0.450 | 131k | fp4 |
| DeepInfra (fp8) | 61 tok/s | 1.39 s | $0.200 | $0.950 | 131k | fp8 |
| NEAR AI | 56 tok/s | 0.67 s | $0.030 | $0.150 | 131k | fp4 |
| DigitalOcean | 52 tok/s | 0.48 s | $0.060 | $0.420 | 128k | – |
| Mancer | 52 tok/s | 0.63 s | $0.070 | $0.250 | 131k | fp8 |
| DekaLLM | 51 tok/s | 0.64 s | $0.030 | $0.180 | 131k | bf16 |
| SiliconFlow | 45 tok/s | 1.07 s | $0.150 | $0.600 | 131k | fp8 |
| DeepInfra (bf16) | 34 tok/s | 0.44 s | $0.037 | $0.170 | 131k | bf16 |
| Venice | 32 tok/s | 0.68 s | $0.030 | $0.150 | 128k | int4 |
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
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 | $0.0002 | 2.7 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.0022 | $0.0017 | 5.0 s |
| 代码编辑 | 6,000 / 1,500 | $0.0018 | $0.0016 | 12.0 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.011 | $0.0092 | 31.3 s |
| 结构化信息提取 | 2,000 / 200 | $0.0004 | $0.0003 | 1.9 s |
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。
[](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}
}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。