BenchLeader

gpt-oss-20b

推理强度
质量第 219 / 339 名
45.6Index
低于中位数
较中位数 −4.6
价格第 22 / 255 名
$0.128每百万 token
最便宜的 10%
中位数的 0.2 倍
速度第 29 / 216 名
174token/秒
前四分之一
中位数的 2.1 倍
性价比第 25 / 255 名
356.3分/$
前 10%
中位数的 6.4 倍

性价比更高: Qwen3.5-4B $0.060/M 即可获得 Index 46.7,便宜 53%。

有 3 个更便宜的已排名模型得分更高:Ling 3.0 Flash (51.7, $0.115)、Nemotron 3 Nano 30B A3B (47.4, $0.088)、Qwen3.5-4B (46.7, $0.060)。

截至 2026年11月16日,gpt-oss-20b(OpenAI)在 BenchLeader Index 上得分 45.6(共 608 个已排名配置)。表现最好的是指令遵循(58),最弱的是智能体与工具(38)。API 价格为输入每百万 token $0.070、输出每百万 token $0.300(按 3:1 混合为 $0.128),为 2026年11月16日的标价。输出速度约为 170 token/秒(Artificial Analysis)。发布于 2025年8月5日。

要点(截至 2026年11月16日)

  • gpt-oss-20b 的 API 价格为输入每百万 token $0.070、输出每百万 token $0.300(按 3:1 混合为 $0.128)(标价,2026年11月16日)。
  • gpt-oss-20b 的输出速度约为 170 token/秒(Artificial Analysis,2026年11月16日)。
  • gpt-oss-20b 于 2025年8月5日发布(OpenAI)。

详细说明:gpt-oss-20b 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(推理强度 low)在 BenchLeader Index 上得分 45.6 ±6.8,在 608 个配置中排第 452 名,处于下半区。关键在于这个“±”:另有 290 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,指令遵循得分最高(58),智能体与工具最低(38)。按混合价格计,每百万 token $0.128,属于已排名模型中最便宜的五分之一。输出速度为 174 token/秒,首次回答需 1.4 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:2025年8月5日。数据较旧:六个月内没有新结果

混合价格
$0.128/M
输入 $0.070 · 输出 $0.300
来源:Artificial Analysis
输出速度
174 tok/s
由 Artificial Analysis 测量
首次回答
1.37 s
首 token 0.35 s
上下文
131k
来源:models.dev
完整回答
14 s
最近一次测量 2026年11月13日
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. 智能体与工具38
  4. 数学40
  5. 指令遵循58
  6. 长上下文39

嵌入这个排名

更多徽章样式
[![gpt-oss-20b on BenchLeader: 综合第 214 名](https://www.benchleader.com/badge/gpt-oss-20b.svg?style=compact)](https://www.benchleader.com/models/gpt-oss-20b)

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
low最佳45.6#452174 tok/s1.37 s$0.0001智能体与工具 38 · 指令遵循 58 · 长上下文 39 · 数学 40 · 推理 40
medium––140 tok/s0.35 s$0.0001编程 41 · 数学 51 · 推理 45
high45.4#455156 tok/s28 s$0.0001智能体与工具 37 · 编程 41 · 指令遵循 65 · 长上下文 41 · 数学 45 · 推理 35
未说明44.5#469140 tok/s0.35 s$0.0001智能体与工具 24 · 编程 55 · 人类偏好 47 · 指令遵循 36 · 知识 38 · 数学 57 · 推理 48

Index 走势

2026年9月9日 至 2026年11月16日
374655
  • low
  • high
  • 默认

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 Diamond53.2%#22260.8%#20446.0%#247–Epoch AI Benchmarking Hub
Arena Hard Prompts推理强度未说明–––1323#250Arena (LMArena)
GPQA Diamond (AA)不计入 Index61.1%#376–68.8%#315–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index5.3%#460–11.0%#324–Artificial Analysis
HLE-Diamond (AA)––4.8%#149–Artificial Analysis
GPQA Diamond (Vals)不计入 Index推理强度未说明–––68.9%#95Vals AI
Kagi LLM Benchmark推理强度未说明–––53.2%#71Kagi LLM Benchmark
GPQA Diamond (HELM)不计入 Index推理强度未说明–––59.4%#28HELM Capabilities
CritPt不计入 Index0.0%#337–1.4%#230–Artificial Analysis
Arena Expert不计入 Index推理强度未说明–––1316#236Arena (LMArena)
LMCA不计入 Index––14.5%#182–Epoch AI Benchmarking Hub
DTBench不计入 Index––68.0%#170–Epoch AI Benchmarking Hub

编程

基准测试lowmediumhigh默认来源趋势
SciCode––38.9%#190–SciCode
WeirdML–36.8%#12240.9%#101–WeirdML
Arena Coding推理强度未说明–––1368#234Arena (LMArena)
SciCode (AA)不计入 Index––38.9%#201–Artificial Analysis
LiveCodeBench推理强度未说明–––80.4%#69Vals AI
ALE-Bench不计入 Index推理强度未说明–––566.0#114Epoch AI Benchmarking Hub
Terminal-Bench 4.0 (AA)不计入 Index––0.0%#186–Artificial Analysis
Terminal-Bench 2.1 (AA)不计入 Index––13.9%#187–Artificial Analysis
Design Arena Website不计入 Index推理强度未说明–––844#187Design Arena
LiveCodeBench (AA)不计入 Index65.2%#91–77.7%#35–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–––3.4%#105Terminal-Bench
Terminal-Bench Hard4.5%#289–10.6%#226–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index50.3%#199–60.2%#182–Artificial Analysis
GDPval-AA v2.1, normalised score不计入 Index––0.0%#124–Artificial Analysis
GDPval-AA v2.1不计入 Index––347#258–Artificial Analysis
τ³-Banking (AA)––7.0%#166–Artificial Analysis
APEX-Agents (AA)不计入 Index––0.7%#33–Artificial Analysis
AutomationBench不计入 Index––0.2%#256–Artificial Analysis
GDP.pdf (AA)不计入 Index––2.0%#225–Artificial Analysis
BrowseComp-Plus不计入 Index4.0%#2016.9%#1021.4%#8–BrowseComp-Plus
BrowseComp不计入 Index推理强度未说明–––1.3%#14OpenAI

数学

基准测试lowmediumhigh默认来源趋势
OTIS Mock AIME40.3%#20965.3%#16650.8%#196–Epoch AI Benchmarking Hub
AIME (Vals)推理强度未说明–––86.0%#33Vals AI
MGSM推理强度未说明–––89.0%#49Vals AI
Omni-MATH (HELM)推理强度未说明–––56.5%#11HELM Capabilities
MATH 500不计入 Index推理强度未说明–––94.2%#10Vals AI
Arena Maths推理强度未说明–––1335#213Arena (LMArena)
AIME 2025 (AA)不计入 Index62.3%#110–89.3%#30–Artificial Analysis

知识

基准测试lowhigh默认来源趋势
MMLU-Pro推理强度未说明––71.6%#113Vals AI
LegalBench推理强度未说明––70.8%#120Vals AI
CorpFin推理强度未说明––53.1%#97Vals AI
TaxEval推理强度未说明––63.7%#117Vals AI
MedQA推理强度未说明––82.9%#63Vals AI
MultiNRC推理强度未说明可能存在污染––10.4%#42Scale AI SEAL
MMLU-Pro (HELM)不计入 Index推理强度未说明––74.0%#31HELM Capabilities
CaseLaw v2不计入 Index推理强度未说明––43.8%#53Vals AI
Global-MMLU-Lite (AA)不计入 Index72.8%#9475.2%#88–Artificial Analysis

指令遵循

基准测试lowhigh默认来源趋势
IFBench57.8%#13765.1%#104–Artificial Analysis
IFEval (HELM)推理强度未说明––73.2%#60HELM Capabilities
WildBench (HELM)推理强度未说明––73.7%#55HELM Capabilities
Arena Instruction Following不计入 Index推理强度未说明––1281#267Arena (LMArena)

人类偏好

基准测试默认来源趋势
Arena Text1318#250Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index665#122EQ-Bench
Arena Creative Writing不计入 Index1241#284Arena (LMArena)
Arena Multi-turn不计入 Index1289#261Arena (LMArena)
Arena Longer Queries不计入 Index1303#265Arena (LMArena)

长上下文

基准测试lowhigh来源趋势
AA-LCR v1.131.0%#41834.7%#401Artificial Analysis
MLCR不计入 Index–1.1%#177Artificial Analysis

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––135.0#133Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index9.9#3949.0#427–Artificial Analysis
AA Progress Index v1不计入 Index205.1#402217.1#358–Artificial Analysis
HELM Capabilities mean不计入 Index推理强度未说明––67.4%#28HELM Capabilities

安全与诚实

基准测试默认来源趋势
FORTRESS不计入 Index17.6%#32Scale AI SEAL
MASK不计入 Index可能存在污染86.5%#14Scale AI SEAL

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
Amazon Bedrock406 tok/s0.37 s$0.070$0.150131k–
Groq403 tok/s0.53 s$0.075$0.300131k–
CoreWeave137 tok/s0.16 s$0.030$0.130131kfp4
Prime Intellect129 tok/s0.58 s$0.020$0.030131kfp4
Amazon Bedrock103 tok/s1.02 s$0.070$0.150131k–
AkashML100 tok/s0.66 s$0.018$0.090131kfp4
DeepInfra92 tok/s0.31 s$0.030$0.140131kbf16
Darkbloom83 tok/s0.62 s$0.018$0.090131kfp8
DekaLLM81 tok/s0.58 s$0.029$0.140131kbf16
Parasail74 tok/s1.11 s$0.030$0.150131kfp4
DeepInfra47 tok/s1.33 s$0.024$0.112131kbf16
SiliconFlow41 tok/s1.13 s$0.040$0.180131kfp8

价格历史

上述价格(每百万 token)在每个变动日的数值。

$0.00$0.083$0.165$0.247$0.33026年9月26年10月26年11月
输入 输出
当前:输入 $0.070 · 输出 $0.300

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 $0.037。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$0.0001$0.00013.1 s
总结一份 30 页的报告12,000 / 600$0.0010$0.00074.8 s
代码编辑6,000 / 1,500$0.0009$0.000710.0 s
智能体编程会话60,000 / 4,000$0.0054$0.003924.3 s
结构化信息提取2,000 / 200$0.0002$0.00022.5 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-20b 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-20b on BenchLeader: 综合第 214 名](https://www.benchleader.com/badge/gpt-oss-20b.svg)](https://www.benchleader.com/models/gpt-oss-20b)

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-20b on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-oss-20b

BibTeX:

@misc{benchleader_gpt_oss_20b_20261116,
  author       = {{BenchLeader}},
  title        = {{gpt-oss-20b on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/gpt-oss-20b}},
  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-20b 的基准测试得分是多少?
截至 2026年11月16日,gpt-oss-20b(推理强度 low)的 BenchLeader Index 为 45.6 ±6.8。最强的是指令遵循(58),最弱的是智能体与工具(38)。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-20b 排名第几?
截至 2026年11月16日,gpt-oss-20b(推理强度 low)在 608 个已排名配置中排第 452 名。另有 290 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-20b 每百万 token 的价格是多少?
截至 2026年11月16日,gpt-oss-20b 的价格为输入每百万 token $0.070、输出每百万 token $0.300,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $0.128。标价最近一次变动是在 2026年10月24日。
gpt-oss-20b 是什么时候发布的?
OpenAI 于 2025年8月5日发布了 gpt-oss-20b。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-20b: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-20b。