BenchLeader

Grok 4.20

推理强度
质量第 62 / 339 名
58.3Index
前四分之一
较中位数 +8.1
价格第 163 / 255 名
$1.56每百万 token
比多数贵
中位数的 1.8 倍
速度第 67 / 216 名
111token/秒
高于中位数
中位数的 1.4 倍
性价比第 160 / 255 名
37.3分/$
低于中位数
中位数的 0.7 倍

性价比更高: MiMo-V2.5 $0.138/M 即可获得 Index 56.3,价格只有 11 分之一。

有 8 个更便宜的已排名模型得分更高:Gemini 3.7 Flash (62.1, $1.50)、Gemini 3.6 Flash (61.0, $1.50)、Gemini 3.8 Flash (60.2, $1.50),另有 5 个。

截至 2026年11月16日,Grok 4.20(SpaceXAI)在 BenchLeader Index 上得分 58.3(共 608 个已排名配置)。表现最好的是指令遵循(79),最弱的是智能体与工具(51)。API 价格为输入每百万 token $1.25、输出每百万 token $2.50(按 3:1 混合为 $1.56),为 2026年11月16日的标价。输出速度约为 110 token/秒(Artificial Analysis)。发布于 2026年2月17日。

要点(截至 2026年11月16日)

  • Grok 4.20 的 API 价格为输入每百万 token $1.25、输出每百万 token $2.50(按 3:1 混合为 $1.56)(标价,2026年11月16日)。
  • Grok 4.20 的输出速度约为 110 token/秒(Artificial Analysis,2026年11月16日)。
  • Grok 4.20 于 2026年2月17日发布(SpaceXAI)。

详细说明:Grok 4.20 是 SpaceXAI 的闭源推理模型,发布于 2026年2月17日。其最佳配置(推理强度 thinking)在 BenchLeader Index 上得分 58.3 ±4.2,在 608 个配置中排第 132 名,处于上半区。关键在于这个“±”:另有 240 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(79),智能体与工具最低(51)。按混合价格计,每百万 token $1.56,比大多数已排名模型贵。输出速度为 111 token/秒,首次回答需 12.1 秒,比大多数模型快。它已在 3 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
$1.56/M
输入 $1.25 · 输出 $2.50
来源:Artificial Analysis
输出速度
111 tok/s
由 Artificial Analysis 测量
首次回答
12 s
首 token 0.60 s
上下文
2M
来源:OpenRouter
完整回答
44 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
2026年2月17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 Index58
  2. 推理61
  3. 编程53
  4. 智能体与工具51
  5. 数学54
  6. 知识53
  7. 指令遵循79
  8. 人类偏好66
  9. 多模态58
  10. 长上下文59

嵌入这个排名

更多徽章样式
[![Grok 4.20 on BenchLeader: 综合第 61 名](https://www.benchleader.com/badge/grok-4-20.svg?style=compact)](https://www.benchleader.com/models/grok-4-20)

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。

SpaceXAI 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

版本

SpaceXAI 以这个名称发布过 11 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。

模型发布日期Index排名
Grok 4.7xhigh2026年9月21日57.4#154
Grok 4.6high2026年8月11日60.6#74
Grok 4.52026年7月8日59.3#109
Grok 4.3high2026年4月17日56.5#180
Grok 4.2high2026年3月10日––
Grok 4.20thinking本页2026年2月17日58.3#132
Grok 4.12025年11月17日57.1#160
Grok 42025年7月9日58.1#136
Grok 32025年2月17日50.9#326
Grok 22024年12月12日42.3#495
Grok 4.20 1–––

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
无推理––109 tok/s1.57 s$0.0013智能体与工具 48 · 指令遵循 51 · 长上下文 35 · 多模态 47
thinking最佳58.3#132111 tok/s12 s$0.0013智能体与工具 51 · 编程 53 · 人类偏好 66 · 指令遵循 79 · 知识 53 · 长上下文 59 · 数学 54 · 多模态 58 · 推理 61
未说明––84 tok/s0.60 s$0.0013智能体与工具 51 · 编程 52 · 推理 42

Index 走势

2026年9月9日 至 2026年11月16日
505764

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。

推理

基准测试无推理thinking默认来源趋势
GPQA Diamond–89.3%#61–Epoch AI Benchmarking Hub
Arena Hard Prompts–1489#53–Arena (LMArena)
GPQA Diamond (AA)不计入 Index77.6%#22391.1%#50–Artificial Analysis
Humanity's Last Exam (AA)不计入 Index27.9%#18534.5%#140–Artificial Analysis
GPQA Diamond (Vals)不计入 Index–88.6%#33–Vals AI
Kagi LLM Benchmark–75.0%#1244.8%#96Kagi LLM Benchmark
ARC-AGI-1–89.5%#90–ARC Prize
ARC-AGI-2–65.1%#81–ARC Prize
ARC-AGI-3–0.1%#74–ARC Prize
CritPt不计入 Index0.3%#2916.6%#160–Artificial Analysis
Arena Expert不计入 Index–1477#83–Arena (LMArena)
Chess Puzzles不计入 Index–29.0%#73–Epoch AI Benchmarking Hub
CL-bench不计入 Index推理强度未说明––22.2%#3Epoch AI Benchmarking Hub
CL-bench Life不计入 Index推理强度未说明––11.9%#12Epoch AI Benchmarking Hub
LMCA不计入 Index推理强度未说明––38.7%#118Epoch AI Benchmarking Hub
DTBench不计入 Index推理强度未说明––90.1%#88Epoch AI Benchmarking Hub
ForecastBench不计入 Index–64.1%#3063.1%#44ForecastBench

编程

基准测试thinking默认来源趋势
WeirdML推理强度未说明–52.3%#66WeirdML
Arena Coding1511#60–Arena (LMArena)
Arena WebDev1376#112–Arena (LMArena)
LiveCodeBench84.3%#39–Vals AI
SWE-bench (Vals)不计入 Index72.2%#54–Vals AI
Code Migration不计入 Index0.3%#77–Vals AI
Vibe Code Bench v1.1不计入 Index4.1%#111–Vals AI
ALE-Bench不计入 Index推理强度未说明–1150.3#57Epoch AI Benchmarking Hub
Design Arena Website不计入 Index1221#771211#84Design Arena

智能体与工具

基准测试无推理thinking默认来源趋势
Terminal-Bench推理强度未说明––57.3%#26Terminal-Bench
Terminal-Bench Hard16.7%#18837.9%#62–Artificial Analysis
τ²-Bench Telecom (AA)不计入 Index59.9%#18393.0%#46–Artificial Analysis
Terminal-Bench 2.1 (Vals)–44.2%#64–Vals AI
HiL-Bench推理强度未说明––20.0%#31Scale AI SEAL
APEX-Agents (AA)不计入 Index–14.2%#26–Artificial Analysis
Finance Agent v2不计入 Index–28.5%#74–Vals AI
Harvey's Legal Agent Benchmark v1不计入 Index–0.0%#64–Vals AI
Legal Research Bench不计入 Index–13.9%#78–Vals AI
Tax Agent Bench不计入 Index–7.0%#75–Vals AI
Terminal-Bench 2.0 (Vals)不计入 Index–40.5%#31–Vals AI
Vending-Bench 2不计入 Index推理强度未说明––4662.9#39Andon Labs
Design Arena Agentic不计入 Index–1093#59–Design Arena

知识

基准测试无推理thinking来源趋势
SimpleQA Verified–30.2%#76Epoch AI Benchmarking Hub
MMLU-Pro–86.3%#43Vals AI
LegalBench–77.7%#105Vals AI
CorpFin–63.7%#43Vals AI
TaxEval–74.1%#40Vals AI
MedQA–94.5%#16Vals AI
CaseLaw v2不计入 Index–54.5%#38Vals AI
Excel Modeling Benchmark不计入 Index–11.7%#73Vals AI
MedCode不计入 Index–32.2%#88Vals AI
MedScribe不计入 Index–63.4%#100Vals AI
Global-MMLU-Lite (AA)不计入 Index83.1%#5189.5%#18Artificial Analysis

指令遵循

基准测试无推理thinking来源趋势
IFBench49.3%#17981.2%#5Artificial Analysis
Arena Instruction Following不计入 Index–1448#71Arena (LMArena)

人类偏好

基准测试thinking默认来源趋势
Arena Text1472#49–Arena (LMArena)
EQ-Bench Creative Writing v3不计入 Index推理强度未说明–1574#51EQ-Bench
Arena Creative Writing不计入 Index1445#53–Arena (LMArena)
Arena Multi-turn不计入 Index1479#44–Arena (LMArena)
Arena Longer Queries不计入 Index1466#69–Arena (LMArena)

多模态

基准测试无推理thinking默认来源趋势
Arena Vision–1263#53–Arena (LMArena)
MMMU-Pro64.9%#19374.6%#122–Artificial Analysis
MMMU-Pro (Vals)不计入 Index–83.5%#32–Vals AI
MortgageTax不计入 Index–45.4%#83–Vals AI
Blueprint-Bench 2不计入 Index推理强度未说明––0.0%#33Epoch AI Benchmarking Hub

长上下文

基准测试无推理thinking来源趋势
AA-LCR v1.123.3%#44369.0%#249Artificial Analysis
Arena Document不计入 Index–1440#37Arena (LMArena)

综合

基准测试无推理thinking默认来源趋势
Epoch Capabilities Index不计入 Index推理强度未说明––152.3#58Epoch AI Benchmarking Hub
AA Intelligence Index v4.3.2不计入 Index14.2#30725.7#167–Artificial Analysis
AA Progress Index v1不计入 Index224.6#339281.9#170–Artificial Analysis
Vals Multimodal Index不计入 Index–39.1%#32–Vals AI

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
SpaceXAI97 tok/s0.47 s$1.25$2.502M–
SpaceXAI81 tok/s0.52 s$1.25$2.502M–

价格历史

上述价格(每百万 token)在每个变动日的数值。

$0.00$1.65$3.30$4.95$6.6026年9月26年10月26年11月
输入 输出
当前:输入 $1.25 · 输出 $2.50

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 $0.200。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$0.0013$0.000914.8 s
总结一份 30 页的报告12,000 / 600$0.017$0.007117.5 s
代码编辑6,000 / 1,500$0.011$0.006525.6 s
智能体编程会话60,000 / 4,000$0.085$0.03848.1 s
结构化信息提取2,000 / 200$0.0030$0.001413.9 s

SpaceXAI 的更多模型

本月新上线

将 Grok 4.20 与以下模型对比

另请参阅

嵌入或引用

在模型卡片或 README 中展示 Grok 4.20 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。

[![Grok 4.20 on BenchLeader: 综合第 61 名](https://www.benchleader.com/badge/grok-4-20.svg)](https://www.benchleader.com/models/grok-4-20)

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). Grok 4.20 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/grok-4-20

BibTeX:

@misc{benchleader_grok_4_20_20261116,
  author       = {{BenchLeader}},
  title        = {{Grok 4.20 on the BenchLeader Index (method v1.4)}},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://www.benchleader.com/models/grok-4-20}},
  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

Grok 4.20 的基准测试得分是多少?
截至 2026年11月16日,Grok 4.20(推理强度 thinking)的 BenchLeader Index 为 58.3 ±4.2。最强的是指令遵循(79),最弱的是智能体与工具(51)。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。
Grok 4.20 排名第几?
截至 2026年11月16日,Grok 4.20(推理强度 thinking)在 608 个已排名配置中排第 132 名。另有 240 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。
Grok 4.20 每百万 token 的价格是多少?
截至 2026年11月16日,Grok 4.20 的价格为输入每百万 token $1.25、输出每百万 token $2.50,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $1.56。标价最近一次变动是在 2026年10月18日。
Grok 4.20 比 Muse Spark Open 816B A42B 更好吗?
截至 2026年11月16日,Grok 4.20(推理强度 thinking)与 Muse Spark Open 816B A42B(推理强度 xhigh)的质量不相上下(BenchLeader Index 58.3 比 58.1,在 ±7.3 的误差范围内),可根据价格、速度和你看重的类别来选择。逐项基准测试的详细对比见对比页面。
Grok 4.20 是什么时候发布的?
SpaceXAI 于 2026年2月17日发布了 Grok 4.20。BenchLeader 收录了它在 3 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,《Grok 4.20: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/grok-4-20。