gpt-oss-120b
Data source: AIHOT
Model data is shown as published (Chinese).
Released: 2025-08-05 · Context: 131K tokens
Open weights ↗Overall rank 94
Official API prices ¥ / million tokens
- Input
- —
- Output
- —
- Cache hits
- —
No paid API from the vendor
OpenAI 只发布权重,官方 API 不提供
Official pricing ↗Domain capabilities
| Board | Rank | Score | Benchmarks |
|---|---|---|---|
| 综合 | 94 | 20.8 | 18 |
| 编程 | 94 | 21.4 | 4 |
| 科研 | 93 | 26 | 5 |
| 专业办公 | 94 | 17.5 | 4 |
| 知识问答 | 94 | 18.5 | 4 |
编程 · 21.4
| Benchmark | Organization | Published result | Normalized score | Source rank | Verified | Notes |
|---|---|---|---|---|---|---|
| Terminal-Bench 4.0 ↗ 在终端完成软件、科研等复杂任务,再由各题的测试检查结果。 | Artificial Analysis | 0.0% | 48.9 | 202 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| FrontierCode 2.0 ↗ 在真实开源仓库里改代码,看改动能不能达到维护者愿意合并的水平。 | Artificial Analysis | 0.0% | 42.6 | 139 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| SciCode ↗ 把物理、化学、生物等科研问题写成能运行、算得对的计算代码。 | Artificial Analysis | 34.0% | 30.5 | 223 | 2026-11-18 | Notes代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| APEX-SWE ↗ 在工程环境里连接并部署服务,或根据故障日志和监控信息排查问题。 | Mercor | 3.3% | 17.1 | 66 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”。代表配置:High 推理 · terminus-2 · apex-swe:terminus-2。该来源对所有模型使用同一受控系统;按预先固定的推理档位优先级选择,配置明细保留,成绩归到基础模型。 |
科研 · 26
| Benchmark | Organization | Published result | Normalized score | Source rank | Verified | Notes |
|---|---|---|---|---|---|---|
| Terminal-Bench Science ↗ 在命令行里走完一段科研流程:处理数据、跑分析、得出结果。 | Artificial Analysis | 0.0% | 56.4 | 127 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| CritPt ↗ 物理研究前沿的原创难题,要一步步推导出准确答案。 | Artificial Analysis | 1.1% | 46.7 | 247 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| Mystery Game Puzzles ↗ 看文字描述的游戏局面,找出最好的下一步。 | Epoch AI | 0.0% | 42.2 | 147 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| Humanity's Last Exam ↗ 数学、科学、人文等几十个学科的专家级难题,不借助工具直接作答。 | Artificial Analysis | 19.6% | 36.4 | 244 | 2026-11-18 | Notes这项成绩和这个模型的其他成绩差得太远,它对总分的影响设了上限,一个异常成绩带偏不了总分。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| CritPt v2 Hard ↗ 修订版研究级物理题里较难的 40 道,可以写代码辅助演算。 | Artificial Analysis | 4.0% | 35.2 | 131 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
专业办公 · 17.5
| Benchmark | Organization | Published result | Normalized score | Source rank | Verified | Notes |
|---|---|---|---|---|---|---|
| AutomationBench-AA ↗ 在模拟办公软件中处理业务流程,按完成目标和守规情况评分。 | Artificial Analysis | 0.2% | 30.4 | 272 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”;这个模型的水平已经低于这条线不少,这一项几乎不起作用。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| GDPval-AA ↗ 按几十种职业的真实工作出题,比如写报告、做表格,由裁判两两比较产出质量。 | Artificial Analysis | 615.3 | 29.4 | 234 | 2026-11-18 | Notes这项成绩和这个模型的其他成绩差得太远,它对总分的影响设了上限,一个异常成绩带偏不了总分。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| APEX-Agents ↗ 投行、咨询和法律里的长任务,看模型当助手能不能把一件完整的工作做完。 | Mercor | 4.4% | 13.9 | 76 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”。代表配置:High 推理 · loop_truncated_tools_agent · apex-agents:v1.1:loop_truncated_tools_agent。该来源对所有模型使用同一受控系统;按预先固定的推理档位优先级选择,配置明细保留,成绩归到基础模型。 |
| AA-Briefcase ↗ 完成办公项目里写报告、做表格这类长任务,按细则和成果质量评分。 | Artificial Analysis | 0 | 11.1 | 271 | 2026-11-18 | Notes代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
知识问答 · 18.5
| Benchmark | Organization | Published result | Normalized score | Source rank | Verified | Notes |
|---|---|---|---|---|---|---|
| MLCR-AA ↗ 读很长的医疗记录回答问题,答案要完整且不能违背原始记录。 | Artificial Analysis | 1.7% | 29.2 | 187 | 2026-11-18 | Notes通过率低于 5%,只说明“至多这么强”。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| AA-LCR ↗ 读很长的文档,回答要把多处信息串起来才能答的问题。 | Artificial Analysis | 52.0% | 27.6 | 345 | 2026-11-18 | Notes代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| AA-Omniscience v1.1 ↗ 各领域的事实问答,答错倒扣、不会可以不答,看模型知道多少、会不会乱编。 | Artificial Analysis | -46.4 | 21.2 | 154 | 2026-11-18 | Notes代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
| BullshitBench v2 ↗ 问题里藏着错误前提,看模型能不能指出来,而不是顺着编下去。 | BullshitBench | 5.0% | -12.4 | 235 | 2026-11-18 | Notes这项成绩和这个模型的其他成绩差得太远,它对总分的影响设了上限,一个异常成绩带偏不了总分。代表配置:High 推理。按预先固定的规则,采用该来源可用的最高第一方推理档位;选择不参考跑分高低。 |
真人盲选 · 17.7
| Benchmark | Organization | Published result | Normalized score | Source rank | Verified | Notes |
|---|---|---|---|---|---|---|
| Arena Text ↗ 真人匿名比较两个模型的回答,投票选出更好的回答。 | LMArena | 1,351.8 | 13.3 | 220 | 2026-11-18 | Notes代表配置:来源默认配置。该来源没有区分推理档位,采用其官方默认配置。 |
Benchmarks without results
- Terminal-Bench 4.0 · Vals
- Terminal-Bench 4.0 · 官方
- LiveBench · 编程综合
- Code Migration v1.1
- ProgramBench
- MirrorCode
- Vibe Code Bench v1.1
- CyberBench Patch v1.1
- FrontierCode 2.0 · Cognition
- WeirdML v3
- FrontierSWE v2
- TapTap Maker
- FrontierMath v2 · Tiers 1–3
- LiveBench · 推理与数学
- 致知 · 逻辑月榜
- 司南 · 推理
- ARC-AGI-2
- 司南 · 抽象
- Chess Puzzles
- MysteryMechanism
- Terminal-Bench Science · Vals
- BioMysteryBench
- Vals Finance Agent v2.1
- Harvey LAB 1.1 · Vals
- Harvey LAB 1.1 · AA
- τ³-Banking · Mercor
- LiveBench · 数据分析
- AA-Analyst Agent
- Legal Research Bench
- TaxAgentBench
- Excel Modeling v1.1
- SimpleQA Verified
- 司南 · 知识
- LiveBench · 语言与指令
- NYT Connections 扩展版
- Arena WebDev
Recent news
08-11NVIDIA 发布首款 Nemotron 3.5 模型 Lightning,性能对标 gpt-oss-120bArtificial Analysis
08-11webAI 开源 1.7B 逻辑模型 TwiL-LM3,击败 GPT-OSS-120BRohan Paul
07-29Nextorage 将推外接式 aiDAPTIV Station,让 32GB 内存笔记本运行 GPT-OSS-120BIT之家·人工智能
07-23OpenRouter 上的 AI 模型市场细分:GPT-OSS 120b 流量达 Opus 4.8 的三分之一Tomasz Tunguz 博客
07-23OpenRouter 上的“AI 超市”效应:GPT-OSS 120b 流量达 Opus 4.8 的 36%,模型市场加速分层Tomasz Tunguz 博客
03-19Thinking Machines Lab 与 Mantic 用 RL 微调 gpt-oss-120b,将其预测能力提升至前沿 LLM 水平Thinking Machines Lab:News