GPT OSS 120B 评测详情

GPT OSS 120B 当前已收录的代表性评测结果包括 AIME 2024（2 / 61，得分 96.60）、MMLU（11 / 124，得分 90）、AIME2025（18 / 110，得分 97.90）。

评测结果

GPT OSS 120B

评测结果

综合知识考试

共 4 项评测

评测名称 / 模式

得分

排名/总数

思考模式

90

11 / 124

思考模式

79

68 / 175

思考模式

14.90

178 / 235

思考模式工具

19

162 / 235

科学知识与推理

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考模式

80.10

130 / 253

思考水平·高

1.10

151 / 204

仓库修复与多文件工程

共 1 项评测

评测名称 / 模式

得分

排名/总数

SWE-bench Verified

思考模式

60.10

83 / 116

数学

共 5 项评测

评测名称 / 模式

得分

排名/总数

思考模式

83

59 / 110

思考模式工具

97.90

18 / 110

思考水平·高工具

90

40 / 110

思考模式工具

96.60

2 / 61

思考水平·高工具

1.04

14 / 17

写作与创意表达

共 1 项评测

评测名称 / 模式

得分

排名/总数

Creative Writing

常规模式

961

93 / 110

算法与竞赛编程

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考模式

2463

11 / 21

思考模式工具

2622

9 / 21

常识推理

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考模式

22.10

89 / 96

自主开发与终端任务

共 3 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

41.80

38 / 59

Terminal Bench Hard

思考水平·低工具

5.30

210 / 244

Terminal Bench Hard

思考水平·高工具

23.50

141 / 244

指令与格式遵循

共 1 项评测

评测名称 / 模式

得分

排名/总数

常规模式

69

19 / 31

跨能力综合测试

共 1 项评测

评测名称 / 模式

得分

排名/总数

常规模式

46.09

104 / 117

跨应用与工具编排

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考模式工具

60.60

36 / 38

unknown

44.84

40 / 45

跨能力聚合指数

共 2 项评测

评测名称 / 模式

得分

排名/总数

unknown

139.94

95 / 167

AA Intelligence Index (historical versions)

思考水平·高

24.13

27 / 28

科学计算与科研编程

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

34

123 / 134

客服与业务流程

共 2 项评测

评测名称 / 模式

得分

排名/总数

思考水平·低工具

2.90

166 / 167

思考水平·高工具

12.80

122 / 167

法律

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高工具

13.89

44 / 44

文档与图表理解

共 1 项评测

评测名称 / 模式

得分

排名/总数

思考水平·高

4

102 / 122

与其他模型对比