GPT OSS 120B Cloud
GPT-OSS 120B ist ein großes Open-Weights-Modell aus OpenAIs OSS-Linie für Cloud- und lokale Deployments. Die Card positioniert es als offenes Modell mit starkem Generalist- und Reasoning-Profil, das auf hohe Kapazität und flexible Nutzung ausgelegt ist. Es bleibt jedoch deutlich ressourcenintensiv.
- Open Weights
- Frontier
- CLD
- Thinking-Optional
- Agentic
- Real-Time
Sovereign Risk: LOW Modell von OpenAI (USA), veröffentlicht unter Apache 2.0. Herkunft und Entwickler klar dokumentiert; Weights öffentlich auf HuggingFace verfügbar.
Schlüsselmetriken
Score · Latenz · Kosten · Qualität
- Total Score Silver
- 73.62
- Routine
- 46.05
- Reasoning
- 27.57
- LLM Judge Avg
- 3.77 / 5
- 100% Coverage
- Avg Task Duration
- 11.58s
- Real-Time
- Token Rate
- 60.26tok/s
- Output Rate
- P95 Latency
- 28.89s
- Top 5 %
- Total Tokens
- 52.8K
- Output Volume
- Cost per 1K
- $0.0006
- USD / 1K Requests
- Benchmark Cost
- $0.03
- Total · 52.8K tok
Benchmark-Module
7 Module · gewichtet · vs. Modellmedian & Spitzenreiter
GPT OSS 120B Cloud
Bestes Modell
Ø Alle Modelle
Code Quality
76.6
CLI Benchmark
88.89
Logical Reasoning
68.84
UX Writing
65.55
Documentation
70.61
Content Transform.
78.18
Cultural Intelligence
74.3
Benchmark Cost
$0.03
Token-Effizienz & Latenz
Verbrauch pro Modul vs. Modellmedian
Token-Verbrauch pro Modul
Performance-Profil
Schlüsselmetriken – Legende
Score
- Total Score
- Gesamtpunktzahl aus Routine- und Reasoning-Score. Basis für den Flotten-Rang und die Tier-Zuordnung (Gold / Silver / Bronze).
- Routine
- Punktzahl für Standardaufgaben: Code-Generierung, Texttransformation, strukturierte Ausgaben. Gewichtet nach Aufgabenkomplexität.
- Reasoning
- Punktzahl für analytische und logische Aufgaben: mehrstufige Problemlösung, mathematisches Schlussfolgern, strukturierte Argumentationen.
- Rang
- Position im Flottenvergleich, sortiert nach Total Score. Bezieht sich auf den Snapshot zum Zeitpunkt des Tests.
LLM Judge
- LLM Judge Ø
- Durchschnittliche Qualitätsbewertung durch ein unabhängiges Richter-Modell auf einer Skala von 1–5.
- Coverage
- Anteil der Aufgaben, für die eine Judge-Bewertung vorliegt. 100 % bedeutet, alle Antworten wurden bewertet.
Latenz & Geschwindigkeit
- Avg. Task Duration
- Durchschnittliche Zeit pro Aufgabe vom ersten bis zum letzten Token der Antwort, gemessen über alle Benchmark-Aufgaben.
- Token Rate
- Ausgabe-Geschwindigkeit in Tokens pro Sekunde. Relevant für interaktive Anwendungen und Echtzeit-Streaming.
- P95 Latency
- 95. Perzentil der Antwortzeiten – zeigt Ausreißer. Niedrigere Werte bedeuten weniger lange Wartezeiten in Ausnahmefällen.
Kosten
- Cost per 1K
- API-Preis pro 1.000 Output-Tokens in US-Dollar. Basis für Kostenkalkulation bei produktivem Einsatz.
- Benchmark Cost
- Gesamtkosten für den vollständigen Benchmark-Durchlauf dieses Modells.