AI BENCHY 对比

OpenAI: GPT-5.2 Chat vs Qwen: Qwen3.7 Max

摘要

Qwen3.7 Max (medium) 平均分领先，为 9.4 vs 8.5。 GPT-5.2 Chat benchmark 成本更低，为 $0.393 vs $0.523。 GPT-5.2 Chat 更快，为 7.13s vs 16.02s，通过率为 74.6% vs 88.9%。

推荐模型Qwen3.7 Max (medium)它在本次比较中得分最高（9.4），并且在全部 2 个模型中兼顾成本和响应时间最好。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-14

指标	GPT-5.2 Chat GPT-5.2 Chat none 发布日期: 2025-12-11	Qwen3.7 Max Qwen3.7 Max medium 发布日期: 2026-05-22

指标	GPT-5.2 Chat GPT-5.2 Chat none 发布日期: 2025-12-11	Qwen3.7 Max Qwen3.7 Max medium 发布日期: 2026-05-22
分数	8.5	9.4
排名	#22	#4
可靠性	10.0	10.0
一致性	8.9	9.6
测试正确
尝试通过率	74.6%	88.9%
不稳定测试	3	1
总运行次数	63	63
每个结果成本	2.803	5.517
总成本	$0.393	$0.523
输入价格	$1.750 / 1M	$1.250 / 1M
输出价格	$14.000 / 1M	$3.750 / 1M
总输入令牌	34,212	42,360
输出令牌	23,744	2,129
推理令牌	0	122,959
响应时间（平均）	7.13s	16.02s
响应时间（最大）	38.52s	59.98s
响应时间（总计）	149.69s	336.51s

生成展示

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#22 GPT-5.2 Chat

none

成本: $0.010
时间: 15.3s
令牌: 797 tok

#4 Qwen3.7 Max

medium

成本: $0.017
时间: 68.8s
令牌: 4,526 tok

按分数排名的模型

分数 vs 总成本

响应时间（平均）

分数 vs 响应时间（平均）

总输出令牌

分数 vs 总输出令牌

类别细分

类别:

反AI技巧	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	8.7	7.9	91.7%	1		3.40s	606	1,807	0
Qwen3.7 Max	10.0	10.0	100.0%	0		6.36s	672	222	8,742

编程	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	8.8	7.8	88.9%	1		9.82s	7,305	6,731	0
Qwen3.7 Max	10.0	10.0	100.0%	0		35.31s	7,893	423	34,808

综合	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	10.0	10.0	100.0%	0		9.12s	11,019	1,243	0
Qwen3.7 Max	10.0	10.0	100.0%	0		19.60s	14,934	366	8,405

数据解析与提取	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	10.0	10.0	100.0%	0		3.05s	7,140	980	0
Qwen3.7 Max	10.0	10.0	100.0%	0		8.80s	7,782	270	6,254

领域专项	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	5.3	10.0	33.3%	0		17.78s	723	7,810	0
Qwen3.7 Max	5.9	7.2	55.6%	1		24.94s	771	61	31,793

通用智能	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	4.4	3.0	33.3%	1		3.20s	477	335	0
Qwen3.7 Max	10.0	10.0	100.0%	0		11.70s	516	135	4,457

指令遵循	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	9.8	10.0	100.0%	0		5.51s	660	1,441	0
Qwen3.7 Max	10.0	10.0	100.0%	0		7.46s	699	102	5,452

谜题求解	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	7.7	10.0	66.7%	0		4.10s	642	1,603	0
Qwen3.7 Max	10.0	10.0	100.0%	0		8.84s	696	259	8,908

工具调用	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	10.0	10.0	100.0%	0		4.68s	5,445	555	0
Qwen3.7 Max	10.0	10.0	100.0%	0		6.63s	8,193	267	1,220

常识问答	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
GPT-5.2 Chat	3.0	10.0	0.0%	0		6.89s	195	1,239	0
Qwen3.7 Max	3.0	10.0	0.0%	0		33.37s	204	24	12,920

快速对比

切换对比组合

Seed-2.0-LitemediumvsGPT-5.2 Chatnone GPT-5.2 ChatnonevsStep 3.7 Flashmedium GPT-5.6 SolhighvsQwen3.7 Maxmedium GPT-5.5lowvsQwen3.7 Maxmedium GPT-5.2 ChatnonevsGLM 5medium Gemini 3.5 FlashlowvsQwen3.7 Maxmedium GPT-5.2 ChatnonevsGrok 4.5medium GPT-5.6 SollowvsQwen3.7 Maxmedium GPT-5.2 ChatnonevsGLM 5.2medium DeepSeek V4 FlashhighvsGPT-5.2 Chatnone Claude Opus 4.7mediumvsGPT-5.2 Chatnone Gemini 2.5 FlashmediumvsGPT-5.2 Chatnone