AI BENCHY 对比
OpenAI: GPT-5.2 vs Qwen: Qwen3.6 27B
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-22
| 指标 | GPT-5.2 GPT-5.2 medium | Qwen3.6 27B Qwen3.6 27B medium |
|---|---|---|
| 分数 | 7.4 | 6.6 |
| 排名 | #57 | #83 |
| 可靠性 | 10.0 | 9.9 |
| 一致性 | 8.3 | 8.1 |
| 测试正确 | ||
| 尝试通过率 | 70.0% | 58.3% |
| 不稳定测试 | 4 | 5 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 4.081 | 3.015 |
| 总成本 | $0.490 | $0.272 |
| ???? | $1.750 / 1M | $0.317 / 1M |
| ???? | $14.000 / 1M | $3.200 / 1M |
| 输出令牌 | 2,754 | 13,007 |
| 推理令牌 | 28,303 | 105,697 |
| 响应时间（平均） | 16.44s | 57.65s |
| 响应时间（最大） | 77.80s | 168.22s |
| 响应时间（总计） | 213.77s | 1153.04s |
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
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 6.5 | 8.0 | 58.3% | 1 | 7.81s | 567 | 2,002 | |
| Qwen3.6 27B | 8.3 | 10.0 | 75.0% | 0 | 12.62s | 582 | 4,311 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 10.0 | 10.0 | 100.0% | 0 | 23.15s | 490 | 8,269 | |
| Qwen3.6 27B | 6.6 | 10.0 | 50.0% | 0 | 165.39s | 4,760 | 26,668 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 10.0 | 10.0 | 100.0% | 0 | 14.06s | 291 | 1,757 | |
| Qwen3.6 27B | 7.0 | 3.7 | 66.7% | 1 | 83.07s | 2,088 | 14,689 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 10.0 | 10.0 | 100.0% | 0 | 3.15s | 234 | 420 | |
| Qwen3.6 27B | 3.5 | 1.4 | 50.0% | 2 | 37.30s | 568 | 9,404 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 5.9 | 7.2 | 55.6% | 1 | 77.80s | 42 | 10,342 | |
| Qwen3.6 27B | 2.9 | 7.2 | 11.1% | 1 | 73.38s | 3,510 | 20,352 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 3.7 | 9.7 | 0.0% | 0 | 4.32s | 162 | 269 | |
| Qwen3.6 27B | 6.5 | 3.4 | 66.7% | 1 | 39.53s | 81 | 3,045 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 9.9 | 10.0 | 100.0% | 0 | 3.12s | 94 | 614 | |
| Qwen3.6 27B | 10.0 | 10.0 | 100.0% | 0 | 37.96s | 346 | 6,548 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 7.6 | 7.3 | 77.8% | 1 | 5.47s | 609 | 938 | |
| Qwen3.6 27B | 7.7 | 10.0 | 66.7% | 0 | 60.21s | 281 | 11,919 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 4.7 | 1.6 | 66.7% | 1 | 10.30s | 239 | 469 | |
| Qwen3.6 27B | 10.0 | 10.0 | 100.0% | 0 | 16.88s | 390 | 2,954 |
| 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） | 输出令牌 | 推理令牌 |
|---|---|---|---|---|---|---|---|---|
| GPT-5.2 | 3.0 | 10.0 | 0.0% | 0 | 28.18s | 26 | 3,223 | |
| Qwen3.6 27B | 3.0 | 10.0 | 0.0% | 0 | 80.99s | 401 | 5,807 |
快速对比
切换对比组合
DeepSeek V4 Flashhigh免费可用vsGPT-5.2mediumQwen3.6 27BmediumvsGrok Build 0.1noneGemini 3.1 Flash LitenonevsQwen3.6 27BmediumGPT-5.5nonevsQwen3.6 27BmediumGemini 3.1 Flash LitelowvsGPT-5.2mediumDeepSeek V4 ProhighvsQwen3.6 27BmediumGemini 3.1 Flash Lite PreviewnonevsGPT-5.2mediumGemini 3.1 Flash LiteminimalvsQwen3.6 27BmediumGemma 4 31Bnone免费可用vsQwen3.6 27BmediumRing-2.6-1TnonevsGPT-5.2mediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.2mediumGemini 3 Flash PreviewnonevsGPT-5.2medium