导航
AI BENCHY
Advertise here

AI BENCHY 对比

OpenAI: GPT-5.3-Codex vs Qwen: Qwen3.7 Plus

摘要

GPT-5.3-Codex vs Qwen3.7 Plus benchmark 对比：GPT-5.3-Codex 平均分领先，为 8.9 vs 8.2。 Qwen3.7 Plus benchmark 成本更低，为 $0.177 vs $0.740。 GPT-5.3-Codex 更快，为 16.22s vs 38.95s，通过率为 82.5% vs 77.8%。

推荐模型: Qwen3.7 Plus - 它的得分接近这里的最高分（8.2 vs 8.9），同时成本比GPT-5.3-Codex低约 4.2 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-12

指标 GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05 Qwen3.7 Plus Qwen3.7 Plus medium 发布日期: 2026-06-03
分数 8.9 8.2
排名 #13 #28
可靠性 10.0 10.0
一致性 8.5 9.1
测试正确
尝试通过率 82.5% 77.8%
不稳定测试 4 2
总运行次数 63 63
每个结果成本 4.932 1.474
总成本 $0.740 $0.177
输入价格 $1.750 / 1M $0.320 / 1M
输出价格 $14.000 / 1M $1.280 / 1M
总输入令牌 34,299 40,939
输出令牌 2,357 2,125
推理令牌 46,189 125,754
响应时间（平均） 16.22s 38.95s
响应时间（最大） 100.93s 178.04s
响应时间（总计） 340.67s 817.85s

Generation showcase

Hamster playing table tennis

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

#13 GPT-5.3-Codex

medium
Cost
$0.049
Time
54.9s
Tokens
3,580 tok

#28 Qwen3.7 Plus

medium
Cost
$0.018
Time
193.2s
Tokens
10,821 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

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-5.3-Codex 8.7 7.9 91.7% 1 4.16s 606 240 1,722
Qwen3.7 Plus 10.0 10.0 100.0% 0 8.58s 672 195 5,065
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-5.3-Codex 10.0 10.0 100.0% 0 19.50s 7,302 535 10,890
Qwen3.7 Plus 6.1 6.6 55.6% 1 108.60s 6,472 414 43,576
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-5.3-Codex 10.0 10.0 100.0% 0 19.56s 11,019 364 2,731
Qwen3.7 Plus 10.0 10.0 100.0% 0 65.24s 14,934 366 10,132
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-5.3-Codex 10.0 10.0 100.0% 0 3.07s 7,140 234 728
Qwen3.7 Plus 10.0 10.0 100.0% 0 21.75s 7,782 270 6,713
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-5.3-Codex 5.9 7.2 55.6% 1 64.31s 813 64 25,308
Qwen3.7 Plus 3.6 7.2 22.2% 1 45.35s 771 57 27,073
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-5.3-Codex 4.6 10.0 0.0% 0 4.87s 477 187 331
Qwen3.7 Plus 10.0 10.0 100.0% 0 25.48s 516 123 3,998
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-5.3-Codex 10.0 10.0 100.0% 0 3.04s 660 93 693
Qwen3.7 Plus 10.0 10.0 100.0% 0 16.13s 699 102 5,013
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-5.3-Codex 9.0 7.9 88.9% 1 5.05s 642 356 1,593
Qwen3.7 Plus 10.0 10.0 100.0% 0 16.38s 696 280 7,312
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-5.3-Codex 10.0 10.0 100.0% 0 6.37s 5,445 254 492
Qwen3.7 Plus 10.0 10.0 100.0% 0 15.02s 8,193 292 1,831
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-5.3-Codex 2.8 1.6 33.3% 1 14.43s 195 30 1,701
Qwen3.7 Plus 3.0 10.0 0.0% 0 91.07s 204 26 15,041

快速对比

切换对比组合

DeepSeek V4 FlashhighvsQwen3.7 PlusmediumGemini 3.5 FlashlowvsGPT-5.3-CodexmediumGPT-5.2 ChatnonevsQwen3.7 PlusmediumQwen3.7 PlusmediumvsStep 3.7 FlashlowGPT-5.3 ChatnonevsQwen3.7 PlusmediumDeepSeek V4 FlashhighvsGPT-5.3-CodexmediumGemini 3 Flash PreviewlowvsQwen3.7 PlusmediumClaude Sonnet 4.6nonevsQwen3.7 PlusmediumGemini 3.5 FlashhighvsGPT-5.3-CodexmediumClaude Opus 4.8nonevsQwen3.7 PlusmediumGemini 3.5 FlashlowvsQwen3.7 PlusmediumQwen3.7 PlusmediumvsStep 3.7 Flashhigh