AI BENCHY 对比
OpenAI: GPT-5.3-Codex vs Qwen: Qwen3.7 Plus
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-06-03
| 指标 | GPT-5.3-Codex GPT-5.3-Codex medium | Qwen3.7 Plus Qwen3.7 Plus medium |
|---|---|---|
| 分数 | 8.3 | 8.4 |
| 排名 | #17 | #16 |
| 可靠性 | 10.0 | 9.9 |
| 一致性 | 8.4 | 9.2 |
| 测试正确 | ||
| 尝试通过率 | 81.7% | 80.0% |
| 不稳定测试 | 4 | 2 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 4.887 | 1.324 |
| 总成本 | $0.685 | $0.199 |
| 输入价格 | $1.750 / 1M | $0.400 / 1M |
| 输出价格 | $14.000 / 1M | $1.600 / 1M |
| 总输入令牌 | 31,680 | 38,104 |
| 输出令牌 | 2,336 | 2,107 |
| 推理令牌 | 42,565 | 112,479 |
| 响应时间（平均） | 15.95s | 36.84s |
| 响应时间（最大） | 100.93s | 178.04s |
| 响应时间（总计） | 319.08s | 736.86s |
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 | 18.45s | 4,683 | 514 | 7,266 | |
| Qwen3.7 Plus | 6.5 | 5.9 | 66.7% | 1 | 122.40s | 3,637 | 396 | 30,301 |
| 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
Gemini 3 Flash PreviewlowvsQwen3.7 PlusmediumGemini 3 Flash PreviewlowvsGPT-5.3-CodexmediumGemini 3.5 FlashnonevsGPT-5.3-CodexmediumGemini 3.5 FlashnonevsQwen3.7 PlusmediumGemini 3.5 FlashminimalvsGPT-5.3-CodexmediumGemini 3.5 FlashminimalvsQwen3.7 PlusmediumGPT-5.3-CodexmediumvsQwen3.7 MaxnoneGPT-5.2 ChatnonevsQwen3.7 PlusmediumGPT-5.5lowvsQwen3.7 PlusmediumGemini 3 Flash PreviewnonevsGPT-5.3-CodexmediumGemini 3 Flash PreviewnonevsQwen3.7 PlusmediumDeepSeek V4 FlashhighvsGPT-5.3-Codexmedium