AI BENCHY 对比
OpenAI: GPT-5.4 vs Qwen: Qwen3.6 35B A3B
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-22
| 指标 | GPT-5.4 GPT-5.4 medium | Qwen3.6 35B A3B Qwen3.6 35B A3B medium |
|---|---|---|
| 分数 | 7.9 | 7.8 |
| 排名 | #27 | #30 |
| 可靠性 | 10.0 | 9.4 |
| 一致性 | 8.5 | 9.1 |
| 测试正确 | ||
| 尝试通过率 | 75.0% | 70.4% |
| 不稳定测试 | 4 | 2 |
| 总运行次数 | 60 | 60 |
| 每个结果成本 | 8.767 | 1.050 |
| 总成本 | $1.140 | $0.126 |
| ???? | $2.500 / 1M | $0.150 / 1M |
| ???? | $15.000 / 1M | $1.000 / 1M |
| 输出令牌 | 2,222 | 18,325 |
| 推理令牌 | 68,503 | 115,750 |
| 响应时间（平均） | 22.31s | 17.26s |
| 响应时间（最大） | 100.41s | 86.11s |
| 响应时间（总计） | 446.15s | 310.77s |
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-5.4 | 8.3 | 10.0 | 75.0% | 0 | 4.11s | 240 | 1,511 | |
| Qwen3.6 35B A3B | 10.0 | 10.0 | 100.0% | 0 | 6.02s | 1,154 | 12,385 |
| 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-5.4 | 8.2 | 6.7 | 83.3% | 1 | 54.98s | 412 | 19,995 | |
| Qwen3.6 35B A3B | 6.6 | 10.0 | 50.0% | 0 | 59.35s | 6,601 | 22,535 |
| 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-5.4 | 10.0 | 10.0 | 100.0% | 0 | 20.57s | 301 | 3,543 | |
| Qwen3.6 35B A3B | 0.0 | 0.0 | 0.0% | 0 | 0ms | 0 | 0 |
| 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-5.4 | 10.0 | 10.0 | 100.0% | 0 | 5.32s | 234 | 804 | |
| Qwen3.6 35B A3B | 10.0 | 10.0 | 100.0% | 0 | 12.99s | 2,591 | 9,968 |
| 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-5.4 | 5.3 | 7.2 | 44.4% | 1 | 74.27s | 61 | 34,748 | |
| Qwen3.6 35B A3B | 5.3 | 7.2 | 44.4% | 1 | 22.50s | 6,193 | 39,116 |
| 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-5.4 | 4.7 | 3.1 | 33.3% | 1 | 4.92s | 145 | 321 | |
| Qwen3.6 35B A3B | 4.4 | 9.9 | 0.0% | 0 | 8.66s | 129 | 4,569 |
| 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-5.4 | 10.0 | 10.0 | 100.0% | 0 | 3.11s | 93 | 897 | |
| Qwen3.6 35B A3B | 10.0 | 10.0 | 100.0% | 0 | 7.50s | 219 | 7,404 |
| 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-5.4 | 8.2 | 7.2 | 88.9% | 1 | 9.13s | 442 | 3,832 | |
| Qwen3.6 35B A3B | 7.9 | 7.5 | 77.8% | 1 | 5.98s | 676 | 9,447 |
| 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-5.4 | 10.0 | 10.0 | 100.0% | 0 | 13.28s | 264 | 1,031 | |
| Qwen3.6 35B A3B | 0.0 | 0.0 | 0.0% | 0 | 0ms | 0 | 0 |
| 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-5.4 | 3.0 | 10.0 | 0.0% | 0 | 13.95s | 30 | 1,821 | |
| Qwen3.6 35B A3B | 3.0 | 10.0 | 0.0% | 0 | 32.90s | 762 | 10,326 |
快速对比
切换对比组合
GPT-5.4mediumvsQwen3.7 MaxnoneGemini 3.5 FlashminimalvsGPT-5.4mediumGemini 3 Flash PreviewnonevsQwen3.6 35B A3BmediumGemini 3.5 FlashminimalvsQwen3.6 35B A3BmediumGemini 3.1 Flash Lite PreviewlowvsQwen3.6 35B A3BmediumGPT-5.2 ChatnonevsQwen3.6 35B A3BmediumGemini 3 Flash PreviewnonevsGPT-5.4mediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.4mediumGemini 3.1 Flash Lite PreviewnonevsQwen3.6 35B A3BmediumGemini 3.1 Flash LitelowvsQwen3.6 35B A3BmediumGPT-5.3 ChatnonevsQwen3.6 35B A3BmediumDeepSeek V4 Flashhigh免费可用vsQwen3.6 35B A3Bmedium