AI BENCHY 对比
OpenAI: GPT-5.4 vs Qwen: Qwen3.6 Plus
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-05-10
| 指标 | GPT-5.4 GPT-5.4 medium | Qwen3.6 Plus Qwen3.6 Plus medium |
|---|---|---|
| 分数 | 7.9 | 7.9 |
| 排名 | #26 | #28 |
| 可靠性 | 10.0 | 10.0 |
| 一致性 | 8.8 | 9.6 |
| 测试正确 | ||
| 尝试通过率 | 75.4% | 70.2% |
| 不稳定测试 | 3 | 1 |
| 总运行次数 | 57 | 57 |
| 每个结果成本 | 6.617 | 0.118 |
| 总成本 | $0.861 | $0.016 |
| ???? | $2.500 / 1M | $0.325 / 1M |
| ???? | $15.000 / 1M | $1.950 / 1M |
| 输出令牌 | 2,199 | 1,784 |
| 推理令牌 | 50,553 | 91,543 |
| 响应时间（平均） | 18.38s | 17.06s |
| 响应时间（最大） | 100.41s | 47.51s |
| 响应时间（总计） | 349.21s | 307.07s |
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 Plus | 10.0 | 10.0 | 100.0% | 0 | 9.90s | 207 | 7,557 |
| 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 | 10.0 | 10.0 | 100.0% | 0 | 13.03s | 389 | 2,045 | |
| Qwen3.6 Plus | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 |
| 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 Plus | 10.0 | 10.0 | 100.0% | 0 | 34.95s | 452 | 13,073 |
| 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 Plus | 10.0 | 10.0 | 100.0% | 0 | 14.95s | 270 | 10,706 |
| 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 Plus | 2.9 | 7.2 | 11.1% | 1 | 29.59s | 56 | 33,464 |
| 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 Plus | 5.1 | 10.0 | 0.0% | 0 | 27.05s | 111 | 5,232 |
| 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 Plus | 10.0 | 10.0 | 100.0% | 0 | 7.54s | 102 | 5,552 |
| 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 Plus | 10.0 | 10.0 | 100.0% | 0 | 6.11s | 298 | 6,868 |
| 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 Plus | 10.0 | 10.0 | 100.0% | 0 | 5.87s | 267 | 1,330 |
| 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 Plus | 3.0 | 10.0 | 0.0% | 0 | 47.51s | 21 | 7,761 |
快速对比
切换对比组合
Gemini 3 Flash PreviewnonevsQwen3.6 PlusmediumGemini 3.1 Flash Lite PreviewlowvsQwen3.6 PlusmediumGemini 3 Flash PreviewnonevsGPT-5.4mediumGemini 3.1 Flash Lite PreviewlowvsGPT-5.4mediumGemini 3.1 Flash Lite PreviewnonevsQwen3.6 PlusmediumGemini 3.1 Flash Lite PreviewnonevsGPT-5.4mediumGPT-5.2 ChatnonevsQwen3.6 PlusmediumGemini 3.1 Flash LitelowvsQwen3.6 PlusmediumGPT-5.3 ChatnonevsQwen3.6 PlusmediumGemini 3.1 Flash LitelowvsGPT-5.4mediumDeepSeek V4 FlashhighvsQwen3.6 PlusmediumDeepSeek V4 FlashhighvsGPT-5.4medium