AI BENCHY 对比

OpenAI: gpt-oss-120b vs Qwen: Qwen3.5-35B-A3B

摘要

gpt-oss-120b (medium) vs Qwen3.5-35B-A3B (medium) benchmark 对比：gpt-oss-120b (medium) 平均分领先，为 6.7 vs 6.3。 gpt-oss-120b (medium) benchmark 成本更低，为 $0.013 vs $0.401。 gpt-oss-120b (medium) 更快，为 22.28s vs 72.57s，通过率为 52.4% vs 69.8%。

推荐模型: gpt-oss-120b (medium) - 它在这里得分最高（6.7），同时成本比Qwen3.5-35B-A3B (medium)低约 33.3 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-10

指标	gpt-oss-120b gpt-oss-120b medium 发布日期: 2025-08-05 免费可用	Qwen3.5-35B-A3B Qwen3.5-35B-A3B medium 发布日期: 2026-02-24

指标	gpt-oss-120b gpt-oss-120b medium 发布日期: 2025-08-05 免费可用	Qwen3.5-35B-A3B Qwen3.5-35B-A3B medium 发布日期: 2026-02-24
分数	6.7	6.3
排名	#92	#104
可靠性	10.0	10.0
一致性	8.0	7.5
测试正确
尝试通过率	52.4%	69.8%
不稳定测试	5	6
总运行次数	63	63
每个结果成本	0.141	5.162
总成本	$0.013	$0.401
输入价格	$0.036 / 1M	$0.140 / 1M
输出价格	$0.180 / 1M	$1.000 / 1M
总输入令牌	39,084	42,196
输出令牌	20,013	40,630
推理令牌	50,233	353,577
响应时间（平均）	22.28s	72.57s
响应时间（最大）	68.16s	409.98s
响应时间（总计）	311.96s	1524.04s

生成展示

Hamster playing table tennis

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

#92 gpt-oss-120b

medium

成本: $0.001
时间: 26.7s
令牌: 555 tok

#104 Qwen3.5-35B-A3B

medium

成本: $0.009
时间: 71.4s
令牌: 8,631 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-oss-120b	6.7	9.9	50.0%	0		10.21s	1,314	3,518	2,177
Qwen3.5-35B-A3B	10.0	10.0	100.0%	0		21.13s	672	798	42,652

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-oss-120b	5.9	7.0	55.6%	1		38.37s	7,782	3,365	11,973
Qwen3.5-35B-A3B	5.9	9.3	33.3%	0		206.65s	4,106	23,844	111,462

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-oss-120b	10.0	10.0	100.0%	0		31.18s	11,535	694	5,072
Qwen3.5-35B-A3B	4.7	1.6	66.7%	1		75.34s	20,992	775	12,485

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-oss-120b	6.4	5.9	66.7%	1		1.98s	7,476	241	1,114
Qwen3.5-35B-A3B	7.3	5.9	83.3%	1		59.33s	6,061	235	19,493

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-oss-120b	2.9	4.4	22.2%	2		50.92s	1,266	6,784	20,606
Qwen3.5-35B-A3B	4.1	4.4	44.5%	2		88.34s	500	41	46,368

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-oss-120b	4.3	10.0	0.0%	0		7.90s	659	107	387
Qwen3.5-35B-A3B	2.8	1.6	33.3%	1		30.30s	172	20	3,753

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-oss-120b	9.9	10.0	100.0%	0		7.63s	1,036	126	1,799
Qwen3.5-35B-A3B	10.0	10.0	100.0%	0		24.45s	699	97	17,361

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-oss-120b	5.3	7.2	44.4%	1		21.71s	1,190	1,790	2,264
Qwen3.5-35B-A3B	8.2	7.2	88.9%	1		33.13s	597	3,592	26,585

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-oss-120b	9.8	10.0	100.0%	0		6.91s	6,514	287	1,083
Qwen3.5-35B-A3B	10.0	10.0	100.0%	0		4.65s	8,193	309	1,365

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-oss-120b	3.0	10.0	0.0%	0		26.51s	312	3,101	3,758
Qwen3.5-35B-A3B	3.0	10.0	0.0%	0		177.35s	204	10,919	72,053

快速对比

切换对比组合