AI BENCHY 对比
OpenAI: gpt-oss-120b vs Qwen: Qwen3.5-9B
基准结果生成自 AI BENCHY 测试套件，时间：: 2026-04-11
| 指标 | gpt-oss-120b gpt-oss-120b none 免费可用 | Qwen3.5-9B Qwen3.5-9B medium |
|---|---|---|
| 分数 | 5.2 | 4.4 |
| 排名 | #79 | #91 |
| 一致性 | 7.9 | 7.2 |
| 测试正确 | ||
| 尝试通过率 | 38.9% | 33.3% |
| 不稳定测试 | 5 | 6 |
| 总运行次数 | 54 | 54 |
| 每个结果成本 | 0.221 | 0.976 |
| 总成本 | $0.009 | $0.030 |
| ???? | $0.039 / 1M | $0.050 / 1M |
| ???? | $0.190 / 1M | $0.150 / 1M |
| 输出令牌 | 44,652 | 24,291 |
| 推理令牌 | 0 | 172,597 |
| 响应时间（平均） | 11.96s | 73.64s |
| 响应时间（最大） | 68.97s | 226.38s |
| 响应时间（总计） | 179.34s | 1104.60s |
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-oss-120b | 6.6 | 8.0 | 58.3% | 1 | 6.03s | 4,867 | 0 | |
| Qwen3.5-9B | 5.1 | 5.8 | 50.0% | 2 | 34.44s | 2,621 | 12,411 |
| 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-oss-120b | 4.3 | 1.1 | 66.7% | 1 | 9.57s | 3,232 | 0 | |
| Qwen3.5-9B | 2.6 | 10.0 | 0.0% | 0 | 135.61s | 6,150 | 31,393 |
| 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-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| Qwen3.5-9B | 3.0 | 10.0 | 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-oss-120b | 6.5 | 10.0 | 50.0% | 0 | 7.12s | 598 | 0 | |
| Qwen3.5-9B | 3.6 | 5.6 | 33.3% | 1 | 87.31s | 1,383 | 32,113 |
| 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-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 34.98s | 29,483 | 0 | |
| Qwen3.5-9B | 3.6 | 7.2 | 22.2% | 1 | 137.75s | 11,549 | 48,475 |
| 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-oss-120b | 4.6 | 10.0 | 0.0% | 0 | 2.83s | 586 | 0 | |
| Qwen3.5-9B | 2.8 | 1.6 | 33.3% | 1 | 226.38s | 0 | 30,695 |
| 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-oss-120b | 8.4 | 6.9 | 83.3% | 1 | 5.10s | 1,982 | 0 | |
| Qwen3.5-9B | 6.4 | 5.8 | 66.7% | 1 | 17.15s | 599 | 4,517 |
| 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-oss-120b | 4.5 | 4.8 | 44.5% | 2 | 6.86s | 3,904 | 0 | |
| Qwen3.5-9B | 3.1 | 10.0 | 0.0% | 0 | 33.38s | 1,545 | 11,844 |
| 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-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 0ms | 0 | 0 | |
| Qwen3.5-9B | 10.0 | 10.0 | 100.0% | 0 | 4.31s | 444 | 1,149 |
快速对比
切换对比组合
MiniMax M2.7mediumvsgpt-oss-120bnone免费可用GPT-5.4 NanononevsQwen3.5-9BmediumQwen3.5-9BmediumvsGrok 4.1 FastnoneQwen3.5-9BmediumvsMiMo-V2-FlashnoneMercury 2nonevsQwen3.5-9BmediumMistral Small 4mediumvsgpt-oss-120bnone免费可用gpt-oss-120bnone免费可用vsQwen3 Coder NextmediumMiniMax M2.5medium免费可用vsgpt-oss-120bnone免费可用GPT-4o-mininonevsQwen3.5-9Bmediumgpt-oss-120bnone免费可用vsGLM 4.7 FlashmediumNemotron 3 Supernone免费可用vsQwen3.5-9BmediumGPT-5.4 MininonevsQwen3.5-9Bmedium