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：: 2026-05-22
| 指标 | gpt-oss-120b gpt-oss-120b none 免费可用 | Qwen3.5-9B Qwen3.5-9B medium |
|---|---|---|
| 分数 | 5.2 | 4.2 |
| 排名 | #129 | #151 |
| 可靠性 | 10.0 | 1.7 |
| 一致性 | 8.7 | 7.0 |
| 测试正确 | ||
| 尝试通过率 | 36.8% | 31.7% |
| 不稳定测试 | 3 | 7 |
| 总运行次数 | 57 | 60 |
| 每个结果成本 | 0.201 | 1.140 |
| 总成本 | $0.011 | $0.035 |
| ???? | $0.000 / 1M | $0.040 / 1M |
| ???? | $0.000 / 1M | $0.150 / 1M |
| 输出令牌 | 51,505 | 27,365 |
| 推理令牌 | 0 | 202,291 |
| 响应时间（平均） | 21.86s | 80.10s |
| 响应时间（最大） | 113.71s | 226.38s |
| 响应时间（总计） | 349.78s | 1281.62s |
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 | 6.5 | 10.0 | 50.0% | 0 | 32.84s | 8,676 | 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 | 2.8 | 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 | 4.8 | 10.0 | 0.0% | 0 | 10.79s | 615 | 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 | 9.8 | 10.0 | 100.0% | 0 | 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 | 4.4 | 4.5 | 44.5% | 2 | 9.51s | 3,781 | 0 | |
| Qwen3.5-9B | 2.9 | 7.2 | 11.1% | 1 | 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 |
| 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-oss-120b | 3.0 | 10.0 | 0.0% | 0 | 47.29s | 3,138 | 0 | |
| Qwen3.5-9B | 3.0 | 10.0 | 0.0% | 0 | 177.02s | 3,074 | 29,694 |
快速对比
切换对比组合
Granite 4.1 8BnonevsQwen3.5-9BmediumMiniMax M2.7mediumvsgpt-oss-120bnone免费可用gpt-oss-120bnone免费可用vsElephant AlphamediumMistral Small 4mediumvsgpt-oss-120bnone免费可用MiniMax M2.5medium免费可用vsgpt-oss-120bnone免费可用Qwen3.5-9BmediumvsMiMo-V2-FlashnoneGPT-5.4 NanononevsQwen3.5-9BmediumLing-2.6-1TnonevsQwen3.5-9BmediumMercury 2nonevsQwen3.5-9Bmediumgpt-oss-120bnone免费可用vsQwen3 Coder NextmediumCobuddymedium免费可用vsgpt-oss-120bnone免费可用Trinity Large PreviewnonevsQwen3.5-9Bmedium