4 min read

以小博大 9B 干翻 120B?Qwen3.5 越级挑战千亿参数 GPT-OSS

Source: http://x.com/i/article/2028471184057348096

Qwen3.5 系列(9B 和4B)在参数量极小的情况下,与参数量庞大的 GPT-OSS 系列(120B 和 20B)进行了全面较量。

Image

Qwen3.5-9B 和 4B 展现出了极为恐怖的参数效率(Parameter Efficiency)。Qwen3.5-9B 在绝大多数知识、长文本和指令遵循测试中击败了比自己大十倍以上的 GPT-OSS-120B;而 Qwen3.5-4B 更是全面碾压了同级别的 GPT-OSS-20B。

只有在纯代码编写(Coding)和进阶数学推理这几个极其依赖庞大参数量和深度计算的领域,GPT-OSS-120B 才守住了大模型的尊严。

各维度对比

1. 优势领域:Qwen3.5 越级挑战成功(知识、学术与学科)

在这个板块,Qwen 展现出了超越体型的知识密度。

  • 顶尖学术(GPQA Diamond / SuperGPQA):Qwen3.5-9B(81.7 / 58.2)均超过了 GPT-OSS-120B(80.1 / 54.6)。即使是 4B 版本的测试成绩也远高于 20B 版本的 GPT。
  • 综合知识测试(MMLU系列):Qwen3.5-9B 在 MMLU-Pro 和 MMLU-Redux 上(82.5 / 91.1)微弱胜出 GPT-OSS-120B(80.8/ 91.0)。
  • 中文能力(C-Eval):Qwen 占据绝对主场优势。Qwen3.5-4B(85.1)甚至碾压了 GPT-OSS-120B(76.2),Qwen3.5-9B 更是达到 88.2。

2. 优势领域:Qwen3.5 长文本处理(Long Context)

在长文本领域,小模型架构似乎在显存利用和注意力机制上做了深度优化,Qwen3.5 呈现压倒性优势:

  • AA-LCR:Qwen3.5-9B(63.0)远超 GPT-OSS-120B(50.7);Qwen3.5-4B(57.0)甚至是 GPT-OSS-20B(30.7)的近两倍。
  • LongBench v2:同样的趋势,Qwen3.5-9B(55.2)领先 GPT-OSS-120B(48.2)。

3. 劣势领域:GPT-OSS 捍卫大模型尊严(代码 Coding)

在极度依赖参数规模的编程和复杂算法生成上,较小的模型目前还无法跨越物理鸿沟,GPT-OSS 表现出绝对统治力:

  • LiveCodeBench v6:GPT-OSS-120B 拿到惊人的 82.7 分,远远甩开 Qwen3.5-9B 的 65.6 分,甚至 GPT-OSS-20B(74.6)也优于 Qwen 的 9B 模型。
  • OJBench(算法竞赛题):GPT-OSS-120B 拿到 41.5 分,相比之下 Qwen 系列差距明显(29.2 分)。

4. 互有胜负的领域(数学推理、指令遵循与多语言)

数学推理(HMMT):GPT-OSS-120B 凭借庞大参数量在 HMMT 测试中高达 90.0,但 Qwen3.5-9B 在 Feb 25 和 Nov 25 测试中拿到了 83.2 和 82.9,不仅大幅击败了 GPT-OSS-20B,且紧逼千亿规模模型。

  • 指令遵循:Qwen3.5 在 IFEval 和复杂多步任务 MultiChallenge 中表现更好(Qwen-9B: 91.5 / 54.5 vs GPT-120B: 88.9 / 45.3),但 GPT-OSS-120B 在 IFBench 取胜。
  • 多语言(Multilingualism):双方各有千秋。Qwen3.5-9B 在 MMMLU、MMLU-ProX 和 PolyMATH 中更胜一筹;而 GPT-OSS-120B 则在机器翻译维度的 WMT24++(74.4 vs 72.6)及 Global PIQA 略微领先。

总结

  • Qwen3.5-9B & 4B 具有惊人的性价比和知识压缩率。如果你需要处理长文本、要求多语言能力、各种学科常识甚至高级学术问答(GPQA),仅仅 9B 的模型就能提供超越千亿参数大模型(GPT-OSS-120B)的基础体验,部署成本存在天壤之别。
  • GPT-OSS-120B & 20B 依然是“硬核代码”的首选。如果应用场景聚焦于生产环境级的代码生成、复杂的算法题编写以及大跨度的深度逻辑推演,庞大参数模型带来的算力和逻辑纵深仍然是小模型目前无法替代的。