o3 vs Qwen3.7
完整资料:o3(OpenAI)和 Qwen3.7(Alibaba),包括全部基准测试、价格和排名。
更新于 · 数据来自 18 个来源
截至 2026年11月16日,o3 与 Qwen3.7 的质量不相上下(BenchLeader Index 60.4 比 60.0,在 ±5.3 的误差范围内)。两者价格相近(每百万 token 混合价格 $3.50 比 $3.75)。看重智能体与工具(70 比 49)、数学(71 比 58)和人类偏好(61 比 56)选 o3;看重指令遵循(78 比 65)、知识(61 比 56)和推理(64 比 61)选 Qwen3.7。o3 的首次回答更快(5.2 秒 比 14.8 秒)。Qwen3.7 的输出更快。
要点(截至 2026年11月16日)
- o3 的 BenchLeader Index 为 60.4,Qwen3.7 为 60.0(BenchLeader,2026年11月16日)。
- o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
- Qwen3.7 每百万 token 混合价格为 $3.75(标价,2026年11月16日)。
- Qwen3.7 比 o3 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 18 项基准测试中,Qwen3.7 领先 18 项(BenchLeader,2026年11月16日)。
按用途怎么选
推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。
| 用途 | 推荐 | 理由 | 置信度 |
|---|---|---|---|
| 编程 | o3 | 类别得分 60 比 59;Arena Coding 1460 比 1525 | 中 |
| 智能体与工具调用 | o3 | 类别得分 70 比 49;Terminal-Bench Hard 37.1% 比 50.8% | 高 |
| 数学 | o3 | 类别得分 71 比 58;Arena Maths 1448 比 1483 | 高 |
| 推理 | Qwen3.7 | 类别得分 64 比 61;Arena Hard Prompts 1495 比 1441 | 中 |
| 知识 | Qwen3.7 | 类别得分 61 比 56 | 中 |
| 长文档 | Qwen3.7 | 类别得分 64 比 62;AA-LCR v1.1 79.0% 比 74.7% | 中 |
| 指令遵循 | Qwen3.7 | 类别得分 78 比 65;IFBench 80.5% 比 71.4% | 高 |
| 对话质量(人类偏好) | o3 | Arena 投票 61 比 56 | 中 |
| 成本最低 | 均可 | 每百万 token 混合价格 $3.50 比 $3.75;智能体编程会话 $0.152 比 $0.180 | – |
| 首次回答最快 | o3 | 首个回答 token 5.2 秒(o3)比 14.8 秒(Qwen3.7 (max)) | – |
| 低预算大批量 | 两者都不选 | 通常更小的模型更合适:便宜好用的大模型、最快的大模型 | – |
主要差异
- o3 与 Qwen3.7 (max) 的质量不相上下(60.4 比 60.0,在 ±5.3 的误差范围内)。
- o3 在智能体与工具、编程、人类偏好、数学方面更强。
- Qwen3.7 (max) 在指令遵循、知识、长上下文、推理方面更强。
- 两者价格相近(每百万 token 混合价格 $3.50)。
- Qwen3.7 (max) 的输出速度是对方的 1.3 倍(171 比 131 token/秒)。
概览
| 规格 | o3 | Qwen3.7 |
|---|---|---|
| 提供商 | OpenAI | Alibaba |
| 发布日期 | 2025年4月16日 | 2026年5月19日 |
| 上下文窗口(token) | 200,000 | 1,000,000 |
| 对比时的配置 | o3 | Qwen3.7 (max) |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $2.00 / $8.00 / $0.500 | $2.50 / $7.50 / $0.500 |
逐类别对比
类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。
| 类别 | o3 | Qwen3.7 (max) | 领先者 |
|---|---|---|---|
| 推理 | 60.9 | 64.2 | Qwen3.7 |
| 编程 | 59.8 | 58.8 | o3 |
| 智能体与工具 | 70.3 | 49.1 | o3 |
| 数学 | 70.6 | 57.8 | o3 |
| 知识 | 56.2 | 61.1 | Qwen3.7 |
| 指令遵循 | 65.2 | 78.1 | Qwen3.7 |
| 人类偏好 | 61.0 | 55.6 | o3 |
| 多模态 | 52.8 | – | 无法比较 |
| 长上下文 | 61.9 | 64.1 | Qwen3.7 |
同一图表对比
各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。
未绘制(测得的模型少于两个):多模态。
各来源的分歧
在两者都有结果的 18 项基准测试中,o3 领先 0 项,Qwen3.7 领先 18 项。所有同时评测两者的综合评分都认为 Qwen3.7 更强。
| 综合 Index | o3 | Qwen3.7 (max) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 60.4 | 60.0 | 不相上下 |
| Arena Text | 1432 | 1474 | Qwen3.7 |
各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。
价格、速度与延迟
标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。
| 指标 | o3 | Qwen3.7 (max) |
|---|---|---|
| 每百万 token 混合价格 | $3.50 | $3.75 |
| 每百万 token 输入 / 输出 | $2.00 / $8.00 | $2.50 / $7.50 |
| 每百万 token 缓存输入 | $0.500 | $0.500 |
| 每项任务价格:聊天回复 | $0.0032 | $0.0033 |
| 每项任务价格:总结一份 30 页的报告 | $0.029 | $0.035 |
| 每项任务价格:代码编辑 | $0.024 | $0.026 |
| 每项任务价格:智能体编程会话 | $0.152 | $0.180 |
| 每项任务价格:结构化信息提取 | $0.0056 | $0.0065 |
| 智能体编程会话(输入大多命中缓存) | $0.085 | $0.090 |
| 输出速度 | 131 tok/s | 171 tok/s |
| 首次回答时间 | 5.2 秒 | 14.8 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 17.3 秒 | 31.2 秒 |
每个模型都按其排名最高的推理强度设置进行对比。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 秒)。Qwen3.7 (max) 得分 60.0,首个回答 token 需 15 秒。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本
全部基准测试
共 135 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。
| 指标 | 发布方 | o3 | Qwen3.7 (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 60.4 | 60.0 |
| 智能体与工具得分 | BenchLeader | 70.3 | 49.1 |
| 编程得分 | BenchLeader | 59.8 | 58.8 |
| 人类偏好得分 | BenchLeader | 61.0 | 55.6 |
| 指令遵循得分 | BenchLeader | 65.2 | 78.1 |
| 知识得分 | BenchLeader | 56.2 | 61.1 |
| 长上下文得分 | BenchLeader | 61.9 | 64.1 |
| 数学得分 | BenchLeader | 70.6 | 57.8 |
| 多模态得分 | BenchLeader | 52.8 | – |
| 推理得分 | BenchLeader | 60.9 | 64.2 |
| 混合价格(美元/百万 token) | BenchLeader | $3.50 | $3.75 |
| 输出速度 | BenchLeader | 131 tok/s | 171 tok/s |
| 首次回答时间 | BenchLeader | 5.2 秒 | 14.8 秒 |
| 上下文窗口 | BenchLeader | 200,000 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 81.8%† | 90.9% |
| Humanity's Last Exam | Scale AI / CAIS | 20.3%† | – |
| SimpleBench | SimpleBench | 53.1%† | 70.4% |
| Arena Hard Prompts | Arena (LMArena) | 1441 | 1495 |
| LiveBench 1.0 Reasoning | LiveBench | – | 83.3% |
| GPQA Diamond (AA) | Artificial Analysis | 82.7% | 92.3% |
| Humanity's Last Exam (AA) | Artificial Analysis | 20.1% | 40.5% |
| GPQA Diamond (Vals) | Vals AI | 84.1%† | 90.2% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 67.6% | – |
| GPQA Diamond (HELM) | HELM Capabilities | 75.3% | – |
| ARC-AGI-1 | ARC Prize | 60.8%† | – |
| ARC-AGI-2 | ARC Prize | 6.5%† | – |
| CritPt | Artificial Analysis | 1.1% | 13.4% |
| SciPredict | Scale AI SEAL | 17.9% | – |
| Arena Expert | Arena (LMArena) | 1448 | 1509 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 36.0%† | 27.0% |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 29.0%† | 32.0% |
| CL-bench | Epoch AI Benchmarking Hub | 17.8%† | – |
| LMCA | Epoch AI Benchmarking Hub | 39.7%† | 44.0% |
| DTBench | Epoch AI Benchmarking Hub | 84.8%† | 92.3% |
| ForecastBench | ForecastBench | 64.3% | – |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 62.3%† | 77.3% |
| SciCode | SciCode | – | 49.5% |
| WeirdML | WeirdML | 52.4%† | – |
| GSO-Bench | GSO-Bench | 8.8%† | – |
显示全部 135 项基准测试
| 指标 | 发布方 | o3 | Qwen3.7 (max) |
|---|---|---|---|
| 编程 | |||
| Arena Coding | Arena (LMArena) | 1460 | 1525 |
| Arena WebDev | Arena (LMArena) | – | 1515 |
| LiveBench 1.0 Coding | LiveBench | – | 74.2% |
| LiveCodeBench | Vals AI | 83.9%† | 87.1% |
| SWE-bench (Vals) | Vals AI | – | 68.8% |
| Aider Polyglot | Aider polyglot leaderboard | 76.9% | – |
| SWE-bench Verified (bash only) | SWE-bench | 58.4% | – |
| SWE-bench Verified (any scaffold) | SWE-bench | 58.4% | – |
| Code Migration | Vals AI | – | 13.1% |
| Vibe Code Bench v1.1 | Vals AI | – | 47.7% |
| CadEval | Epoch AI Benchmarking Hub | 74.0%† | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 933.5† | 1189.4 |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 1.5% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 74.5% |
| Startrise Frontend | Startrise | – | 63.6% |
| GameBench 2 Overall | DuelLab GameBench 2 | 34.1 | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 30.4† | – |
| Design Arena Website | Design Arena | 1028 | 1267 |
| LiveCodeBench (AA) | Artificial Analysis | 80.8% | – |
| 智能体与工具 | |||
| GDPval | OpenAI | 30.8%† | – |
| Arena Agent | Arena (LMArena) | – | -7.2 |
| LiveBench Agentic Coding | LiveBench | – | 43.6% |
| Terminal-Bench Hard | Artificial Analysis | 37.1% | 50.8% |
| τ²-Bench Telecom (AA) | Artificial Analysis | 80.7% | 94.7% |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 61.0% |
| BFCL Overall | Berkeley Function Calling Leaderboard | 63.0% | – |
| GDPval-AA v2.1 | Artificial Analysis | – | 1134 |
| τ³-Banking (AA) | Artificial Analysis | – | 11.8% |
| ITBench SRE (AA) | Artificial Analysis | – | 42.5% |
| Analyst Agent (AA) | Artificial Analysis | – | 18.8% |
| Finance Agent v2 | Vals AI | – | 47.8% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 1.7% |
| Legal Research Bench | Vals AI | – | 25.5% |
| Tax Agent Bench | Vals AI | – | 15.8% |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 59.2% |
| Arena Search | Arena (LMArena) | 1197 | – |
| Arena Agent Task Completion | Arena (LMArena) | – | -10.5 |
| DeepResearch Bench | DeepResearch Bench | 45.2%† | – |
| METR Time Horizons | METR | 63.6% | – |
| GBAEval | Epoch AI Benchmarking Hub | – | 0.4% |
| AutomationBench | Artificial Analysis | – | 23.0% |
| GDP.pdf (AA) | Artificial Analysis | – | 8.6% |
| EnterpriseOps-Gym | Artificial Analysis | – | 45.0% |
| AA-Briefcase v1.1 | Artificial Analysis | – | 917 |
| Design Arena Agentic | Design Arena | – | 1179 |
| BrowseComp-Plus | BrowseComp-Plus | 50.5% | – |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 33.3%† | 64.6% |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 34.1% |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 83.9%† | 95.6% |
| MATH Level 5 | Epoch AI Benchmarking Hub | 97.8%† | – |
| ProofBench | Vals AI | – | 26.0% |
| LiveBench Mathematics | LiveBench | – | 85.3% |
| AIME (Vals) | Vals AI | 85.3%† | – |
| MGSM | Vals AI | 91.8%† | – |
| IMO 2025 | MathArena | 16.7%† | – |
| Omni-MATH (HELM) | HELM Capabilities | 71.4% | – |
| MATH 500 | Vals AI | 94.6%† | – |
| Arena Maths | Arena (LMArena) | 1448 | 1483 |
| AIME 2025 (AA) | Artificial Analysis | 88.3% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 49.4%† | 55.8% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 71.8% |
| MMLU-Pro | Vals AI | 85.6%† | 89.3% |
| LegalBench | Vals AI | 83.8%† | 84.9% |
| CorpFin | Vals AI | 59.7%† | 63.7% |
| TaxEval | Vals AI | 74.6%† | 75.3% |
| MedQA | Vals AI | 96.1%† | – |
| PRBench Finance | Scale AI SEAL | 47.7% | – |
| PRBench Legal | Scale AI SEAL | 48.6% | – |
| MultiNRC | Scale AI SEAL | 45.5%† | – |
| MMLU-Pro (HELM) | HELM Capabilities | 85.9% | – |
| Excel Modeling Benchmark | Vals AI | – | 57.0% |
| MedCode | Vals AI | 47.3%† | 38.8% |
| MedScribe | Vals AI | 76.7%† | 79.4% |
| DrugDiscoveryBench | Scale AI SEAL | – | 29.3%† |
| EBR-bench | Epoch AI Benchmarking Hub | – | 9.5% |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 79.7% |
| LiveBench Instruction Following | LiveBench | – | 74.0% |
| IFBench | Artificial Analysis | 71.4% | 80.5% |
| MultiChallenge | Scale AI SEAL | 56.6%† | – |
| TutorBench | Scale AI SEAL | 52.1%† | – |
| IFEval (HELM) | HELM Capabilities | 86.9% | – |
| WildBench (HELM) | HELM Capabilities | 86.1% | – |
| Arena Instruction Following | Arena (LMArena) | 1403 | 1466 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1432 | 1474 |
| EQ-Bench 4 | EQ-Bench | – | 1100 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1675 | – |
| Arena Creative Writing | Arena (LMArena) | 1383 | 1438 |
| Arena Multi-turn | Arena (LMArena) | 1420 | 1479 |
| Arena Longer Queries | Arena (LMArena) | 1411 | 1491 |
| Lech Mazur Creative Writing | Lech Mazur | 83.9%† | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1214 | – |
| MMMU-Pro | Artificial Analysis | 70.1% | – |
| VISTA | Scale AI SEAL | 50.1%† | – |
| MMMU-Pro (Vals) | Vals AI | 80.4%† | – |
| MortgageTax | Vals AI | 65.7%† | – |
| VTB | Scale AI SEAL | 13.7% | – |
| GeoBench | GeoBench | 60.0%† | – |
| VPCT | Epoch AI Benchmarking Hub | 52.0%† | – |
| 长上下文 | |||
| Fiction.LiveBench 120k | Fiction.live | 100.0%† | – |
| AA-LCR v1.1 | Artificial Analysis | 74.7% | 79.0% |
| MLCR | Artificial Analysis | – | 14.4% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 147.1 | 154.5 |
| LiveBench 1.0 | LiveBench | – | 73.1% |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 20.2 | 29.5 |
| AA Progress Index v1 | Artificial Analysis | 258.3 | 293.8 |
| HELM Capabilities mean | HELM Capabilities | 81.1% | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 16.0% | – |
| MASK | Scale AI SEAL | 84.5%† | – |
| PropensityBench | Scale AI SEAL | 10.5% | – |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 5.6 | – |
数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
变化
- o3:BenchLeader Index 61.2 → 60.4。
- o3:1 项分数修订。
- Qwen3.7 (max):1 项分数修订。
- Qwen3.7 (max):1 项新结果(GDPval-AA v2.1)。
- Qwen3.7 (max):1 项分数修订。
- o3:1 项新结果(Arena Search)。
- Qwen3.7 (max):1 项分数修订。
- o3:1 项分数修订。
- Qwen3.7 (max):价格 $0.33/M → $0.50/M。
- Qwen3.7 (max):价格 $0.50/M → $0.33/M。
相关对比
- o3 vs Claude Opus 5.5
- o3 vs GPT-6.1 Sol
- o3 vs GPT-5.6 Sol
- o3 vs Gemini 4 Argon
- o3 vs Muse Wonder
- o3 vs Claude Sonnet 5.5
- o3 vs GPT-5.3-Codex
- o3 vs Kimi K3.1 Pro
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
o3 vs Qwen3.7:常见问题
- o3 比 Qwen3.7 更好吗?
- o3 与 Qwen3.7 (max) 的质量不相上下(60.4 比 60.0,在 ±5.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- o3 和 Qwen3.7 哪个更便宜?价格会变吗?
- 目前 o3 更便宜:每百万 token $3.50 比 $3.75(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
- 编程用 o3 还是 Qwen3.7 更好?
- o3 在编程方面得分更高(类别得分 60 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,o3 为 1460,Qwen3.7 为 1525。
- o3 和 Qwen3.7 哪个更快?
- Qwen3.7 输出更快(输出 171 比 131 token/秒,Artificial Analysis 7 日中位数)。
- 智能体和工具调用用 o3 还是 Qwen3.7 更好?
- o3 在智能体任务方面得分更高(类别得分 70 比 49,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,o3 为 37.1%,Qwen3.7 为 50.8%。
更多问题(4)
- 处理长文档哪个更好?
- Qwen3.7 在长上下文基准测试上得分更高(64 比 62)。Qwen3.7 支持更长的上下文:1,000,000 token,o3 为 200,000 token。
- 哪个延迟更低?
- o3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 5.2 秒比 14.8 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
- 第三方基准测试对 o3 和 Qwen3.7 的看法一致吗?
- 在两者都有结果的 18 项基准测试中,o3 领先 0 项,Qwen3.7 领先 18 项。所有同时评测两者的综合评分都认为 Qwen3.7 更强。
- Qwen3.7 是什么时候发布的?
- Qwen3.7 于 2026年5月19日 发布。