BenchLeader

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)o3Arena 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o3Qwen3.7
提供商OpenAIAlibaba
发布日期2025年4月16日2026年5月19日
上下文窗口(token)200,0001,000,000
对比时的配置o3Qwen3.7 (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o3Qwen3.7 (max)领先者
推理60.964.2Qwen3.7
编程59.858.8o3
智能体与工具70.349.1o3
数学70.657.8o3
知识56.261.1Qwen3.7
指令遵循65.278.1Qwen3.7
人类偏好61.055.6o3
多模态52.8–无法比较
长上下文61.964.1Qwen3.7

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。

2550 avg75推理编程智能体与工具数学知识指令遵循长上下文人类偏好o3, 推理: 60.9o3, 编程: 59.8o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 指令遵循: 65.2o3, 长上下文: 61.9o3, 人类偏好: 61.0Qwen3.7, 推理: 64.2Qwen3.7, 编程: 58.8Qwen3.7, 智能体与工具: 49.1Qwen3.7, 数学: 57.8Qwen3.7, 知识: 61.1Qwen3.7, 指令遵循: 78.1Qwen3.7, 长上下文: 64.1Qwen3.7, 人类偏好: 55.6

未绘制(测得的模型少于两个):多模态。

模型(单击添加或移除)Index

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 Indexo3Qwen3.7 (max)领先者
BenchLeader Index60.460.0不相上下
Arena Text14321474Qwen3.7

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o3Qwen3.7 (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/s171 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o3Qwen3.7 (max)
BenchLeader IndexBenchLeader60.460.0
智能体与工具得分BenchLeader70.349.1
编程得分BenchLeader59.858.8
人类偏好得分BenchLeader61.055.6
指令遵循得分BenchLeader65.278.1
知识得分BenchLeader56.261.1
长上下文得分BenchLeader61.964.1
数学得分BenchLeader70.657.8
多模态得分BenchLeader52.8–
推理得分BenchLeader60.964.2
混合价格(美元/百万 token)BenchLeader$3.50$3.75
输出速度BenchLeader131 tok/s171 tok/s
首次回答时间BenchLeader5.2 秒14.8 秒
上下文窗口BenchLeader200,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub81.8%†90.9%
Humanity's Last ExamScale AI / CAIS20.3%†–
SimpleBenchSimpleBench53.1%†70.4%
Arena Hard PromptsArena (LMArena)14411495
LiveBench 1.0 ReasoningLiveBench–83.3%
GPQA Diamond (AA)Artificial Analysis82.7%92.3%
Humanity's Last Exam (AA)Artificial Analysis20.1%40.5%
GPQA Diamond (Vals)Vals AI84.1%†90.2%
Kagi LLM BenchmarkKagi LLM Benchmark67.6%–
GPQA Diamond (HELM)HELM Capabilities75.3%–
ARC-AGI-1ARC Prize60.8%†–
ARC-AGI-2ARC Prize6.5%†–
CritPtArtificial Analysis1.1%13.4%
SciPredictScale AI SEAL17.9%–
Arena ExpertArena (LMArena)14481509
Chess PuzzlesEpoch AI Benchmarking Hub36.0%†27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%†32.0%
CL-benchEpoch AI Benchmarking Hub17.8%†–
LMCAEpoch AI Benchmarking Hub39.7%†44.0%
DTBenchEpoch AI Benchmarking Hub84.8%†92.3%
ForecastBenchForecastBench64.3%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub62.3%†77.3%
SciCodeSciCode–49.5%
WeirdMLWeirdML52.4%†–
GSO-BenchGSO-Bench8.8%†–
显示全部 135 项基准测试
指标发布方o3Qwen3.7 (max)
编程
Arena CodingArena (LMArena)14601525
Arena WebDevArena (LMArena)–1515
LiveBench 1.0 CodingLiveBench–74.2%
LiveCodeBenchVals AI83.9%†87.1%
SWE-bench (Vals)Vals AI–68.8%
Aider PolyglotAider polyglot leaderboard76.9%–
SWE-bench Verified (bash only)SWE-bench58.4%–
SWE-bench Verified (any scaffold)SWE-bench58.4%–
Code MigrationVals AI–13.1%
Vibe Code Bench v1.1Vals AI–47.7%
CadEvalEpoch AI Benchmarking Hub74.0%†–
ALE-BenchEpoch AI Benchmarking Hub933.5†1189.4
Terminal-Bench 4.0 (AA)Artificial Analysis–1.5%
Terminal-Bench 2.1 (AA)Artificial Analysis–74.5%
Startrise FrontendStartrise–63.6%
GameBench 2 OverallDuelLab GameBench 234.1–
GameBench 2 by reasoning settingDuelLab GameBench 230.4†–
Design Arena WebsiteDesign Arena10281267
LiveCodeBench (AA)Artificial Analysis80.8%–
智能体与工具
GDPvalOpenAI30.8%†–
Arena AgentArena (LMArena)–-7.2
LiveBench Agentic CodingLiveBench–43.6%
Terminal-Bench HardArtificial Analysis37.1%50.8%
τ²-Bench Telecom (AA)Artificial Analysis80.7%94.7%
Terminal-Bench 2.1 (Vals)Vals AI–61.0%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
GDPval-AA v2.1Artificial 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 v2Vals AI–47.8%
Harvey's Legal Agent Benchmark v1Vals AI–1.7%
Legal Research BenchVals AI–25.5%
Tax Agent BenchVals AI–15.8%
Terminal-Bench 2.0 (Vals)Vals AI–59.2%
Arena SearchArena (LMArena)1197–
Arena Agent Task CompletionArena (LMArena)–-10.5
DeepResearch BenchDeepResearch Bench45.2%†–
METR Time HorizonsMETR63.6%–
GBAEvalEpoch AI Benchmarking Hub–0.4%
AutomationBenchArtificial Analysis–23.0%
GDP.pdf (AA)Artificial Analysis–8.6%
EnterpriseOps-GymArtificial Analysis–45.0%
AA-Briefcase v1.1Artificial Analysis–917
Design Arena AgenticDesign Arena–1179
BrowseComp-PlusBrowseComp-Plus50.5%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub33.3%†64.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub–34.1%
OTIS Mock AIMEEpoch AI Benchmarking Hub83.9%†95.6%
MATH Level 5Epoch AI Benchmarking Hub97.8%†–
ProofBenchVals AI–26.0%
LiveBench MathematicsLiveBench–85.3%
AIME (Vals)Vals AI85.3%†–
MGSMVals AI91.8%†–
IMO 2025MathArena16.7%†–
Omni-MATH (HELM)HELM Capabilities71.4%–
MATH 500Vals AI94.6%†–
Arena MathsArena (LMArena)14481483
AIME 2025 (AA)Artificial Analysis88.3%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub49.4%†55.8%
LiveBench 1.0 Data AnalysisLiveBench–71.8%
MMLU-ProVals AI85.6%†89.3%
LegalBenchVals AI83.8%†84.9%
CorpFinVals AI59.7%†63.7%
TaxEvalVals AI74.6%†75.3%
MedQAVals AI96.1%†–
PRBench FinanceScale AI SEAL47.7%–
PRBench LegalScale AI SEAL48.6%–
MultiNRCScale AI SEAL45.5%†–
MMLU-Pro (HELM)HELM Capabilities85.9%–
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI47.3%†38.8%
MedScribeVals AI76.7%†79.4%
DrugDiscoveryBenchScale AI SEAL–29.3%†
EBR-benchEpoch AI Benchmarking Hub–9.5%
指令遵循
LiveBench LanguageLiveBench–79.7%
LiveBench Instruction FollowingLiveBench–74.0%
IFBenchArtificial Analysis71.4%80.5%
MultiChallengeScale AI SEAL56.6%†–
TutorBenchScale AI SEAL52.1%†–
IFEval (HELM)HELM Capabilities86.9%–
WildBench (HELM)HELM Capabilities86.1%–
Arena Instruction FollowingArena (LMArena)14031466
人类偏好
Arena TextArena (LMArena)14321474
EQ-Bench 4EQ-Bench–1100
EQ-Bench Creative Writing v3EQ-Bench1675–
Arena Creative WritingArena (LMArena)13831438
Arena Multi-turnArena (LMArena)14201479
Arena Longer QueriesArena (LMArena)14111491
Lech Mazur Creative WritingLech Mazur83.9%†–
多模态
Arena VisionArena (LMArena)1214–
MMMU-ProArtificial Analysis70.1%–
VISTAScale AI SEAL50.1%†–
MMMU-Pro (Vals)Vals AI80.4%†–
MortgageTaxVals AI65.7%†–
VTBScale AI SEAL13.7%–
GeoBenchGeoBench60.0%†–
VPCTEpoch AI Benchmarking Hub52.0%†–
长上下文
Fiction.LiveBench 120kFiction.live100.0%†–
AA-LCR v1.1Artificial Analysis74.7%79.0%
MLCRArtificial Analysis–14.4%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub147.1154.5
LiveBench 1.0LiveBench–73.1%
AA Intelligence Index v4.3.2Artificial Analysis20.229.5
AA Progress Index v1Artificial Analysis258.3293.8
HELM Capabilities meanHELM Capabilities81.1%–
安全与诚实
FORTRESSScale AI SEAL16.0%–
MASKScale AI SEAL84.5%†–
PropensityBenchScale AI SEAL10.5%–
元数据
AA Openness IndexArtificial Analysis5.6–

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。

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。