Gemini 3.6 Flashилиgpt-oss-120b
Главная разница — цена: gpt-oss-120b дешевле в 20,3 раза на входе и в 22,1 раза на выходе. Ниже — счёт по трём источникам: что заявили поставщики, что намерила независимая лаборатория и что мы видим на реальных запросах. Переключатель «что важнее» меняет счёт — проверьте свой расклад.
- Поставщик карточки моделей и правила кэша
- Лаборатория Artificial Analysis, одна методика на обе
- Hubris наши реальные запросы за 30 дней
Сводная оценка Лаборатория Hubris
Одно число на модель от 0 до 100: качество, скорость, цена, кэш и возможности, нормированные по всему каталогу. Засечки — остальные модели на той же шкале.
Flash опережает gpt-oss-120b на 22 % по сводной оценке при выбранных весах. Из чего складывается — в раундах ниже.
Счёт по раундам 65 : 54
Раунд 1 из 11
Качество с рассуждениями
Качество мы не измеряем — это цифры независимой лаборатории: девять тестов одной методикой на обе модели, рассуждения включены на максимум. Шкала от 0 до 100.
Индекс интеллекта Лаборатория
Artificial Analysis, индекс v4. Замеры: Gemini 3.6 Flash (high), gpt-oss-120b (high).
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Сторонние оценки LMArena · MERA
Справочно, очков не дают. LMArena — рейтинг по слепым голосам людей; MERA — открытый бенчмарк на русском языке от Альянса ИИ.
Раунд 2 из 11
Качество без рассуждений
В чате, поддержке и массовых задачах думать некогда — рассуждения выключены. Здесь картина часто другая.
Индекс интеллекта Лаборатория
Та же методика, режим без рассуждений.
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Раунд 3 из 11
Код
Задачи из настоящих репозиториев и соревновательный код. У разных моделей лаборатория успела измерить разное — в счёт идут те тесты, что есть у обеих.
Кодинг Лаборатория
Сводный индекс кодинга (0–100) и отдельные тесты в процентах решённых задач.
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Сторонние лидерборды SWE-bench · LMArena
Справочно, в счёт раунда не идут: методика у каждого своя. У SWE-bench результат — это связка модели с конкретным агентом, поэтому рядом указаны агент и год лучшего известного прогона.
Раунд 4 из 11
Математика
Счёт, доказательства и олимпиадные задачи. Полезно там, где ответ либо верный, либо нет: аналитика, финансы, инженерные расчёты.
Математика Лаборатория
Сводный индекс (0–100) и доля решённых олимпиадных задач.
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Раунд 5 из 11
Инструменты и агент
Модель в роли агента: вызвать нужный инструмент, довести многошаговый диалог до результата, поработать в терминале. Именно это отличает модель для агентского клиента от модели для чата.
Инструменты и терминал Лаборатория
Доля доведённых до конца сценариев.
Раунд 6 из 11
Следование инструкциям
Делает ли модель ровно то, о чём просили: держит формат, не добавляет лишнего, соблюдает ограничения. От этого зависит, придётся ли разбирать ответ костылями.
Следование инструкциям Лаборатория
Доля заданий, где все требования соблюдены.
Лаборатория ещё не измерила Gemini 3.6 Flash в этом режиме — раунд в счёт не идёт.
Раунд 7 из 11
Длинный контекст
Большое окно контекста и умение им пользоваться — разные вещи. Здесь проверяется второе: рассуждения по длинному тексту, а не размер окна из карточки.
Рассуждения на длинном контексте Лаборатория
Доля верных ответов по длинному тексту. Размер окна — в раунде «Возможности».
Раунд 8 из 11
Скорость
Пауза до первого слова и скорость письма. Очки — по нашим данным, это то, что вы получите на практике.
Один и тот же запросHubris
Проигрываем ответ на измеренной скорости: пауза до первого слова, потом письмо. Длина ответа одинаковая, иначе модели несравнимы.
Раунд 9 из 11
Цена
В рублях, за миллион токенов. Списывается по факту — за то, что реально отправили и получили.
Прайс и реальный средний чек Hubris
Первые две колонки — ставки каталога. Третья — сколько в среднем стоит один запрос нашим пользователям к этой модели.
| Модель | Входные токеныто, что вы отправили | Ответ моделито, что она написала | Типичный запроссредний по нашим пользователям |
|---|---|---|---|
| Gemini 3.6 Flash | 94,77 | 474 | 2,21 |
| gpt-oss-120b | 4,68 | 21,48 | 0,06 |
| Разница | в 20,3 разав пользу gpt-oss-120b | в 22,1 разав пользу gpt-oss-120b | в 36,8 разав пользу gpt-oss-120b |
Раунд 10 из 11
Кэш
Если начало промпта повторяется от запроса к запросу — системная инструкция, приложенный документ, история переписки, — эта часть считается со скидкой. Включается она у моделей по-разному, и на этом легко потерять деньги.
Правила кэширования Поставщик
Скидка применяется автоматически — Hubris списывает по фактической цене исполнения, в которой кэш уже учтён.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 90 % применится сама.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 90 % применится сама.
cached_tokens.Раунд 11 из 11
Возможности
Контекст, что принимает на вход, рассуждения, приватность, надёжность. За каждый пункт — очки по одной шкале.
- ✓Контекст 1,05 млн токенов
- ✓Принимает картинки
- ✓Принимает файлы
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
- ✓Доля неудачных запросов 1,5 %
- ✓Контекст 131 тыс. токенов
- —Картинки не принимает
- —Файлы не принимает
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
- ✓Доля неудачных запросов 0,0 %
Итог
Кто победил
Коротко
Плюсы и минусы
Преимущества каждой модели над другой — из тех же данных, что и раунды, в процентах и секундах.
- пишет на 82 % быстрее
- качество с рассуждениями выше на 53 %
- принимает картинки
- контекст больше на 88 %
- дешевле в 20,3 раза на входе
- первое слово на 1,1 с раньше
Выбор
Когда какую брать
Обе доступны по одному ключу — переключиться можно на любом запросе, поменяв одну строку.
- Диалог с людьми: первое слово появляется раньше
- Сложные задачи, где модели дают подумать: код, анализ, агенты
- Массовые задачи, где счёт за токены — главная статья расходов
Вопросы
Что обычно спрашивают
Почему gpt-oss-120b дешевле в 20,3 раза — он хуже?
По независимому индексу с рассуждениями — 51.6 против 24.1; второй режим лаборатория для одной из моделей ещё не измерила. Цена отражает размер модели и объём вычислений на ответ; проверьте на своих данных, заметна ли разница именно в вашей задаче.
Какая модель лучше для написания кода?
По независимому индексу с рассуждениями — 51.6 против 24.1. На практике для больших проектов берут ту, что лучше держит длинный контекст задачи; Flash здесь предпочтительнее, а для мелких правок и массовых операций важнее скорость и цена.
Что такое кэш промптов и почему это важно?
У обеих кэш включается сам: если начало промпта совпадает с недавним запросом, эта часть считается со скидкой. Ничего помечать не нужно.
Откуда взяты цифры скорости?
Это наши измерения по успешным запросам через Hubris за последние 30 дней, а не заявления поставщиков: время до первого слова и скорость письма от начала до конца ответа. В паузу входит и наш участок пути. Лабораторная дорожка рядом — Artificial Analysis, прямой API одним промптом: это потолок, наша цифра — то, на что стоит рассчитывать.
Можно ли переключаться между моделями?
Да, обе доступны по одному ключу. Чтобы сменить модель, достаточно поменять её идентификатор в запросе — ни отдельного договора, ни второго ключа не нужно.
Дальше
Другие сравнения
Каждая из этих двух — против соседей по каталогу. Любую пару можно собрать в выборе наверху страницы.
Источники: Gemini 3.6 Flash (high) и gpt-oss-120b (high) — Artificial Analysis, 2026-09-04; цены, контекст и модальности — каталог Hubris, 2026-09-04; скорость и средний чек — запросы через Hubris за 30 дней.