OpenAI: gpt-oss-20b mot Qwen: Qwen3.7 Flash
En jämförelse sida vid sida av OpenAI: gpt-oss-20b (0,11 US$ / 1M textdelar (≈ 1,03 kr)) och Qwen: Qwen3.7 Flash (0,11 US$ / 1M textdelar (≈ 1,03 kr)) med aktuella USD-priser och funktioner från api14-katalogen. Båda körs via samma OpenAI-kompatibla API.
Specifikationer
| OpenAI: gpt-oss-20b | Qwen: Qwen3.7 Flash | |
|---|---|---|
| Leverantör | OpenAI | Qwen |
| Indata | 0,11 US$ / 1M textdelar (≈ 1,03 kr) | 0,11 US$ / 1M textdelar (≈ 1,03 kr) |
| Utdata | 0,45 US$ / 1M textdelar (≈ 4,46 kr) | 0,45 US$ / 1M textdelar (≈ 4,46 kr) |
| Cacheläsning | 0,11 US$ / 1M textdelar (≈ 1,03 kr) | 0,02 US$ / 1M textdelar (≈ 0,21 kr) |
| Cacheskrivning | - | 0,13 US$ / 1M textdelar (≈ 1,30 kr) |
| Kontextfönster | 131 072 | 1 000 000 |
| Max utdata | 117 964 | 65 536 |
| Indata | text | text, image, video |
| Utdata | text | text |
| Verktygsanrop | ||
| Strukturerad utdata | ||
| Styrning av resonemang | ||
| Tillagd | 5 aug. 2025 | 27 juli 2026 |
Viktiga skillnader
- Båda har ungefär samma indatapris.
- Qwen: Qwen3.7 Flash läser 7.6× mer kontext (1 000 000 tokens).
- Endast OpenAI: gpt-oss-20b stöder strukturerad JSON-utdata.
- Ett anrop med 1 000 indata- och 500 utdata-tokens kostar 0,000333 US$ med OpenAI: gpt-oss-20b och 0,000333 US$ med Qwen: Qwen3.7 Flash.
Mer i detalj
OpenAI: gpt-oss-20b är en textmodell från OpenAI, släppt 2025-08-05. Qwen: Qwen3.7 Flash är en textmodell från Qwen, släppt 2026-07-27. Båda serveras via api14 under samma OpenAI-kompatibla yta, så valet mellan dem handlar om vad din uppgift faktiskt behöver snarare än om någon skillnad i hur du ansluter.
Den tydligaste uppdelningen är kontext och indatamodaliteter. Qwen3.7 Flash accepterar text, bild och video som indata och har ett kontextfönster på 1 000 000 tokens, vilket är det större av de två. gpt-oss-20b accepterar endast text och har ett kontextfönster på 131 072 tokens. Priset är ungefär detsamma för både indata och utdata, så kostnaden är inte den avgörande faktorn här. Där gpt-oss-20b utmärker sig är strukturerad utdata: den är den av de två som stöder strukturerade utdata, och dess parameterlista är bredare överlag, inklusive frequency_penalty, logit_bias, logprobs, min_p, reasoning_effort, repetition_penalty, stop, top_k och top_logprobs vid sidan av de sampling- och verktygskontroller som båda modellerna delar. Qwen3.7 Flash stöder en mindre uppsättning, som omfattar include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, response_format, seed, temperature, tool_choice, tools, top_logprobs och top_p.
För en utvecklare som väljer mellan dem följer den praktiska regeln av dessa fakta. Om din indata är lång, eller om den innehåller bilder eller video, är Qwen3.7 Flash det naturliga valet eftersom den är den enda av de två som accepterar dessa modaliteter och den enda med fönstret på en miljon tokens. Om din uppgift är text in och text ut och du är beroende av strukturerade utdata, eller av de finare sampling- och straffkontrollerna som logit_bias, min_p, top_k eller reasoning_effort, är gpt-oss-20b den bättre matchningen. Båda exponerar verktygsanrop och resonemangskontroller, så agentliknande arbetsbelastningar och resonemangsliknande arbetsbelastningar är inte i sig en anledning att föredra den ena framför den andra.
Att anropa endera modellen via api14 fungerar på samma sätt. Du pekar din klient mot api14:s bas-URL, skickar en begäran i OpenAI chat completions-form och anger fältet model. För att använda OpenAI-modellen anger du model till "openai/gpt-oss-20b". För att använda Qwen-modellen anger du model till "qwen/qwen3.7-flash". Inget annat i begäran behöver ändras för basfallet: samma messages-array, samma headers, samma svarsparsning. Om du förlitar dig på parametrar som bara ena sidan listar, håll den begäran på den sidan, eftersom att skicka en parameter som inte stöds är den enda platsen där de två skiljer sig i praktiken.
Det finns fortfarande fall där den andra modellen vinner. Om du redan har byggt runt strukturerade utdata och en bred uppsättning samplingkontroller skulle ett byte till Qwen3.7 Flash innebära att du ger upp dem, så gpt-oss-20b förblir det bättre valet även för korta textuppgifter. Omvänt, om din textprompt är mycket stor, eller om din pipeline tar in skärmbilder eller klipp tillsammans med text, kan gpt-oss-20b inte ta den indatan alls, och Qwen3.7 Flash är det enda alternativet av de två.
Byt med en sträng
Båda modellerna använder samma endpoint och anropsformat. Ändra model-värdet från "openai/gpt-oss-20b" till "qwen/qwen3.7-flash", promptar, streaming och verktyg fortsätter att fungera.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "qwen/qwen3.7-flash",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Fler jämförelser
- LiquidAI: LFM3-1.7B mot Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B mot Crouton Alpha
- LiquidAI: LFM3-1.7B mot Tencent: Hy4
- LiquidAI: LFM3-1.7B mot Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview mot Crouton Alpha
- Ricursive: Ripple 65B Preview mot Tencent: Hy4
- Ricursive: Ripple 65B Preview mot Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha mot Tencent: Hy4