GPT-OSS 120B в КьюВи: сильное рассуждение без статуса лидера

Главная ставка GPT-OSS 120B — рассуждение

GPT-OSS 120B — модель OpenAI с контекстным окном 131K токенов. На бумаге это серьёзный запас для длинных документов, переписки с большим количеством условий и многошаговых задач. Но сама цифра не превращает любой ответ в хороший. Модель нужно оценивать по тому, как она держит логику, замечает противоречия и не перескакивает к первому правдоподобному выводу.

В рейтинге КьюВи её общий результат — 5.2 из 10, а позиция — 22-е место. Зато по reasoning она получила 9.9 из 10. Это главный аргумент в её пользу: GPT-OSS 120B заметно интереснее выглядит в задачах, где надо сравнить условия, разобрать причинно-следственную связь или проверить чужое решение, чем в роли универсального собеседника.

Мы добавили её в день релиза и сначала проверяли на коротких логических сценариях. Впечатление получилось двойственным: модель часто видит структуру задачи быстрее, чем ожидаешь, но общий рейтинг не позволяет назвать её безоговорочным фаворитом. Сейчас выше в таблице находится Qwen3 Max, а ниже — Claude Haiku 4.5. Для ориентира, лидирует Claude Fable 5 с результатом 9.8.

Что показывает рейтинг и наши измерения

КьюВи оценивает GPT-OSS 120B не по одному красивому ответу. Общая оценка составляет 5.2 из 10, coding — 5.1, reasoning — 9.9. Разрыв между двумя направлениями говорит сам за себя: логические задачи модели даются гораздо лучше, чем программирование. Это не провал, но и не профиль топового помощника разработчика.

Медианная скорость ответа пока фиксируется как — секунд, а надёжность в нашей телеметрии ещё не получила достаточного объёма данных. Поэтому мы не будем выдавать раннее наблюдение за статистический факт. Вопросы иногда решаются быстро, но по нескольким сессиям нельзя честно судить о стабильности сервиса при нагрузке.

На текущем срезе модель занимает 22-е место. В верхней части рейтинга находятся Claude Fable 5, GPT-5.6 Sol, Kimi K3, Grok 4.5; первым идёт Claude Fable 5 с оценкой 9.8. Разрыв до вершины равен 4.6 балла. Такая дистанция важнее самого порядкового номера: GPT-OSS 120B не выпала из соревнования, но ей пока далеко до модели, которую можно включать на каждый запрос без проверки.

Мой вывод по телеметрии простой: это кандидат для задач на рассуждение, а не универсальная кнопка «сделай всё». Данных о надёжности пока мало, и это ограничение нужно учитывать.

Какие вопросы она действительно разбирает

Лучше всего GPT-OSS 120B проявляет себя там, где вопрос можно разложить на условия. Например: «Сравни две ипотеки в тенге при одинаковом первоначальном взносе и покажи, какие данные нужно уточнить». Это не финансовая рекомендация, но модель способна аккуратно пройти по предпосылкам и обозначить пропуски.

Другой удачный сценарий — бытовая логика: «У нас поезд из Алматы в Астану выезжает вечером, один участник опаздывает, а багаж нельзя сдать заранее. Какие варианты не нарушают условия?» Здесь полезна не энциклопедичность, а способность удержать ограничения. Ещё один пример: «Проверь мой план подготовки к экзамену по физике, если в будни есть только полтора часа». GPT-OSS 120B может разобрать расписание, найти конфликт и предложить порядок действий.

Большое окно 131K токенов пригодится, когда в запросе есть длинная переписка, договор или набор заметок. Но модель не освобождает от проверки фактов. Для медицинских, юридических и финансовых решений это помощник для предварительного разбора, а не специалист.

По coding результат 5.1 из 10. Поэтому просьба «исправь небольшой Python-скрипт и объясни ошибку» выглядит разумно, а «спроектируй production-сервис с безопасностью и тестами» уже требует ревью человеком. В таких задачах я бы сравнивал её ответ с результатом другой модели прямо в КьюВи.

Где GPT-OSS 120B начинает сдавать

Главная слабость видна в балансе оценок. При reasoning 9.9 модель получила лишь 5.1 за coding. Это означает, что хорошая логическая схема ещё не гарантирует аккуратный код, корректные импорты или рабочие крайние случаи. Ответ может звучать убедительно, хотя его придётся запускать и проверять построчно.

Слабее модель выглядит и в вопросах, где пользователь ждёт точного свежего факта. Запрос «Какие сегодня правила провоза пауэрбанка на рейсе из Алматы?» требует актуальной информации и ссылки на официальный источник. GPT-OSS 120B может помочь составить список, что проверить, но не должна быть последней инстанцией. То же касается налогов, виз, лечения и условий банковских продуктов.

Есть и практическая оговорка по стабильности. Медианная скорость в нашей системе сейчас обозначается как — секунд, а надёжность пока не оценена достаточным числом наблюдений. Значит, рано обещать одинаковое качество в каждом диалоге. Мы видели сильные рассуждения, но рейтинг 5.2 из 10 показывает: средний пользовательский результат заметно скромнее впечатляющих отдельных ответов.

Наконец, не стоит сравнивать её с лидером только по одному параметру. Claude Fable 5 сейчас набирает 9.8, а GPT-OSS 120B отстаёт от первого места на 4.6 балла. В таблице выше находятся Qwen3 Max, ниже — Claude Haiku 4.5. Это хороший повод включать несколько ответов, а не спорить с одной моделью вслепую.

Цена и доступ из Казахстана

В КьюВи один средний вопрос к GPT-OSS 120B стоит примерно ≈10 ₸. Цена выглядит умеренной для проверки идей и сравнения ответов, особенно когда один запрос можно отправить сразу нескольким топовым нейросетям. Но при длинном диалоге или массовой генерации расходы всё равно стоит контролировать.

Сервис доступен из Казахстана: платить можно в тенге, интерфейс работает на русском и казахском языках. После регистрации доступны три бесплатных вопроса. Этого хватит, чтобы проверить модель на своём материале: дать ей логическую задачу, фрагмент кода и длинный текст с несколькими условиями.

Мой способ тестирования такой: сначала один и тот же запрос отправляется GPT-OSS 120B и нескольким конкурентам, затем сравниваются не красивые формулировки, а пропущенные условия, фактические ошибки и полезность следующего шага. В КьюВи ответы приходят рядом, поэтому разница заметна быстрее, чем при ручном переключении вкладок. Сейчас в рейтинге указано 25 моделей, а в первой четвёрке — Claude Fable 5, GPT-5.6 Sol, Kimi K3, Grok 4.5.

Вердикт без рекламной дымки: GPT-OSS 120B хороша для разбора сложных условий и учебных объяснений, но не выглядит лучшим выбором для кода и задач, где нужна подтверждённая свежесть данных. За ≈10 ₸ попробовать её разумно. Оставлять без проверки — нет.