GPT-OSS 120B «КьюВи»-де: мықты пайымдау, бірақ көшбасшы емес

GPT-OSS 120B-нің басты күші — пайымдау

GPT-OSS 120B — контекстік терезесі 131K токен болатын OpenAI моделі. Теория жүзінде бұл ұзақ құжаттарға, көптеген шарттары бар хат алмасуға және бірнеше қадамнан тұратын тапсырмаларға жеткілікті мүмкіндік береді. Алайда бұл санның өзі кез келген жауапты сапалы етпейді. Модельді оның логиканы қаншалықты сақтайтынына, қайшылықтарды байқайтынына және алғашқы нанымды қорытындыға асықпайтынына қарап бағалау керек.

«КьюВи» рейтингінде оның жалпы нәтижесі — 10 балдың ішінен 5.2, ал орны — 22-орын. Ал reasoning бағыты бойынша ол 9.9 балл алды. Бұл — модельдің басты артықшылығы: GPT-OSS 120B шарттарды салыстыру, себеп-салдар байланысын талдау немесе біреудің шешімін тексеру қажет болған тапсырмаларда әмбебап сұхбаттас ретінде қолданғаннан гөрі қызығырақ көрінеді.

Біз оны релиз шыққан күні қостық және бастапқыда қысқа логикалық сценарийлермен тексердік. Әсері екіұдай болды: модель тапсырманың құрылымын күткеннен жылдамырақ байқайды, бірақ жалпы рейтингі оны сөзсіз фаворит деуге мүмкіндік бермейді. Қазір кестеде одан жоғарыда Qwen3 Max, ал төменде — Claude Haiku 4.5 тұр. Салыстыру үшін, көшбасшы — Claude Fable 5, оның нәтижесі 9.8.

Рейтинг пен өлшемдеріміз нені көрсетеді

«КьюВи» GPT-OSS 120B-ні бір ғана сәтті жауабына қарап бағаламайды. Жалпы бағасы — 10 балдың ішінен 5.2, coding — 5.1, reasoning — 9.9. Екі бағыт арасындағы айырмашылық көп нәрсені аңғартады: логикалық тапсырмалар модельге бағдарламалауға қарағанда әлдеқайда жақсы беріледі. Бұл сәтсіздік емес, бірақ әзірлеушілерге арналған үздік көмекшінің бейіні де емес.

Жауаптың медианалық жылдамдығы әзірге — секунд деп көрсетіледі, ал біздің телеметрияда сенімділікті бағалауға арналған дерек әлі жеткіліксіз. Сондықтан алғашқы бақылауды статистикалық факт ретінде ұсынбаймыз. Кейбір сұрақтар жылдам шешіледі, бірақ бірнеше сессияға қарап, жүктеме кезіндегі сервистің тұрақтылығы туралы әділ қорытынды жасау мүмкін емес.

Қазіргі дерек бойынша модель 22-орында. Рейтингтің жоғарғы бөлігінде Claude Fable 5, GPT-5.6 Sol, Kimi K3, Grok 4.5 орналасқан; бірінші орында Claude Fable 5, оның бағасы — 9.8. Көшбасшыға дейінгі айырмашылық 4.6 балл. Бұл арақашықтық реттік нөмірдің өзінен маңыздырақ: GPT-OSS 120B бәсекеден шығып қалған жоқ, бірақ әр сұрауға тексермей қолдануға болатын модель деңгейіне әлі жеткен жоқ.

Телеметрия бойынша қорытындым қарапайым: бұл — «бәрін жасап бер» дейтін әмбебап батырма емес, пайымдауға арналған кандидат. Сенімділік туралы дерек әзірге аз, мұны ескеру қажет.

Ол қандай сұрақтарды шынымен талдай алады

GPT-OSS 120B сұрақты шарттарға бөліп қарастыруға болатын жағдайларда жақсы жұмыс істейді. Мысалы: «Бастапқы жарнасы бірдей болғанда, теңгемен алынатын екі ипотеканы салыстыр да, қандай деректерді нақтылау керегін көрсет». Бұл қаржылық кеңес емес, бірақ модель бастапқы алғышарттарды ретімен талдап, жетіспейтін ақпаратты көрсете алады.

Тағы бір сәтті сценарий — күнделікті өмірдегі логика: «Алматыдан Астанаға пойыз кешке шығады, жолаушылардың бірі кешігеді, ал багажды алдын ала тапсыруға болмайды. Қай нұсқалар шарттарды бұзбайды?» Мұнда энциклопедиялық білімнен гөрі шектеулерді есте ұстай алу маңызды. Тағы бір мысал: «Жұмыс күндері физика емтиханына дайындалуға бір жарым сағат қана болса, жоспарымды тексер». GPT-OSS 120B кестені талдап, қайшылықты тауып, әрекеттер ретін ұсына алады.

131K токендік үлкен терезе сұрауда ұзақ хат алмасу, келісімшарт немесе бірнеше жазбадан тұратын материал болғанда пайдалы. Бірақ модель фактілерді тексеру қажеттігін жоймайды. Медициналық, заңдық және қаржылық шешімдерде ол — алдын ала талдауға көмектесетін құрал, маманның орнына жүрмейді.

coding нәтижесі — 10 балдың ішінен 5.1. Сондықтан «шағын Python скриптін түзетіп, қатені түсіндір» деген өтініш орынды, ал «қауіпсіздігі мен тестері бар production-сервисті жобала» деген тапсырма адам тексеруін талап етеді. Мұндай жағдайда оның жауабын «КьюВи»-де басқа модельдің нәтижесімен бірден салыстырған дұрыс.

GPT-OSS 120B қай жерде әлсірейді

Негізгі әлсіздік бағалар арасындағы теңгерімнен көрінеді. reasoning бойынша 9.9 балл алған модель coding бағытына небәрі 5.1 балл жинады. Демек, жақсы логикалық схема ұқыпты кодты, дұрыс импорттарды немесе шеткі жағдайлардың жұмыс істеуін әлі кепілдемейді. Жауап нанымды естілгенімен, оны іске қосып, әр жолын тексеру қажет болуы мүмкін.

Пайдаланушы нақты әрі жаңартылған факт күтетін сұрақтарда модель әлсіздеу. «Алматыдан ұшатын рейсте пауэрбанк тасымалдаудың бүгінгі ережелері қандай?» деген сұрақ өзекті ақпарат пен ресми дереккөзге сілтемені талап етеді. GPT-OSS 120B тексерілуі тиіс тармақтардың тізімін жасауға көмектесе алады, бірақ соңғы шешім қабылдайтын дереккөз болмауы керек. Бұл салықтарға, визаларға, емделуге және банк өнімдерінің шарттарына да қатысты.

Тұрақтылыққа қатысты практикалық ескерту де бар. Жүйеміздегі медианалық жылдамдық қазір — секунд деп көрсетіледі, ал сенімділік жеткілікті бақылау саны арқылы әлі бағаланған жоқ. Сондықтан әр диалогта сапа бірдей болады деп уәде беруге ерте. Біз мықты пайымдау мысалдарын көрдік, бірақ 5.2/10 рейтингі орташа пайдаланушы нәтижесінің әсерлі жекелеген жауаптардан әлдеқайда қарапайым екенін көрсетеді.

Соңында, оны көшбасшымен тек бір параметр бойынша салыстыруға болмайды. Қазір Claude Fable 5 9.8 балл жинап отыр, ал GPT-OSS 120B бірінші орыннан 4.6 баллға қалып тұр. Кестеде одан жоғарыда Qwen3 Max, төменде — Claude Haiku 4.5 орналасқан. Сондықтан бір модельдің жауабына соқыр сенім артпай, бірнеше нәтижені қатар қосып салыстырған жөн.

Қазақстандағы бағасы және қолжетімділігі

«КьюВи»-де GPT-OSS 120B-ге қойылатын бір орташа сұрақтың бағасы шамамен ≈10 ₸. Бұл идеяларды тексеру және жауаптарды салыстыру үшін қолайлы баға, әсіресе бір сұрақты бірден бірнеше үздік жасанды интеллект моделіне жіберуге болатынын ескерсек. Дегенмен ұзақ диалогтарда немесе жаппай генерация кезінде шығынды бақылау керек.

Сервис Қазақстаннан қолжетімді: төлемді теңгемен жасауға болады, интерфейс қазақша және орысша жұмыс істейді. Тіркелгеннен кейін үш тегін сұрақ беріледі. Бұл модельді өз материалыңызбен сынауға жеткілікті: оған логикалық тапсырма, код үзіндісі және бірнеше шарты бар ұзақ мәтін беріп көруге болады.

Менің тестілеу тәсілім мынадай: алдымен бір сұрақ GPT-OSS 120B-ге және бірнеше бәсекелес модельге жіберіледі, содан кейін әдемі тұжырымдар емес, ескерілмей қалған шарттар, фактілік қателер және келесі қадамның пайдалылығы салыстырылады. «КьюВи»-де жауаптар қатар көрсетілетіндіктен, айырмашылықты қойындылар арасында қолмен ауысқаннан жылдамырақ байқауға болады. Қазір рейтингте 25 модель көрсетілген, ал алғашқы төрттікте — Claude Fable 5, GPT-5.6 Sol, Kimi K3, Grok 4.5.

Жарнамасыз қорытынды: GPT-OSS 120B күрделі шарттарды талдауға және оқу түсіндірмелеріне жақсы, бірақ кодқа және деректердің жаңалығы расталуы тиіс тапсырмаларға ең дұрыс таңдау болып көрінбейді. ≈10 ₸ төлеп байқап көруге болады. Ал тексермей қолдану — дұрыс емес.