Comparación: Qwen3:30b vs GPT-OSS:20b

Aquí tienes una comparación entre Qwen3:30b y GPT-OSS:20b centrada en el seguimiento de instrucciones y los parámetros de rendimiento, especificaciones y velocidad.

Para más información sobre el rendimiento (throughput), latencia, VRAM y benchmarks en diferentes entornos de ejecución y hardware, consulta Rendimiento de LLM: Benchmarks, Cuellos de Botella y Optimización.

Para obtener los valores predeterminados de muestreo orientados a bucles de agentes en la nueva línea de Qwen (incluyendo penalizaciones y ajustes preestablecidos de pensamiento frente a codificación), consulta la referencia consolidada de parámetros de inferencia agéntica para Qwen y Gemma.

Arquitectura y Parámetros

Seguimiento de Instrucciones

• Qwen3:30b-instruct está optimizado para el seguimiento de instrucciones con una fuerte alineación de preferencias humanas. Destaca en escritura creativa, juegos de roles, diálogos de múltiples turnos y seguimiento de instrucciones multilingües. Esta variante está afinada específicamente para proporcionar respuestas más naturales, controladas y atractivas, alineadas con las instrucciones del usuario.
• GPT-OSS:20b admite el seguimiento de instrucciones, pero generalmente se sitúa ligeramente por detrás de Qwen3:30b-instruct en el ajuste fino de instrucciones matizadas. Ofrece llamadas a funciones, salida estructurada y modos de razonamiento comparables, pero puede rezagar en la alineación conversacional y el diálogo creativo.

Rendimiento y Eficiencia

• Qwen3:30b-instruct destaca en razonamiento matemático, codificación, tareas lógicas complejas y escenarios multilingües que cubren 119 idiomas y dialectos. Su modo de “pensamiento” permite un razonamiento mejorado, pero conlleva mayores costos de memoria.
• GPT-OSS:20b logra un rendimiento comparable al modelo o3-mini de OpenAI. Utiliza menos capas pero expertos más anchos por capa y cuantización MXFP4 nativa para una inferencia eficiente en hardware de consumo con requisitos de memoria más bajos (~16GB frente a los más altos de Qwen3).
• GPT-OSS es aproximadamente un 33% más eficiente en memoria y más rápido en ciertas configuraciones de hardware, especialmente en GPUs de consumo, pero Qwen3 suele ofrecer una mejor alineación y profundidad de razonamiento, especialmente en casos de uso complejos.
• Qwen3 tiene una opción de longitud de contexto extendida disponible más larga (hasta 262,144 tokens) en comparación con los 128,000 tokens de GPT-OSS, lo que beneficia a las tareas que requieren comprensión de contexto muy largo.

Recomendación de Uso

• Elige Qwen3:30b-instruct para casos de uso que demanden un seguimiento de instrucciones superior, generación creativa, soporte multilingüe y razonamiento complejo.
• Elige GPT-OSS:20b si la eficiencia de memoria, la velocidad de inferencia en hardware de consumo y un rendimiento base competitivo con menos parámetros son la prioridad.

Esta comparación destaca a Qwen3:30b-instruct como un modelo más profundo y capaz con un ajuste fino de instrucciones avanzado, mientras que GPT-OSS:20b ofrece una alternativa más compacta y eficiente con un rendimiento competitivo en benchmarks estándar.

Las puntuaciones de benchmark que comparan específicamente Qwen3:30b-instruct y GPT-OSS:20b para el seguimiento de instrucciones y los parámetros clave de rendimiento (MMLU, LMEval, HumanEval) no están disponibles directamente en los resultados de búsqueda. Sin embargo, basándose en los informes de benchmarks multilingües y multitarea publicados existentes:

MMLU (Comprensión Lingüística Multitarea Masiva)

Es difícil encontrar los detalles, solo:

• Los modelos de la serie Qwen3, especialmente a escala de 30B y superior, demuestran puntuaciones MMLU fuertes que típicamente superan el 89%, lo que indica capacidades de comprensión del conocimiento y razonamiento muy competitivas en 57 dominios diversos.
• GPT-OSS:20b también rinde bien en los benchmarks de MMLU, pero generalmente obtiene puntuaciones más bajas que los modelos Qwen más grandes debido a su menor cantidad de parámetros y menor énfasis en el ajuste fino de instrucciones.

LMEval (Kit de Herramientas de Evaluación de Modelos de Lenguaje)

No hay muchos detalles actualmente:

• Los modelos Qwen3 muestran una mejora significativa en tareas de razonamiento y código dentro de LMEval, con puntuaciones mejoradas en lógica, razonamiento matemático y capacidades generales.
• GPT-OSS:20b proporciona un rendimiento base robusto en LMEval, pero generalmente se queda atrás de Qwen3:30b-instruct en sub-tareas de razonamiento avanzado y seguimiento de instrucciones.

HumanEval (Benchmark de Generación de Código)

No mucha data, solo:

• Qwen3:30b-instruct exhibe un fuerte rendimiento en benchmarks de generación de código multilingüe como HumanEval-XL, soportando más de 20 lenguajes de programación y proporcionando una precisión superior en la generación de código entre idiomas.
• GPT-OSS:20b, aunque competitivo, rinde algo peor que Qwen3:30b-instruct en los benchmarks de HumanEval, especialmente en contextos de programación multilingüe y multiidioma debido a un entrenamiento multilingüe menos extenso.

Tabla Resumen (tendencias aproximadas de la literatura):

Si se necesitan números exactos de benchmark, los benchmarks multilingües a gran escala especializados como P-MMEval y HumanEval-XL, referenciados en papers de investigación recientes, proporcionan puntuaciones detalladas para modelos que incluyen Qwen3 y variantes comparables de GPT-OSS, pero estos no están organizados públicamente para una recuperación directa de puntuaciones lado a lado en este momento.

Comparación de Velocidad entre Qwen3:30b y GPT-OSS:20b

En mi hardware (16GB VRAM) estoy obteniendo que Qwen3:30b y GPT-OSS:20b funcionan con una ventana de contexto de 4000, y están produciendo:

• qwen3:30b-a3b => 45.68 tokens/s
• gpt-oss:20b => 129.52 tokens/s

Y para comparar, también he probado qwen3:14b y gpt-oss:120b

• qwen3:14b => 60.12 tokens/s
• gpt-oss:120b => 12.87 tokens/s

En ventanas de contexto más largas la velocidad será más lenta, en el caso de qwen3:30b-a3b probablemente mucho más lenta. Esto es, nuevamente, en mi PC. Los detalles técnicos tomados de la salida detallada y la memoria asignada se muestran a continuación, comandos para probar:

• ollama run qwen3:30b-a3b –verbose describe weather difference between state capitals in australia
• ollama ps mostrando la asignación de memoria en contexto 4K

qwen3:30b-a3b

NAME             ID              SIZE     PROCESSOR          CONTEXT    UNTIL
qwen3:30b-a3b    19e422b02313    20 GB    23%/77% CPU/GPU    4096       4 minutes from now
total duration:       28.151133548s
load duration:        1.980696196s
prompt eval count:    16 token(s)
prompt eval duration: 162.58803ms
prompt eval rate:     98.41 tokens/s
eval count:           1188 token(s)
eval duration:        26.007424856s
eval rate:            45.68 tokens/s

qwen3:30b-thinking

NAME         ID              SIZE     PROCESSOR    CONTEXT    UNTIL              
qwen3:30b-thinking    ad815644918f    20 GB    23%/77% CPU/GPU    4096       4 minutes from now
total duration:       1m8.317354579s
load duration:        1.984986882s
prompt eval count:    18 token(s)
prompt eval duration: 219.657034ms
prompt eval rate:     81.95 tokens/s
eval count:           2722 token(s)
eval duration:        1m6.11230524s
eval rate:            41.17 tokens/s

gpt-oss:20b

NAME         ID              SIZE     PROCESSOR    CONTEXT    UNTIL              
gpt-oss:20b    aa4295ac10c3    14 GB    100% GPU     4096       4 minutes from now
total duration:       31.505397616s
load duration:        13.744361948s
prompt eval count:    75 token(s)
prompt eval duration: 249.363069ms
prompt eval rate:     300.77 tokens/s
eval count:           2268 token(s)
eval duration:        17.510262884s
eval rate:            129.52 tokens/s

qwen3:14b

NAME         ID              SIZE     PROCESSOR    CONTEXT    UNTIL              
qwen3:14b    bdbd181c33f2    10 GB    100% GPU     4096       4 minutes from now    
total duration:       36.902729562s
load duration:        38.669074ms
prompt eval count:    18 token(s)
prompt eval duration: 35.321423ms
prompt eval rate:     509.61 tokens/s
eval count:           2214 token(s)
eval duration:        36.828268069s
eval rate:            60.12 tokens/s

gpt-oss:120b

NAME            ID              SIZE     PROCESSOR          CONTEXT    UNTIL
gpt-oss:120b    f7f8e2f8f4e0    65 GB    78%/22% CPU/GPU    4096       2 minutes from now
49GB RAM + 14.4GB VRAM
total duration:       3m59.967272019s
load duration:        76.758783ms
prompt eval count:    75 token(s)
prompt eval duration: 297.312854ms
prompt eval rate:     252.26 tokens/s
eval count:           3084 token(s)
eval duration:        3m59.592764501s
eval rate:            12.87 tokens/s

Variantes de Qwen3:30b

Existen tres variantes del modelo qwen3:30b disponibles: qwen3:30b, qwen3:30b-instruct y qwen3:30b-thinking.

Principales Diferencias y Recomendaciones

• qwen3:30b-instruct es el mejor para conversaciones donde las instrucciones del usuario, la claridad y el diálogo natural son prioritarios.
• qwen3:30b es la base general, adecuada si tanto el seguimiento de instrucciones como el uso de herramientas son importantes en diversas tareas.
• qwen3:30b-thinking destaca cuando el razonamiento profundo, las matemáticas y la codificación son el foco principal. Supera a los demás en tareas que miden el rigor lógico/matемático, pero no es necesariamente mejor para la escritura creativa o las conversaciones casuales.

Comparación Directa de Benchmarks

Para más benchmarks, opciones de hardware y ajuste de rendimiento, consulta nuestro hub de Rendimiento de LLM: Benchmarks, Cuellos de Botella y Optimización.

Enlaces Útiles

• https://ollama.com/library/qwen3
• https://ollama.com/library/gpt-oss
• https://artificialanalysis.ai/articles/analysis-openai-gpt-oss-models
• https://artificialanalysis.ai/models/qwen3-30b-a3b-2507
• Instalar y configurar Ollama
• Hoja de trucos de Ollama - comandos más útiles
• Restringir LLMs con Salida Estructurada: Ollama, Qwen3 & Python o Go
• Integración de Ollama con Python: Ejemplos de API REST y Cliente Python