Comparación: Qwen3:30b vs GPT-OSS:20b

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

Para obtener más información sobre el ancho de banda (throughput), la latencia, la VRAM y las pruebas de referencia (benchmarks) en diferentes entornos de ejecución y hardware, consulte Rendimiento de LLM: Benchmarks, cuellos de botella y optimización.

Para los valores predeterminados de muestreo orientados a bucles de agentes (agent-loop) en la nueva línea de Qwen (incluidas las penalizaciones y los ajustes preestablecidos para razonamiento frente a codificación), consulte 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 con las preferencias humanas. Destaca en la escritura creativa, el role-playing, los diálogos de múltiples turnos y el seguimiento de instrucciones en varios idiomas. Esta variante ha sido afinada específicamente para ofrecer respuestas más naturales, controladas y atractivas, alineadas con las instrucciones del usuario.
• GPT-OSS:20b admite el seguimiento de instrucciones, pero generalmente se evalúa ligeramente por detrás de Qwen3:30b-instruct en el ajuste de instrucciones matizadas. Ofrece capacidades comparables de llamada de funciones, salida estructurada y modos de razonamiento, pero puede quedarse atrás en la alineación conversacional y el diálogo creativo.

Rendimiento y eficiencia

• Qwen3:30b-instruct destaca en el razonamiento matemático, la codificación, las tareas lógicas complejas y los escenarios multilingües que abarcan 119 idiomas y dialectos. Su modo de “razonamiento” (thinking) permite un razonamiento mejorado, pero conlleva un mayor costo de memoria.
• GPT-OSS:20b logra un rendimiento comparable al del modelo o3-mini de OpenAI. Utiliza menos capas, pero expertos más anchos por capa y cuantización nativa MXFP4 para una inferencia eficiente en hardware de consumo con requisitos de memoria más bajos (~16 GB frente a lo más alto para 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 proporcionar 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 contextos muy largos.

Recomendación de uso

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

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

No están directamente disponibles en los resultados de búsqueda las puntuaciones de benchmark que comparen específicamente Qwen3:30b-instruct y GPT-OSS:20b en el seguimiento de instrucciones y los parámetros de rendimiento clave (MMLU, LMEval, HumanEval). Sin embargo, basándonos en los informes publicados existentes de benchmarks multilingües y de múltiples tareas:

MMLU (Massive Multitask Language Understanding)

Es difícil encontrar los detalles, pero resumidamente:

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

LMEval (Language Model Evaluation Toolkit)

No hay muchos detalles por el momento:

• Los modelos Qwen3 muestran una mejora significativa en tareas de razonamiento y relacionadas con el 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 subtareas avanzadas de razonamiento y seguimiento de instrucciones.

HumanEval (Benchmark de Generación de Código)

No hay muchos datos, solo:

• Qwen3:30b-instruct exhibe un fuerte rendimiento en benchmarks de generación de código multilingües como HumanEval-XL, admitiendo más de 20 lenguajes de programación y proporcionando una precisión superior en la generación de código translingüe.
• GPT-OSS:20b, aunque es competitivo, presenta un rendimiento algo inferior al de Qwen3:30b-instruct en los benchmarks de HumanEval, especialmente en contextos de programación multilingüe y multi-idioma, debido a un entrenamiento multilingüe menos extenso.

Tabla resumen (tendencias aproximadas de la literatura):

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

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

Con mi hardware (16 GB de VRAM) estoy ejecutando Qwen3:30b y GPT-OSS:20b 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. De nuevo, esto es en mi PC. Los detalles técnicos tomados de la salida detallada (verbose) y la memoria asignada son los siguientes. Comandos para probar:

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

Diferencias clave y recomendaciones

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

Comparación directa de benchmarks

Para más benchmarks, opciones de hardware y ajuste de rendimiento, consulte nuestro Rendimiento de LLM: Benchmarks, cuellos de botella y optimización hub.

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 referencia de Ollama - comandos más útiles
• Restringir LLMs con Salida Estructurada: Ollama, Qwen3 y Python o Go
• Validación de salida estructurada de LLM en Python que resiste
• Integración de Ollama con Python: Ejemplos de REST API y Cliente de Python
• La frontera eficiente de los modelos abiertos en 2026