Comparação: Qwen3:30b vs GPT-OSS:20b

Aqui está uma comparação entre Qwen3:30b e GPT-OSS:20b, com foco na capacidade de seguir instruções e nos parâmetros de desempenho, especificações e velocidade.

Para mais informações sobre vazão, latência, VRAM e benchmarks em diferentes tempos de execução e hardware, consulte Desempenho de LLMs: Benchmarks, Gargalos & Otimização.

Para valores padrão de amostragem orientados para loops de agentes na nova linha Qwen (incluindo penalidades e predefinições de pensamento versus codificação), consulte os parâmetros de inferência agêntica para Qwen e Gemma.

Arquitetura e Parâmetros

Seguimento de Instruções

• Qwen3:30b-instruct é otimizado para o seguimento de instruções com forte alinhamento de preferência humana. Excelencia em escrita criativa, interpretação de papéis, diálogos multi-turno e seguimento de instruções multilíngues. Esta variante é ajustada especificamente para fornecer respostas mais naturais, controladas e envolventes, alinhadas com as instruções do usuário.
• GPT-OSS:20b suporta o seguimento de instruções, mas é geralmente avaliado ligeiramente atrás do Qwen3:30b-instruct em ajustes de instruções nuances. Oferece chamadas de função, saída estruturada e modos de raciocínio comparáveis, mas pode ficar para trás no alinhamento conversacional e em diálogos criativos.

Desempenho e Eficiência

• Qwen3:30b-instruct excelencia em raciocínio matemático, codificação, tarefas lógicas complexas e cenários multilíngues que cobrem 119 idiomas e dialetos. Seu modo de “pensamento” permite raciocínio aprimorado, mas vem com custos de memória mais altos.
• GPT-OSS:20b atinge desempenho comparável ao modelo o3-mini da OpenAI. Usa menos camadas, mas especialistas mais largos por camada e quantização MXFP4 nativa para inferência eficiente em hardware de consumo com requisitos de memória menores (~16GB vs. maior para Qwen3).
• O GPT-OSS é aproximadamente 33% mais eficiente em memória e mais rápido em certas configurações de hardware, especialmente em GPUs de consumo, mas o Qwen3 frequentemente oferece melhor alinhamento e profundidade de raciocínio, especialmente em casos de uso complexos.
• O Qwen3 tem uma opção de comprimento de contexto estendido mais longo disponível (até 262.144 tokens) em comparação com os 128.000 tokens do GPT-OSS, beneficiando tarefas que exigem compreensão de contexto muito longo.

Recomendação de Uso

• Escolha Qwen3:30b-instruct para casos de uso que exigem seguimento de instruções superior, geração criativa, suporte multilíngue e raciocínio complexo.
• Escolha GPT-OSS:20b se a eficiência de memória, velocidade de inferência em hardware de consumo e desempenho de linha de base competitivo com menos parâmetros forem a prioridade.

Esta comparação destaca o Qwen3:30b-instruct como um modelo mais profundo e capaz, com ajuste de instruções avançado, enquanto o GPT-OSS:20b oferece uma alternativa mais compacta e eficiente com desempenho competitivo em benchmarks padrão.

Pontuações de benchmark que comparam especificamente Qwen3:30b-instruct e GPT-OSS:20b para seguimento de instruções e parâmetros-chave de desempenho (MMLU, LMEval, HumanEval) não estão diretamente disponíveis nos resultados da busca. No entanto, com base em relatórios de benchmark multilíngue e multitarefa publicados existentes:

MMLU (Massive Multitask Language Understanding)

Difícil encontrar detalhes, apenas:

• Os modelos da série Qwen3, especialmente na escala de 30B e acima, demonstram pontuações MMLU fortes, tipicamente excedendo 89%, indicando capacidades de compreensão de conhecimento e raciocínio muito competitivas em 57 domínios diversos.
• O GPT-OSS:20b também se sai bem nos benchmarks MMLU, mas geralmente pontua abaixo dos modelos Qwen maiores devido à menor contagem de parâmetros e menor ênfase no ajuste fino de instruções.

LMEval (Language Model Evaluation Toolkit)

Poucos detalhes no momento:

• Os modelos Qwen3 mostram melhoria significativa em raciocínio e tarefas relacionadas a código dentro do LMEval, com pontuações aprimoradas em lógica, raciocínio matemático e capacidades gerais.
• O GPT-OSS:20b fornece desempenho de linha de base robusto no LMEval, mas geralmente fica atrás do Qwen3:30b-instruct em sub-tarefas de raciocínio avançado e seguimento de instruções.

HumanEval (Benchmark de Geração de Código)

Poucos dados, apenas:

• O Qwen3:30b-instruct exibe forte desempenho em benchmarks de geração de código multilíngue como o HumanEval-XL, suportando mais de 20 linguagens de programação e fornecendo precisão superior na geração de código cross-lingual.
• O GPT-OSS:20b, embora competitivo, performa um pouco abaixo do Qwen3:30b-instruct nos benchmarks HumanEval, especialmente em contextos de programação multilíngue e multi-idioma devido ao treinamento multilíngue menos extensivo.

Tabela Resumo (tendências aproximadas da literatura):

Se números exatos de benchmark forem necessários, benchmarks multilíngues de grande escala especializados como P-MMEval e HumanEval-XL referenciados em artigos de pesquisa recentes fornecem pontuações detalhadas para modelos incluindo Qwen3 e variantes comparáveis do GPT-OSS, mas estes não estão publicamente organizados para recuperação direta de pontuações lado a lado neste momento.

Comparação de Velocidade entre Qwen3:30b e GPT-OSS:20b

No meu hardware (16GB VRAM) estou obtendo Qwen3:30b e GPT-OSS:20b rodando com janela de contexto 4000, e eles estão produzindo:

• qwen3:30b-a3b => 45,68 tokens/s
• gpt-oss:20b => 129,52 tokens/s

E para comparação, também testei o qwen3:14b e gpt-oss:120b

• qwen3:14b => 60,12 tokens/s
• gpt-oss:120b => 12,87 tokens/s

Em janelas de contexto mais longas, a velocidade será mais lenta, no caso do qwen3:30b-a3b provavelmente muito mais lenta. Isso é, novamente, no meu PC. Detalhes técnicos tirados do output verbose e memória alocada estão abaixo, comandos para tentar:

• ollama run qwen3:30b-a3b –verbose descrever diferença climática entre capitais de estado na australia
• ollama ps mostrando alocação de memória no 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 do Qwen3:30b

Existem três variantes do modelo qwen3:30b disponíveis: qwen3:30b, qwen3:30b-instruct e qwen3:30b-thinking.

Principais Diferenças & Recomendações

• qwen3:30b-instruct é o melhor para conversas onde instruções do usuário, clareza e diálogo natural são priorizados.
• qwen3:30b é a fundação geral, adequado se tanto o seguimento de instruções quanto o uso de ferramentas forem importantes em tarefas diversas.
• qwen3:30b-thinking excelencia quando raciocínio profundo, matemática e codificação são o foco principal. Superou os outros em tarefas que medem rigor lógico/matemático, mas não é necessariamente melhor para escrita criativa ou conversas casuais.

Comparação Direta de Benchmark

Para mais benchmarks, escolhas de hardware e ajuste de desempenho, consulte nosso hub de Desempenho de LLMs: Benchmarks, Gargalos & Otimização.

Links Úteis

• 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 e configurar Ollama
• Atalhos do Ollama - comandos mais úteis
• Restringindo LLMs com Saída Estruturada: Ollama, Qwen3 & Python ou Go
• Integrando Ollama com Python: Exemplos de API REST e Cliente Python