谁是最强开源模型？gptoss Qwen3 DeepSeekR1五个问题决胜负 ！

现在开源模型非常多，到底哪个好用？这估计成了很多的问题 ！ 我也是很好奇。 但是要全面测试和对比是一件很困难的事情。

从比较专业的角度来说，直接比基准测试就可以了。

但是，实际上也会有一些问题。而且有时候 ，基准强，实战未必强。所以反正测不准，我就按自己设定的维度来对比一下。

五个问题决胜负！就当是娱乐局！

今天的参赛选手分别是：

• DeepSeek-R1-0528，
• Qwen3-30B-A3B-Thinking-2507，
• gpt-oss-20b。

这三个模型参赛在并不完全一样，但是24G的显卡中都可以跑。也是24G显卡能跑的模型中最新最强的版本了。 所以，我们尽量忽略其他细节，就用rtx3090来看看谁最好用！

今天的测试的五个问题分别是：

1. DeepSeek 里面有几个e？
2. 11.9和11.12 哪个数字大？
3. 找出一个正整数 n，使得 n! 可以被 2^n 整除。
4. 米长的竹竿能否通过4米高，3米宽的门？
5. 有 5 个人排成一排，每人帽子颜色为红或蓝。他们可以看到前面的人的帽子，但看不到自己的。主持人宣布：“至少有一顶红帽子。”从最后一人开始，每人依次说“是”或“否”（表示是否知道自己帽子的颜色）。如果第 5 人说“否”，第 4 人说“是”，求所有可能的帽子颜色分布。

评判标准是正确率和用时。

基准测试数据

虽然今天的重点不是基准测试，但是开头还是贴一下每个模型基准测试数据。好让大家 有个参考。

DeepSeek-R1-0528：

Qwen3-2507：

gpt-oss-20b：

通过上面的图片，有几项是可以直接对比的。但是，并不是每一项都能对得上。不同模型，给的基准不一样。DeepSeek只公布了满血版的数据，32B版本这里没写。而且我们测试的所有模型，和图片中模型不完全一样，我们能跑的都是缩水版（量化版）。

下面开始测试！！！

数数和比大小

前两个问题，别看很简单，几个月前，一大堆非推理模型都回答不了。

但是对于现在的新版模型来说基本上不存在什么问题。

唯一的差别，就是回答过程和回答时间不太一样。

DeepSeek：

DS的回答完全正确，两个问题用时28秒。但是输出最答案的时候格式有问题。

正常应该显示11.9 ，它却给了个 \boxed{11.9} 。

同时回答内容比较占空间，导致我截图有点困难。

Qwen3：

Qwen3的回答也完全正确。总共用时14秒。

它有两点比较好。一个是先给答案，再解释。第二对易错点做了贴心提示。

gptoss：

gptoss 也是全部正确。总共用时8.6秒。

它最大的特点是，没有废话，简洁明了。终于可以一个屏幕截取所有内容了。

从这两个问题来看，gptoss更快，更简洁明了。

对于这种简单的问题，虽然我们提问的时候没有强调，但是其实我们只需要快速得到一个结果。从这一点来看，gpt比较善解人意。

简而言之，废话比较少！

接下来测试的题目对AI来说，就会有一点点难度，需要一点思考时间了。为了排除一些随机因素，每个问题都问了三次。为了减少上下文的影响，都是单独起了一个对话。

找正整数

对于找出一个正整数 n，使得 n! 可以被 2^n 整除 这个问题，大部分选手都可以。但是个别选手出现了脑子卡壳的现象。

DeepSeek：

DS第一次回答就直接卡壳了，我整整等了它500秒，8分多钟。它完全没有要停的意思了。点开思考日志，看到它正在疯狂的用代入法，n已经干到137了。如果我不结束，基本就是可以无穷无尽了。我如果不在边上，显卡可能已经🔥毁了。

这是一个值得注意的点。千万不要让本地模型♾️思考，这个过程相当于烤机！一不小心，可能就熟了。

后面两次好一点，都成功了。用时分别是167秒和338秒。

Qwen3：

三次回答全部正确，用时分别是59秒，89秒，83秒。

gptoss：

gptoss三次全部正确，用时分别是22秒，36秒，35秒。

这么一对比，gptoss在推理时间上完胜！！

在回答问题的思路上，也是要清晰很多。首先它有一个最大的有点，就是思考完成之后，直接给答案。然后在清晰的讲解思路。 这一点在之前的问题中也有展现。

现在大家对“gpt下限比较高” 这句话应该有直观的理解了。

当然，结论还不用下太早，还有后面两个题目。

排队问题

接下来是排队问题。

有 5 个人排成一排，每人帽子颜色为红或蓝。他们可以看到前面的人的帽子，但看不到自己的。主持人宣布：“至少有一顶红帽子。”从最后一人开始，每人依次说“是”或“否”（表示是否知道自己帽子的颜色）。如果第 5 人说“否”，第 4 人说“是”，求所有可能的帽子颜色分布。

这其实是一个考验逻辑思维的题目。刚开看着挺难的，但是抓住关键点之后，就好多了。

下面来看看各位选手的回答情况。

Deepseek：

回答全部正确，时间分别是 152秒，105秒，67秒。

DS可能听到我的吐槽了，这次直接给答案，相当干脆。但是稳定性还是不行。三次时间差别比较大，比较长。其中一次回答还是很长。

Qwen3：

回答全部正确，时间分别是 43秒，45秒，44秒。

qwen的表现就是稳如老狗，精准掐表的感觉！

gptoss：

回答全部正确，时间分别是47秒，40秒，36秒。

gptoss的回答过程也发挥稳定，就是回答时间有点波动了，可能它感觉有点难度了。

空间问题

最后上空间问题。

6米长的竹竿能否通过4米高，3米宽的门？

这个问题，看起来，字数很少，也很简单。但是这个问题对AI来说，是一个致命的问题。截止今日，十个AI，九个躺下。

下面来看看三位选手的表现：

DeepSeek：

对于这个问题，ds展现出了迷之自信。只用了3秒钟中，就给出了斩钉截铁的答案：不能。而且每次的结果就和标准答案一样，99%的思考过程都一样。

三次思考时间，分别是4秒，3秒，3秒。

对于这个结果，我先不做评价，看看qwen怎么说。

qwen3：

Qwen的回答也是不能通过 。用的时间是4秒，6秒，7秒

看来这里两位是一个数学老师教的，回答思路几乎一模一样。就是qwen这娃还想着要排除其他可能性，但是又没有排除到关键点。

下面看看外国学生表现如何。

gptoss:

gptoss 第一次回答，完全正确。 还教你如何操作了。

外来的果然不一样，轻松答对。

但是…接下来的两次，它也糊涂了。

回答时间分别为，23秒，17秒，7.2秒。

这个问题，各位选手都有点轻敌，思考时间比较短，最后基本都答错了。只有gptoss在思考23那一次答对了。

其实，这个问题，即便是它同父异母的哥哥也是一样的结果。

当前我测过的所有大语言模型中，只有grok3+ 和ds0528满血版可以答对。

grok这娃，没有下限，但是上限很高，有些极端的数学和推理问题，都做得不错。

说回今天这几位选手。通过上面的几个题目，基本可以看出他们的实战水平了。

简单排序就是gptoss>qwen3>deekseekr1 。

gptoss主要优势表现在，答案简洁，思路清晰，思考较快，回答比较稳定。qwen3真题稳定性也不错，ds的思考时间普遍偏长，其中有一个不该错的题目卡脑壳了。ds在年初开源的时候非常惊艳，但是随着大家的使用，发现它并不实用 ，容易陷入一种奇怪的状态，时至今日，整体实力也偏弱了。

最后 还是要声明一下，这个测试非常片面…但是直观，可以作为一个参考。