Локальная Qwen3.6-35B-A3B против GPT-5.5: сравнение в реальных задачах

Важное уточнение перед сравнением

Это прикладной тест, а не лабораторное исследование.

Я не сравнивал модели по синтетическим бенчмаркам, не выравнивал инфраструктуру и не пытался создать идеальные одинаковые условия. Это было бы невозможно: одна модель работает локально на моём ПК, другая — в облаке, с другой инфраструктурой, интерфейсом и внутренними настройками.

Меня интересовал практический вопрос:

может ли локальная модель быть полезной в реальных рабочих задачах и насколько заметен разрыв с GPT-5.5?

Поэтому я использовал одинаковые промпты и смотрел на результат глазами пользователя: насколько быстро модель отвечает, насколько хорошо понимает задачу, можно ли сразу использовать результат и сколько ручной доработки потребуется после генерации.

Тестовый стенд для локальной модели

Локальную модель Qwen3.6-35B-A3B я запускал на домашнем ПК.

Характеристики машины:

Настройки запуска в LM Studio:

Отдельно по потреблению ресурсов.

После загрузки модели система показывала около 36 ГБ занятой оперативной памяти. Это не чистое потребление модели: параллельно работала Windows и другое фоновое ПО. Видеопамять RTX 4070 Ti 12 ГБ после загрузки модели была занята примерно наполовину.

То есть локальная 35B-модель в Q4KM вполне запускается на мощном домашнем ПК, но это уже не лёгкая игрушка. Ей нужно серьёзное железо, память и нормальная настройка.

Тест 1. Простой HTML/CSS-лендинг для эко-товаров

Первый тест был довольно простой: сгенерировать HTML/CSS-код для одностраничного лендинга.

Промпт

Сгенерируй HTML/CSS код для одностраничного лендинга. 
Тема — продажа эко-товаров для дома. 
Требования: адаптивная верстка (десктоп, планшет, мобильный), использование Flexbox или Grid, 
минимальное количество JavaScript (только для мобильного меню). 
Структура: шапка с логотипом и навигацией, герой с заголовком и кнопкой, 
сетка из 3 товаров с изображениями, описанием и ценой, форма подписки, 
футер с контактами и соцсетями. Код должен быть чистым, с комментариями. 
Используй современные семантические теги.

Результат Qwen3.6-35B-A3B

Qwen думала 1 минуту 22 секунды.

После этого модель выдала в LM Studio три файла:

Средняя скорость генерации составила 29,24 токена в секунду. Всего было затрачено 7252 токена.

Результат GPT-5.5

GPT-5.5 на том же промпте думала около 8 секунд и выдала весь лендинг в чат одним файлом.

Моя оценка

По скорости ответа и генерации GPT-5.5 явно лучше. Тут спорить особо не о чем.

По готовности результата без правок обе модели справились. Оба варианта можно было использовать как рабочую основу.

По визуальному качеству преимущество у GPT-5.5. Лендинг выглядел более адаптированным, более аккуратным, с интереснее оформленным hero-блоком и блоком подписки.

По чистоте кода обе модели справились.

По следованию инструкции обе модели тоже справились.

Вывод по первому тесту

В этом тесте локальная Qwen не провалилась. Она поняла задачу, выдала рабочую структуру и даже разнесла код по файлам. Для разработки это удобно.

Но GPT-5.5 оказался заметно быстрее и дал более приятный визуальный результат из коробки.

Главный вывод здесь не в том, что одна модель умеет верстать, а другая нет. Обе умеют. Разница в скорости, вкусе и качестве первого черновика.

Тест 2. Полноценный лендинг для онлайн-курса

Следующий промпт был сложнее. Я попросил модели создать полноценный Landing Page для запуска онлайн-курса.

Промпт

Создай Landing Page для запуска онлайн-курса "Создание нейросетевых изображений". 
Целевая аудитория — дизайнеры, иллюстраторы и маркетологи, которые хотят освоить 
инструменты генерации изображений для работы. 

Структура страницы: Герой: заголовок с УТП, подзаголовок, кнопка "Записаться", 
таймер обратного отсчета (7 дней до старта). 

Проблема: 3 основные проблемы целевой аудитории (сложно разобраться в нейросетях, нет времени, 
дорогое обучение) и решение курса. 

Программа: 5 модулей с названиями и коротким описанием (каждый модуль — 3–4 урока). 
Преподаватель: фото, имя, опыт, ключевые достижения. 
Тарифы: 2 варианта (самостоятельный и с проверкой домашних заданий). 
Отзывы: 3 отзыва с фото и ссылкой на соцсети. 
FAQ: 5 вопросов. 
Футер: контакты, ссылки на соцсети, политика конфиденциальности. 
Визуальный стиль: футуристичный, с акцентами на неоновые оттенки (фиолетовый, голубой) 
и градиенты. 
Фон — темный. 
Используй иконки для выделения преимуществ. 
Тон текста — уверенный, вдохновляющий

Результат GPT-5.5

Вот тут GPT-5.5 провалился.

Вместо того чтобы сгенерировать код лендинга, он создал изображение лендинга в своём стандартном стиле. То есть на выходе получился не рабочий HTML/CSS, а визуальная картинка.

Оценивать код было нечего, потому что кода не было.

Здесь важно быть честным: в промпте я написал «Создай Landing Page», а не «Сгенерируй HTML/CSS-код». Поэтому формально промпт был менее однозначным, чем в первом тесте.

Но с практической точки зрения результат всё равно бесполезный: мне нужен был лендинг, который можно вставить, запустить и доработать, а не картинка.

Результат Qwen3.6-35B-A3B

Qwen задачу понял правильно.

Модель генерировала долго — примерно 5–10 минут. Но в итоге выдала код одной страницей, без разбивки на отдельные файлы, как в предыдущем тесте.

Я вставил код, запустил — и всё заработало.

Лендинг был полностью готов: тёмный фон, неоновые оттенки, футуристичный стиль, нужные блоки и даже приятная анимация.

Моя оценка

В этом тесте победил Qwen.

Да, он был намного медленнее. Но он понял задачу и выдал рабочий результат.

GPT-5.5 оказался быстрее, но ушёл вообще не в тот формат. В реальной работе это критично: если модель быстро выдаёт не то, что нужно, скорость уже не имеет значения.

Вывод по второму тесту

Этот тест хорошо показывает важную вещь: сильная облачная модель может быть быстрее и визуально сильнее, но если она неправильно интерпретирует задачу, результат становится бесполезным.

Qwen в этом случае оказался медленнее, но полезнее.

Тест 3. Тексты для подписки на Telegram-канал

Дальше я проверил модели на копирайтинге. Задача была простая и прикладная: написать три цепляющих текста для подписки на Telegram-канал о промптах.

Промпт

Ты — эксперт по копирайтингу и виральному маркетингу в Telegram. 
Твоя задача — создать 3 варианта цепляющего текста для подписки на Telegram-канал.
### Данные о канале:
- Тематика: [Промпты]
- Целевая аудитория: [Пользователи ИИ]
- Главная польза (УТП): [готовые решения]
- Tone of Voice: [Профессиональный]
### Задача:
Напиши 3 варианта поста (длина до 500 знаков) с высокой конверсией в подписку, 
используя структуру AIDA:
1. Крючок (заголовок/первое предложение).
2. Описание ценности (почему это нужно).
3. Призыв к действию (CTA).
### Ограничения:
- Используй эмодзи умеренно (1-3 на пост).
- Включи призыв подписаться (например, "Подписывайся...", "Жми...").
- Используй жирный шрифт для выделения ключевой пользы.
- Текст должен быть коротким, легким для чтения, разбитым на абзацы.
### Варианты, которые нужно создать:
1. "Болевой" (акцент на решении проблемы).
2. "Интригующий" (акцент на секретных знаниях).
3. "Прямой" (акцент на пользе и структуре контента).
Выведи варианты, отформатированные для Telegram-поста.

GPT-5.5 справился с задачей быстрее. А качество самих текстов лучше оценивать читателю.

Ответ GPT-5.5

1. Болевой

ИИ снова отвечает водой, а не результатом?

Проблема часто не в модели, а в промпте. В канале публикуем готовые решения для ИИ: промпты для текста, кода, изображений, анализа и рабочих задач.

Экономь время и получай результат быстрее.

Подписывайся на канал про промпты. ⚡

2. Интригующий

Большинство пользователей ИИ не используют даже половину его возможностей.

В канале разбираем промпты, которые помогают получать точные, полезные и применимые ответы без долгих экспериментов.

Готовые формулы, структуры и примеры — в одном месте.

Подписывайся, если хочешь использовать ИИ сильнее. 🔍

3. Прямой

Канал для тех, кто использует ИИ в работе и проектах.

Что внутри:
готовые промпты, шаблоны, разборы, идеи для контента, кода, изображений и автоматизации.

Без хаоса и случайных советов — только применимые решения.

Подписывайся и забирай готовые промпты. 🚀

Ответ Qwen3.6-35B-A3B

Вариант 1: «Болевой»

Тратите часы на настройку запросов к ИИ, а результат далёк от идеала? 🎯
Вы уже пробовали десятки шаблонов, но они не решают ваши конкретные задачи. Хватит экспериментировать. В канале готовые решения для любых задач с ИИ: от текстов до кода. Просто копируете, адаптируете и получаете точный результат сразу.
Подписывайтесь, чтобы экономить время и работать на результат. ⚡

Вариант 2: «Интригующий»

Большинство используют ИИ вслепую. Те, кто владеет точными формулировками, работают в разы быстрее. 🔍
Разница не в тарифе, а в архитектуре запроса. Мы систематизировали готовые решения, которые работают сразу для сложных кейсов. Каждый промпт настроен на предсказуемый результат и высокую точность.
Подписывайтесь, чтобы получить доступ к базе. 🤫

Вариант 3: «Прямой»

Нужны работающие промпты для ИИ без воды и теории? 📊
Здесь только готовые решения, которые работают сразу. Контент структурирован по категориям: маркетинг, разработка, аналитика и креатив. Каждый запрос сопровождается чёткой инструкцией по адаптации под ваши задачи.
Подписывайтесь и забирайте инструменты для быстрого результата. ⚡

Моя оценка

Обе модели выполнили базовые требования: дали три варианта, сохранили структуру, добавили призыв к подписке, использовали жирное выделение и умеренное количество эмодзи.

Но стиль разный.

GPT-5.5 написал спокойнее, чище и ближе к профессиональному Telegram-анонсу. Qwen дал более агрессивный маркетинговый тон: больше давления на боль, больше обещаний, больше формулировок вроде «работают сразу», «точный результат», «доступ к базе».

Здесь я не хочу объявлять абсолютного победителя. В копирайтинге многое зависит от аудитории, канала и того, какой стиль нужен владельцу проекта.

Если нужен аккуратный профессиональный тон — мне ближе вариант GPT-5.5.

Если нужен более прямой рекламный текст с сильным нажимом на боль — вариант Qwen тоже можно использовать.

Тест 4. Простые логические вопросы и задачи на внимательность

После генерации кода и копирайтинга я решил проверить модели на простых логических вопросах. Было три запроса.

Это не сложная математика и не олимпиадные задачи. Скорее проверка на внимательность: не тащит ли модель лишние условия, умеет ли отбросить шум и правильно прочитать формулировку.

Логический вопрос 1. Апельсины и один нож

Промпт

как поровну разделить четыре одинаковых апельсина между четырьмя детьми, 
если есть только один нож.

Ответ Qwen3.6-35B-A3B

Каждому ребёнку достаточно дать по одному целому апельсину.

В задаче нет условия, что апельсины нужно разрезать, а количество апельсинов (4) точно совпадает с количеством детей (4). Поэтому нож не требуется, и деление происходит без нарезки.

Если же подразумевается, что апельсины всё же нужно разрезать (например, для демонстрации работы с инструментом), то с одним ножом это можно сделать последовательно:

Но в классической трактовке этой задачи правильный ответ — каждому по одному целому апельсину, так как это наиболее простое и логичное решение, не требующее использования ножа.

Ответ GPT-5.5

Дать каждому ребёнку по одному целому апельсину.

Нож не нужен: апельсинов 4, детей 4, апельсины одинаковые — деление уже поровну.

Моя оценка

Обе модели ответили правильно.

Разница в стиле: GPT-5.5 ответил короче и сразу дал суть. Qwen тоже дал правильный ответ, но добавил альтернативное объяснение с нарезкой, хотя оно здесь не нужно.

Это не ошибка, но характерная особенность: локальная модель иногда старается быть «слишком полезной» и начинает расширять ответ там, где достаточно одного простого решения.

Логический вопрос 2. Обувь в коробке

Промпт

Я заказал обувь и мне пришел заказ, я открыл коробку и заметил, 
что в коробке лежит правый ботинок на левую ногу, а на правую ногу лежит левый ботинок. 
Что делать?

Ответ Qwen3.6-35B-A3B

Это классическая задача на внимательность (или шуточная головоломка). Вот два аспекта:

🔍 Если это реальная ситуация:
Обувь асимметрична: правый ботинок предназначен для правой ноги, левый — для левой. То, что вы описали, означает ошибку сборки или упаковки на складе. Просто поменяв их местами в коробке, вы не сможете их носить.
✅ Что делать:

🧩 Если это загадка:
Часто подразумевается ответ: «Поменяйте их местами в коробке» или «Верните товар». Но в реальности обувь нельзя «перевернуть» или «поменять местами», чтобы она стала правильной, поэтому на практике всегда остаётся только обращение к продавцу.

Если хотите, могу помочь составить сообщение в поддержку магазина или подсказать, как оформить возврат по правилам вашей площадки.

Ответ GPT-5.5

Сначала проверь формулировку: если в коробке один правый и один левый ботинок, то с заказом всё нормально. Просто надень левый ботинок на левую ногу, правый — на правую.

Если же реально пришли два одинаковых ботинка — например два левых или два правых — тогда фотографируй коробку, пару, маркировку размера/артикула и оформляй возврат или обмен у продавца.

Моя оценка

Здесь GPT-5.5 ответил лучше.

Вопрос построен как ловушка на формулировку. По сути в коробке лежит обычная пара: левый ботинок и правый ботинок. Проблема описана запутанно, но её может и не быть.

GPT-5.5 это заметил и сначала предложил проверить саму формулировку. Qwen же слишком быстро ушёл в сценарий возврата и обмена, то есть воспринял ситуацию как реальную проблему с товаром.

Это показательный момент: Qwen дал полезный бытовой ответ, но хуже справился именно с логической ловушкой.

Логический вопрос 3. Орёл и Мария Ивановна

Промпт

Размах крыла орла 3 метра, вопрос - как звали отца Марии Ивановны?

Ответ Qwen3.6-35B-A3B

Это классическая задача на внимательность. Первая фраза про орла — просто отвлекающий манёвр, к вопросу она не имеет никакого отношения.

Что касается самого вопроса: в русской традиции отчество образуется от имени отца. Отчество «Ивановна» буквально означает «дочь Ивана».

Значит, отца Марии Ивановны звали Иван. 🦅➡️📦 (про орла можно забыть)

Ответ GPT-5.5

Отца Марии Ивановны звали Иван.

Размах крыла орла здесь лишняя информация.

Моя оценка

Обе модели ответили правильно.

GPT-5.5 снова сделал это короче. Qwen тоже правильно отбросил лишнюю информацию и объяснил логику через отчество.

В этом вопросе разницы по качеству почти нет. Отличие только в стиле ответа.

Сводная таблица по тестам

Что стало понятно после тестов

1. Локальная модель уже пригодна для реальной работы

Qwen3.6-35B-A3B нельзя назвать игрушкой. Она способна писать код, собирать лендинги, генерировать тексты и отвечать на логические вопросы.

Да, она медленнее. Да, результат иногда требует больше контроля. Но это уже рабочий инструмент, особенно если важны локальный запуск, приватность и независимость от облачных сервисов.

2. GPT-5.5 чаще даёт более быстрый и аккуратный результат

В большинстве тестов GPT-5.5 был быстрее. Особенно это заметно в задачах, где нужен короткий, чистый и хорошо структурированный ответ.

В первом лендинге GPT-5.5 дал более приятный визуальный результат. В логических вопросах чаще отвечал короче и точнее. В копирайтинге его стиль оказался спокойнее и профессиональнее.

3. Но GPT-5.5 тоже может неправильно понять задачу

Самый интересный момент был во втором тесте с лендингом курса.

GPT-5.5 не выдал код, а ушёл в генерацию изображения лендинга. Для моей задачи это был полный промах: красивый визуал вместо рабочего результата.

Этот пример важен, потому что показывает: даже сильная облачная модель может ошибиться на этапе интерпретации намерения.

4. Qwen иногда многословен и перестраховывается

В логических вопросах Qwen часто даёт не только ответ, но и дополнительные сценарии. Иногда это полезно, но в задачах на внимательность может мешать.

Например, в вопросе про апельсины он ответил правильно, но дополнительно начал объяснять вариант с нарезкой. В вопросе про обувь ушёл в возврат товара, хотя сначала нужно было проверить саму формулировку.

5. Локальный запуск — это не только свобода, но и цена

Локальная модель даёт контроль и приватность. Данные не уходят в облако, модель работает на своей машине, её можно использовать автономно.

Но за это приходится платить железом и временем.

В моём случае после загрузки модели было занято около 36 ГБ оперативной памяти, а видеопамять RTX 4070 Ti была загружена примерно наполовину. Генерация сложного лендинга заняла 5–10 минут.

Для кого-то это нормально. Для кого-то — слишком медленно и неудобно.

Итоговый вывод

После этих тестов у меня не сложилось впечатление, что локальная Qwen3.6-35B-A3B «заменяет GPT-5.5». Это было бы слишком громким и слабым выводом.

Но и сказать, что локальные модели бесполезны, тоже нельзя.

Правильнее так:

Qwen3.6-35B-A3B в локальном запуске уже можно использовать как рабочий инструмент для кода, текстов и черновых задач. Но GPT-5.5 всё ещё заметно сильнее по скорости, лаконичности, качеству первого результата и устойчивости в большинстве прикладных сценариев.

При этом локальная модель имеет своё сильное преимущество: она работает на твоём железе. Это важно для приватных задач, экспериментов, автономности и ситуаций, где не хочется отправлять данные во внешний сервис.

Для меня главный вывод такой: локальные модели уже не выглядят как техническая забава для энтузиастов. Они становятся практичным инструментом. Но если нужен быстрый, аккуратный и максимально качественный результат с первого раза, GPT-5.5 пока всё ещё впереди.