OpenAI o3 vs Qwen 2026: reasoning против open-weight

OpenAI o3 — это отдельная reasoning-линия внутри экосистемы ChatGPT. Доступ через chatgpt.com и platform.openai.com, никакого скачивания весов. Линейка из четырёх моделей: o3 (флагман, 16 апреля 2025), o3-mini (31 января 2025), o3-pro (10 июня 2025), o4-mini (16 апреля 2025). Архитектура — «reflective generative pre-trained transformer» с reinforcement learning поверх chain-of-thought рассуждений.

Qwen — это семейство open-weight моделей от Alibaba Cloud, доступное через Hugging Face, DashScope API, chat.qwen.ai и сторонних провайдеров inference. На 2026-05-12 активна линейка от Qwen 1 (сентябрь 2023, после регулятивного одобрения в Китае) до Qwen 3.6. Внутри семейства — dense-модели (0.6B–32B), MoE-варианты, специализации Qwen-Coder, Qwen-VL (vision + видео), Qwen-Audio, и отдельная reasoning-модель QwQ-32B-Preview под Apache 2.0.

Из таблицы видна асимметрия выбора: между o3 и Qwen чаще решают не «который умнее», а «нужен ли мне готовый продукт с rec-level reasoning» против «нужна ли мне свобода развернуть модель в своём контуре с коммерческой лицензией».

Reasoning — главное назначение o3. Wikipedia описывает модель как «reflective generative pre-trained transformer» с reinforcement learning на chain-of-thought. По публичным бенчмаркам OpenAI: GPQA Diamond 87.7% (PhD-уровень научных вопросов), Codeforces Elo 2727 (competitive programming), SWE-bench Verified 71.7%, AIME 2024 — 87.3% на o3-mini high effort, ARC-AGI — «three times the accuracy of o1». Это рекорды среди публично доступных reasoning-моделей на момент 2026-05-12.

У Qwen свой ответ на reasoning-парадигму: QwQ-32B-Preview — open-source reasoning-модель под Apache 2.0, выпущенная в составе Qwen 2. В Qwen 3 (апрель 2025) появились режимы thinking и non-thinking, переключаемые на ходу: модель умеет «думать» перед ответом или отвечать быстро. Это близкая по идее парадигма, но публичных бенчмарков класса GPQA Diamond или Codeforces Elo для QwQ / Qwen 3 thinking на уровне frontier «o3 vs QwQ» в досье не зафиксировано. Известно лишь, что Qwen 3 на момент релиза был конкурентом Llama 3.1, DeepSeek-V3, Claude 3.5 Sonnet «в ряде задач».

Практическая разница на нашем уровне понимания: o3 — это измеренный reasoning-лидер с публикациями. QwQ и Qwen 3 thinking — это работающий reasoning с открытыми весами, который можно развернуть и проверить самому, но без удобной сводки «вот наши 87.7% GPQA». Для задач, где нужно показать заказчику «вот reasoning-модель с публичным GPQA-результатом» — o3 безальтернативен. Для задач, где важна свобода тонкой настройки reasoning-цепочек под свой домен — QwQ-32B под Apache 2.0 даёт стартовую точку, которую не даёт ни одна закрытая reasoning-модель.

Цена reasoning тоже разная по природе. o3 в high effort режиме «съедает» 5–20x токенов (включая невидимые thinking tokens, которые оплачиваются как output) — в досье прямо указано, что стоимость inference может «взрываться» на сложных задачах. У QwQ при self-host «лишние» токены упираются только в стоимость своих GPU. Один длинный reasoning-запрос на o3-pro может стоить десятки центов; та же задача через QwQ на собственном кластере — амортизированные центы в час, не за запрос.

OpenAI o3 в досье зафиксирован с SWE-bench Verified 71.7% и Codeforces Elo 2727 — это реальные GitHub-задачи и competitive programming соответственно. Для сравнения, в досье отмечено, что Claude Sonnet 4.6 показывает 79.6% SWE-bench Verified, то есть o3 — сильный, но не абсолютный лидер по этому конкретному бенчмарку. Зато Codeforces 2727 — рекорд среди публично доступных reasoning-моделей.

У Qwen своя сильная карта в кодинге — Qwen-Coder, отдельная специализированная линейка под Apache 2.0 на ряд моделей. В досье прямо сказано: «один из лучших open-source code-моделей наряду с DeepSeek-Coder и Mistral Codestral». Конкретных сопоставительных цифр SWE-bench для Qwen-Coder vs o3 в досье не зафиксировано — это data gap. Но по типу применения это разные ниши: o3 — для сложных GitHub-issue с reasoning (большие refactoring, нетривиальные баги, где нужно «понять архитектуру»), Qwen-Coder — для массового code-completion и встраивания в IDE через свой inference-стек.

Agentic coding — отдельный разговор. У o3 есть tool use, function calling, code interpreter (через ChatGPT) и 60+ коннекторов ChatGPT Business/Enterprise, включая GitHub. Для разработчика, который хочет «дать модели задачу и получить готовый PR», o3 в связке с ChatGPT Agent Mode или через API с frameworks типа AutoGen — рабочее решение. У Qwen tool use / function calling есть через API, но «autonomous agent» — это надстройка (нужны сторонние агентские frameworks: AutoGPT, LangGraph, кастомные пайплайны). Из коробки agent-experience у Qwen нет.

Экономика на больших объёмах склоняет в пользу Qwen. Если разработчик пропускает через модель миллионы токенов в неделю (CI с автоматическим code review, генерация комментариев по всем PR), o3 по ориентиру $10/$40 за 1M токенов даёт счёт, при котором подписка ChatGPT Pro $200/мес выглядит дёшево. Qwen-Coder под Apache 2.0 на своём кластере или через Together / Fireworks — на порядок дешевле, иногда два порядка. Но «дёшево» не равно «лучше»: на сложных задачах с reasoning-цепочкой 71.7% SWE-bench у o3 продолжает играть роль аргумента.

В досье обоих сервисов длинный контекст — data gap. У o3: «публично детально не задокументирован в Wikipedia статье; через ChatGPT — лимиты тарифа (128K для Plus/Pro в ChatGPT); через API — точные цифры публикуются на platform.openai.com (доступ через WebFetch вернул 403)». У Qwen: «для Qwen2.5/3 — 32K стандартно, варианты с extended context до 128K и более. Точные цифры для каждого варианта Qwen 3 / 3.5 / 3.6 публично не консолидированы в одном источнике».

Что это значит для покупателя: ни один из этих двух сервисов не выступает лидером категории по длинному контексту. В досье OpenAI прямо упоминается, что Claude Opus 4.7 и Sonnet 4.6 на 1M токенов с MRCR v2 78.3% — это рекорд среди frontier-моделей; Gemini 3 Pro штатно 1M; Llama 4 Scout заявлен на 10M. На фоне этих чисел и o3 (128K в consumer-сценарии), и Qwen (32K stock) — это инструменты для документов «среднего размера»: до сотни страниц, не до двухсот.

Практически: 200-страничный договор (около 200K токенов) — это уже за пределами штатного 128K у o3 в ChatGPT и за пределами 32K stock у Qwen. Юристу с такой задачей придётся либо резать документ, либо взять модель из соседней лиги (Claude, Gemini). Если же документ укладывается в 128K — у o3 преимущество за счёт reasoning: он может не просто «прочитать», но и «найти противоречия» с пошаговым рассуждением. У Qwen на 32K в типичной конфигурации это будет ограниченным разговором, хотя extended context-варианты Qwen 3 (через API или self-host) могут сильно подвинуть планку — но без публичных бенчмарков MRCR / Needle-in-Haystack ни мы, ни читатель не можем сказать «работает или нет на 100K».

У o3 мультимодальность узкая, но рабочая: текст + vision (изображения на вход) у o3-флагмана. У o3-mini — текст-only. У o4-mini — «текст-only (vision поддержка появилась позднее, состояние на 2026-05 требует уточнения)». Vision-применение типичное: разбор графика, скриншота кода, математической диаграммы — то есть статичные картинки в режиме «прочитай и порассуждай». Генерации картинок, видео или голосового режима у o-серии нет; для этого OpenAI использует DALL-E, Sora 2, Voice Mode внутри ChatGPT Plus/Pro — это отдельные модели, не o3.

У Qwen мультимодальность шире на входе: vision (Qwen-VL 2/2.5/3), audio (Qwen-Audio), и — что особенно: видео-анализ длительностью больше 20 минут в Qwen 2.5-VL и Qwen 3-VL. В досье это зафиксировано как «уникальная multimodal-фича в open-weight нише». То есть для задачи «разобрать запись 25-минутной встречи в видеоформате» у Qwen есть рабочий ответ, у o3 — нет. С другой стороны, у Qwen нет голосового режима и нет генерации картинок: Wan video и другие генеративные продукты — это отдельные продукты Alibaba, не часть «Qwen-семейства» по досье.

Если читатель ищет «один сервис под всё мультимодальное» — ни один из этих двух не закрывает картину целиком. У o3 — vision-only вход. У Qwen — vision + audio + video на вход, но без голосового режима наружу. По профилю «универсальный мультимодальный ассистент» оба уступают связке ChatGPT (DALL-E + Sora + Voice + vision) или Gemini (Imagen + Veo + audio). Реальная сила o3 — в reasoning поверх картинки (например, разбор сложной диаграммы с пошаговым объяснением). Реальная сила Qwen — в анализе длинных мультимодальных входов (видео-стримы, аудио-логи) на своих GPU без отправки контента в чужой облак.

В досье обоих сервисов качество русского зафиксировано одной и той же оценкой 7/10 — но по разным причинам. У o3: «наследует уровень GPT-4 в base language ability; для reasoning-задач на русском работает прилично, но русский — не приоритет в RL-обучении OpenAI. Data gap: официальные бенчмарки русского у o3/o4-mini». У Qwen: «Qwen3 заявляет 119 языков, и русский — среди приоритетных. На нашем опыте качество выше Llama / Mistral / DeepSeek на русском, но ниже YandexGPT / GigaChat (где русский — нативный язык обучения). Data gap: официальные бенчмарки русского от Alibaba».

Что означает 7/10 на практике. У o3 русский — это «GPT-4 с reasoning-надстройкой»: грамотный, синтаксически корректный, но иногда узнаваемо «английский русский» — кальки оборотов, странные предложные конструкции, изредка чужеродный порядок слов. Reasoning-цепочка на русском у o3 часто переключается на английский внутри (модель думает на английском, выдаёт на русском) — это видно по тому, что некоторые termini вылетают на английском, потом переводятся обратно. У Qwen русский — один из 119 языков 36-трлн-токенового pretraining-корпуса. На обычных вопросах качество приличное; на узко-специализированной российской фактуре (юр-термины, географические названия, культурный контекст) — заметно уступает YandexGPT/GigaChat. На нашем опыте Qwen чаще, чем o3, делает «китайские» ошибки в русском — необычные знаки препинания, странные передачи кавычек, англо-кальки через китайские формулировки.

Кому критичен русский. Российскому юристу или маркетологу для production-текстов — ни o3, ни Qwen не первые в очереди: YandexGPT и GigaChat нативно сильнее. Где оба могут работать: технический английско-русский перевод, бизнес-переписка, internal-документы, где «акцентом можно пренебречь». Где у o3 преимущество — reasoning-задачи на русском (анализ данных, разбор контракта, математика) — здесь reasoning важнее стилистики. Где у Qwen преимущество — мультиязычные сценарии (русский + китайский + английский в одном пайплайне), где Qwen за счёт 119 языков покрывает редкие комбинации, недоступные o3.

Здесь раскол максимальный. У o3 self-host нет вообще: модель закрытая, единственный способ доступа — ChatGPT (SaaS) или OpenAI API. В досье прямо сказано: «нельзя self-host (закрытая модель); единственная альтернатива — open-source reasoning-модели типа DeepSeek-R1 (MIT-лицензия, можно self-host'ить)». Для банков, страховых, медицины с требованием «данные внутри контура» o3 — нерабочий выбор.

У Qwen self-host — центральная часть продукта. Open-weights на Hugging Face, более 200 000 вариаций моделей и fine-tunes в экосистеме, одна модель (Qwen3-VL-2B) — более 18 миллионов скачиваний. Frameworks: vLLM (production-grade), llama.cpp (для quantized), Ollama (one-click local), Hugging Face Transformers. Из этого набора банк может собрать deployment: dense 32B на четыре A100, или MoE-вариант с активацией части параметров для экономии, или quantized 14B на одну консьюмер-GPU.

Цена per-model license complexity. В досье Qwen зафиксировано: «не все Qwen-модели под Apache 2.0. Per-model license map для всех актуальных Qwen 3 / 3.5 / 3.6 — data gap». На практике это означает: перед коммерческим деплоем нужно вручную проверить лицензию на конкретную версию (Apache 2.0 / Qwen License / research-only). Для крупных enterprise это лишний шаг compliance-аудита, но он окупается возможностью развернуть модель внутри периметра.

У o3 API — это OpenAI Platform (platform.openai.com), OpenAI-compatible SDK, поддержка function calling, structured outputs, tool use, vision (для o3). Ориентировочные цены из досье: «o3 — примерно $10 input / $40 output за 1M токенов (по публикациям 2025); o4-mini — существенно дешевле; o3-pro — премиум-цена. Data Gap: точные актуальные API-цены на 2026-05-12 (platform.openai.com вернул 403 при WebFetch)». Effort levels (low / medium / high) — настройка глубины «думания» через API.

У Qwen API — это DashScope (Alibaba Cloud), есть OpenAI-compatible endpoint, плюс сторонние провайдеры managed inference: Together AI, Fireworks, Hugging Face Inference Endpoints, частично AWS Bedrock через Alibaba partnership. В досье: «Платёж: через китайскую инфраструктуру Alibaba (для китайских пользователей — рубли/юани/USD; для международных — USD через Alibaba Cloud International). Data Gap: актуальные точные цены за 1M токенов на 2026-05-12».

Сравнить «по чистой цифре цены» из досье нельзя — у обоих data gap. Что зафиксировано точно: прозрачность pricing у o3 выше (есть публичная цена на openai.com/api/pricing, даже если WebFetch её сейчас не достал), а у Qwen — «DashScope console для международных пользователей менее доступна, чем OpenAI / Anthropic pricing pages» (досье §12). С другой стороны, у Qwen есть опция self-host вообще без API-биллов: при больших объёмах амортизированная цена за токен через свой кластер на vLLM может быть на порядки ниже любого managed inference.

У o3 — следующая структура (из досье §3 + §3 chatgpt.md): ChatGPT Plus $20/мес ($240/год) — доступ к o3 и o4-mini с лимитами, плюс GPT-5.4 Thinking, базовый Deep Research, Sora, Codex, Agent Mode; o3-pro и unlimited usage не входят. ChatGPT Pro $200/мес ($2400/год) — o3-pro доступен здесь, 20x usage relative to Plus, 250 Deep Research runs/мес, unlimited GPT-5.4 Thinking. ChatGPT Free $0 — GPT-5.3 Instant с лимитами; o-series обычно недоступна на Free, или с очень малыми лимитами (data gap по точным лимитам). Business $25/seat/мес. API pay-as-you-go — отдельно.

У Qwen структура принципиально другая. Self-host (open weights) — $0 за веса; оплачивается только своё железо и инженерное время. chat.qwen.ai — $0 в consumer-чате с мягкими лимитами «для типичного использования». DashScope API — pay-as-you-go (точные цены — data gap). Alibaba Cloud Enterprise — custom. Сторонние managed (Together, Fireworks, HF Endpoints) — pay-as-you-go.

Концептуально: у o3 предельный годовой счёт частного пользователя — $2400 (ChatGPT Pro), плюс API сверху. У Qwen для частного пользователя — $0 через chat.qwen.ai с мягкими лимитами. Разрыв десятикратный, но он отражает разные продукты: $2400 у o3 покрывают consumer-grade reasoning-флагман с unlimited GPT-5.4 Thinking, Deep Research, Sora, Voice, Agent Mode и набором коннекторов; $0 у Qwen покрывают chat-доступ к open-weight моделям без всего вышеперечисленного.

У o3 free-история сложная. В досье §3.4: «ChatGPT Free — $0; GPT-5.3 Instant с лимитами; o-series — обычно недоступна на Free, или с очень малыми лимитами. Data Gap: точные лимиты o-series для Free-пользователей». То есть бесплатно потрогать o3 можно эпизодически (если повезёт с лимитами), но систематически работать с o3 бесплатно — нельзя. Reasoning-модели у OpenAI принципиально позиционируются как premium-функция Plus/Pro.

У Qwen — обратная картина. chat.qwen.ai открыт прямо из РФ без VPN, $0 в чате с мягкими лимитами «для типичного использования». Open weights на HF скачиваются бесплатно навсегда. На сторонних провайдерах (Together, Fireworks, HF Endpoints) есть free-tier / trial для пробного inference. То есть Qwen-семейство — один из самых free-friendly сервисов в категории text-ai наряду с DeepSeek-чатом.

Что это значит для российского читателя без VPN и без зарубежной карты: o3 фактически недоступен (см. подтему «Доступность из России»), а Qwen — открыт прямо в браузере. Бесплатно. С русскоязычным интерфейсом (досье §7 Qwen). Для студента, который хочет «попробовать reasoning-парадигму», практический путь сегодня — chat.qwen.ai с переключением в thinking-режим Qwen 3, а не «найти способ дотянуться до o3 через посредника».

У o3 ситуация в досье §7 предельно ясна: «Прямой доступ без VPN: нет (наследует блокировку OpenAI по IP). Оплата российскими картами: нет; используются серые схемы (зарубежные карты, посредники). Обходные способы: VPN + зарубежная карта; OpenAI API через посредников типа ProxyAPI; iTunes-карты для ChatGPT мобильной подписки». То есть для российского пользователя o3 — двухстажный квест: 1) технически дотянуться до сервиса; 2) технически оплатить.

У Qwen асимметрично: «chat.qwen.ai — открывается напрямую из РФ (китайский сервис, не блокирован). DashScope API — может требовать китайского IP для регистрации; international endpoint через Alibaba Cloud International обычно доступен» (досье §7). По оплате: «на Alibaba Cloud International — USD-биллинг, требует зарубежной карты; для китайской версии DashScope — UnionPay / Alipay». То есть consumer-доступ через chat.qwen.ai — работает без подготовки, без VPN, без карты; API-доступ — требует международной карты, как у любого зарубежного сервиса.

Локализация под РФ — паритет: у обоих русский интерфейс есть, поддержка только на английском (у Qwen — английский / китайский). Статус по 152-ФЗ — у обоих не соответствует: o3 на серверах OpenAI за пределами РФ; Qwen в SaaS-режиме под китайской юрисдикцией. Но Qwen имеет асимметричное преимущество self-host: «формально совместимо с аттестацией ФСТЭК» при разворачивании в РФ-периметре. У o3 этой опции нет.

У o3 ответ из досье §8 предсказуемый и сильный: «Политика использования данных для обучения: наследует OpenAI policy — Business / Enterprise / Edu данные не используются по умолчанию; Plus / Pro — могут (с opt-out для API-пользователей). Хранение чатов: в аккаунте ChatGPT. Сертификации: SOC 2 Type 2, GDPR-compliant, CCPA-compliant (наследует OpenAI). Шифрование: TLS 1.2 in transit, AES-256 at rest. Корпоративный режим: через ChatGPT Enterprise / API Business».

У Qwen ситуация сложнее: «Сертификации: Alibaba Cloud — широкий набор сертификатов (ISO 27001, SOC 2, PCI DSS — для cloud-инфры); специально для Qwen на 2026-05-12 — публичной сводки не нашли. Data Gap: точные compliance-сертификаты именно для Qwen-сервисов» (досье §8). Плюс §12: «Китайская юрисдикция — для западных enterprise и российских регулируемых отраслей — блокер в SaaS-режиме». То есть Alibaba Cloud-инфраструктура сертифицирована, но отдельной публичной compliance-сводки для Qwen на момент дossier нет.

Что это значит. Для западного enterprise и для российских non-регулируемых отраслей — o3 проходит compliance-аудит легче: явная привязка к OpenAI SOC 2 Type 2 и GDPR, понятный no-training-on-data режим в Enterprise. Для Qwen в SaaS — придётся отдельно запрашивать compliance-документы через Alibaba Cloud sales и проверять, относятся ли они именно к Qwen или только к общей cloud-инфре. Альтернативный путь у Qwen — self-host: при развёртывании внутри своего контура compliance ложится на ваш ИБ-периметр, и юрисдикция Alibaba становится неактуальной.

У o3 интеграции — это экосистема ChatGPT. Из досье §5: «все 60+ коннекторов ChatGPT Business/Enterprise работают с o-series (Slack, Google Drive, GitHub и т.д.)». То есть пользователь Business или Enterprise получает o3 «внутри» Slack-канала, Google Workspace, GitHub PR-review, Microsoft Teams — без отдельной интеграционной работы.

У Qwen интеграции работают по обратному принципу: модель открытая, интегрировать её можно через широкий набор фреймворков (vLLM, llama.cpp, Ollama, HF Transformers), плюс managed inference через Together AI, Fireworks AI, HF Inference Endpoints, частично AWS Bedrock через Alibaba partnership. Готовых «коннекторов в Slack» нет — это собирается через свои pipelines или через сторонние Slack-bots, вызывающие inference. Из родного — интеграция с экосистемой Alibaba: DingTalk (корпоративный мессенджер), Taobao, Tmall (для e-commerce AI-задач), и chat.qwen.ai как consumer-точка.

Кому что подходит. Для команды на Slack + Google Workspace + GitHub — o3 в составе ChatGPT Business почти plug-and-play. Для команды, которая строит свой AI-стек на собственных GPU или managed inference и интегрирует модель в свой продукт через API — Qwen с open weights даёт больше свободы (выбор фреймворка под нагрузку, контроль квантизации, fine-tuning под домен).

Уникальные карты o3 (досье §11):

• GPQA Diamond 87.7%, Codeforces Elo 2727, SWE-bench Verified 71.7% — лучшие публичные reasoning-бенчмарки на 2026-05-12.
• «Tripled» accuracy на ARC-AGI — рекорд на бенчмарке, ранее считавшемся непосильным для LLM (с оговоркой про споры о fine-tuning, см. досье §9).
• Vision в o3-флагмане — единственная reasoning-модель OpenAI с нативным vision (Claude Opus 4.7 thinking тоже имеет vision; DeepSeek R1 / Grok Think — пока ограничены текстом).
• Tunable effort levels (low / medium / high) — баланс скорость vs качество одним параметром.
• Доступность за $20/мес через ChatGPT Plus — ни одна другая frontier reasoning-модель такого порога входа не имеет.

Уникальные карты Qwen (досье §11):

• 119 языков в Qwen 3 — самое широкое языковое покрытие среди open-weight.
• Apache 2.0 на ряд моделей включая QwQ-32B reasoning — критическое преимущество для коммерческих open-source разработчиков.
• 18M+ скачиваний Qwen3-VL-2B на Hugging Face — рекорд популярности vision-варианта.
• 200 000+ fine-tunes и производных моделей на HF — обширная экосистема наряду с Llama.
• Qwen-VL с видео >20 минут — уникальная multimodal-фича в open-weight нише.
• Qwen-Coder — один из лидеров open-source coding наряду с DeepSeek-Coder и Mistral Codestral.
• Alibaba Token Hub (март 2026) — новый AI-business unit Alibaba, обещает ускорение релизов.

Эксклюзивности сервисов не пересекаются: o3 — публично замеренный reasoning под premium SaaS; Qwen — открытый доступ, мультиязычность и видео-анализ на вход. В одном AI-стэке оба могут работать как разные инструменты под разные задачи редактору или ML-инженеру.

Кейс 1. PhD-уровень научного вопроса с верификацией. Аспирант проверяет работу гипотезы по статье из Nature, нужно пошагово разобрать корректность вывода. У o3 — 87.7% GPQA Diamond. У Qwen QwQ публичной цифры на GPQA в досье нет. На защите диссертации можно ссылаться на reasoning, который имеет публичную верификацию.

Кейс 2. Competitive programming на Codeforces-уровне. Решение задачи div1-medium в одиночку: 2727 Elo у o3, 2130 у o3-mini high effort — это уровень grandmaster и international master соответственно. У Qwen-Coder сильная репутация в open-source, но сопоставимой цифры Codeforces Elo в досье нет.

Кейс 3. SWE-bench-сложная GitHub-задача с архитектурным размышлением. Refactoring модуля авторизации на 2000 строк под новый framework: 71.7% SWE-bench Verified у o3 high effort — это рабочий уровень для большой части реальных issue, требующих понимания контекста многих файлов.

Кейс 4. Reasoning поверх vision (скриншот графика + математический анализ). Учёный загружает скриншот эксперимента и хочет пошагового разбора. У o3 vision + reasoning в одной модели; у Qwen-VL vision есть, но reasoning-цепочка через QwQ — это отдельный шаг.

Кейс 5. Финансовая reasoning-цепочка с многоэтапными расчётами. Аналитик хочет «посчитать NPV по сценарию с 12 ветвлениями». Reasoning-модели OpenAI рекомендованы для финансовых компаний на сложных расчётах (досье §9).

Кейс 6. Pre-publication review научной статьи с математикой. Учёный готовит препринт в arXiv и хочет проверить пошаговый математический вывод с подсчётом возможных ошибок в выкладках. 87.7% GPQA Diamond у o3 — это публично замеренный уровень PhD-задач, а Effort level high даёт самую глубокую цепочку рассуждений. Через ChatGPT Pro $200/мес такие тяжёлые вызовы не ограничены лимитами Plus; через API можно регулировать effort на уровне отдельного запроса. Сценарий, где verifiability результата (87.3% AIME 2024) важнее цены за токен.

Дополнительный контекст по бенчмаркам и истории сравнения reasoning-моделей в категории доступен в общем обзоре text-ai 2026; досье OpenAI o3 содержит подробную разбивку Wikipedia-данных по каждой версии o-серии (o3, o3-mini, o3-pro, o4-mini) и effort levels с публичной хронологией релизов.

Кейс 1. Self-host в банковском периметре под Apache 2.0. Банк запрещает выход данных за периметр. Qwen — open weights с Apache 2.0 на ряд моделей (включая QwQ-32B reasoning). o3 в этом сценарии исключён полностью — закрытая модель.

Кейс 2. Видео-анализ записи Zoom-конференции на 25 минут. Маркетолог хочет «дайте summary по этому видео». Qwen-VL поддерживает video understanding >20 минут (досье §2 + §4). У o3 video на вход нет — только статичные картинки.

Кейс 3. Multilingual pipeline русский + китайский + редкий язык. Локализационное агентство переводит технический контент на русский, китайский и, скажем, тайский в одном пайплайне. У Qwen 3 — 119 языков, китайский — нативный язык обучения. У o3 — 95+ языков через GPT-4 baseline без приоритета на азиатские.

Кейс 4. Российский разработчик без VPN и без зарубежной карты. chat.qwen.ai открывается из РФ напрямую, бесплатно. o3 в этом сценарии практически недоступен (двухстажный квест VPN + зарубежная карта).

Кейс 5. Fine-tune reasoning-модели под свой домен. Стартап хочет дообучить QwQ-32B на своём корпусе медицинских кейсов. Apache 2.0 даёт право, на HF — 200 000+ вариаций и fine-tunes как пример экосистемы. У o3 fine-tune на reasoning-модель в open-доступе невозможен.

Кейс 6. Edge inference на мобильном устройстве через quantized Qwen. ML-инженер собирает offline-ассистент для индустриального планшета на удалённой площадке: интернета нет или он эпизодический, всё должно работать локально. Qwen 0.6B / 1.5B в quantized-формате через llama.cpp или Ollama запускается на CPU или мобильной GPU; модель целиком живёт на устройстве. У o3 такой сценарий структурно невозможен — модель доступна только через облачный API, без weights наружу не выходит.

Кейс 7. Корпоративный мультиязычный ассистент поверх экосистемы Alibaba. Российский e-commerce-продавец на Taobao или Tmall хочет собрать ассистента, который параллельно отвечает покупателям на китайском, английском и русском с пониманием контекста маркетплейса. Qwen 3 на 119 языках в связке с DingTalk / Taobao / Tmall интеграциями (досье §5) закрывает это «в одной коробке» — у o3 родных интеграций с китайскими экосистемами нет.

Для общей картины «куда вписывается open-weight семейство Alibaba» в категорию text-ai смотрите каталог text-ai; досье Qwen раскрывает экосистему Qwen-VL, Qwen-Audio, Qwen-Coder и QwQ-32B с указанием публичных лицензий на каждую линейку. Сравнительный контекст всей категории — в общем обзоре text-ai 2026, а смежное досье OpenAI o3 — для прямого сопоставления карт reasoning vs open-weight.

1. Аспирант на сложной reasoning-теме. Защита диссертации через полгода, нужно перепроверить математические выводы в публикациях. Берёт o3 через ChatGPT Plus $20/мес — 87.7% GPQA Diamond и публичная верификация reasoning-цепочки.

2. ML-инженер в стартапе, строящий продукт на open weights. Нужна reasoning-модель под Apache 2.0, дообучаемая на корпусе домена. Берёт Qwen — QwQ-32B на своих GPU через vLLM, fine-tune под медицинский / юридический / финансовый домен.

3. Локализационный менеджер с многоязычными пайплайнами. Русский + китайский + редкие азиатские языки в одном проекте. Берёт Qwen — 119 языков в Qwen 3, китайский нативный.

4. Финансовый аналитик в инвестбанке. Многошаговые reasoning-расчёты (NPV с десятью сценариями, deal modeling). Берёт o3 через ChatGPT Pro $200/мес — o3-pro с unlimited reasoning и явная SOC 2 Type 2 / GDPR / no-training для аудита.

5. Российский студент без VPN и без карты. Хочет попробовать reasoning-парадигму. Берёт Qwen — chat.qwen.ai открывается напрямую, $0 навсегда, переключение в thinking-режим Qwen 3.

Лёгкий профиль: 5–10 reasoning-запросов в день, эпизодически.

• o3: ChatGPT Plus $20/мес = $240/год. С лимитами на o3, но для эпизодического использования хватает.
• Qwen: chat.qwen.ai $0/год. Мягкие лимиты «для типичного использования» — лёгкий профиль укладывается.

Средний профиль: 30–50 reasoning-запросов в день + работа с документами + vision.

• o3: ChatGPT Plus $20/мес может упереться в лимиты. ChatGPT Pro $200/мес = $2400/год, но даёт o3-pro и unlimited GPT-5.4 Thinking + Deep Research. Альтернатива — Plus + API на сложные задачи: $240 + ~$10–$50/мес API = $360–$840/год.
• Qwen: chat.qwen.ai $0 + DashScope API на тяжёлые задачи (точные цены — data gap, ориентировочно дешевле o3). Через Together AI / Fireworks — pay-as-you-go. Реалистично $0–$200/год.

Тяжёлый профиль: 1M+ токенов в день через API, production-pipeline.

• o3: API ~$10 input / $40 output за 1M токенов. При 30M токенов в месяц с типичным input/output mix — порядок $300–$1500/мес = $3600–$18000/год только за один компонент стека. Reasoning-tokens (невидимые) добавляют ещё 5–20x на сложных задачах.
• Qwen: self-host на собственных GPU — амортизированная цена на порядки ниже. При 30M токенов в месяц через managed (Together / Fireworks) ориентировочно дешевле o3 в разы. Реалистично $300–$3000/год в зависимости от выбора провайдера и квантизации.