Пользователь Reddit замерил два open-source кодинг-агента на своём бенчмарке: Qwen3.6-35B набрала 95%, а GPT-OSS-120B — 53%. Модель в 4 раза меньше по параметрам вырвалась вперёд. Главное: • 95% pass@1 у Qwen3.6-35B • 53% pass@1 у GPT-OSS-120B • 19 задач: 7 лёгких, 6 средних, 6 сложных Оговорка: автор признаёт, что бенчмарк настраивался под Qwen3.6-35B — это систематическая погрешность. Выборка в 19 задач мала, а название 120B-модели не раскрыто — результат нельзя экстраполировать. Что это значит: размер нейросети не гарантирует результат. Если выбираете агента под свои задачи — собирайте свой бенчмарк, а не опирайтесь на общие рейтинги.