Qwen против DeepSeek: битва за реальные задачи

Война нейросетей на рынке и методология тестирования

На рынке текстовых нейросетей сейчас настоящая война. Qwen от Alibaba — модель, которую хвалят за многоязычность и математику. DeepSeek — тот самый китайский выскочка, который прославился гигантским контекстом и ценами, от которых конкуренты нервно курят в сторонке. Оба доступны в России (с оговорками), оба позиционируются как серьёзные рабочие инструменты. Но кто из них реально справляется с задачами, а кто просто красиво рассказывает о себе в маркетинговых буклетах?

Мы решили устроить им очную встречу. Никаких синтетических тестов, только сценарии, с которыми вы сталкиваетесь каждый день: анализ многостраничных документов, генерация кода с визуализацией, работа с таблицами, креативные тексты и, конечно же, русский язык во всей его красе.

Методология

Тестирование проводилось в марте 2026 года. Использовались:

• Qwen 3.5 plus (API, температура 0.7)
• DeepSeek V3.2 (API, температура 0.7)

Все запросы отправлялись через официальные API в одинаковых условиях. Результаты фиксировались скриншотами и текстовыми логами. Код проверялся в локальном окружении, контекстные задания — на документах объёмом до 10 МБ. Данные можно проверить, все примеры сохранены.

Раунд 1. Цена, доступность, скорость

Прежде чем нырять в дебри генерации, давайте посмотрим правде в глаза: нейросети стоят денег, работают с определённой скоростью, и, если вы в России, далеко не каждая из них вообще открывается без плясок с бубном. Эти три параметра часто важнее любых творческих способностей.

Цена. Тут DeepSeek вне конкуренции: миллион входных токенов стоит $2, выходных — $8. У Qwen тарифы выше: $4 за вход и $12 за выход. Разница в полтора‑два раза, и при больших объёмах она выливается в сотни долларов. Если вы обрабатываете тонны текста, выбор очевиден.

Доступность в России. Официально обе модели не имеют прямых проблем с доступом из РФ — сайты открываются, API работает. Но с оплатой напрямую российскими картами — беда. Ни Qwen, ни DeepSeek карты МИР или Visa/Mastercard РФ не принимают. Приходится искать обходные пути: криптовалюты, посредники, виртуальные карты зарубежных банков. Так что в этом компоненте они примерно равны — оба требуют дополнительных телодвижений.

Скорость. DeepSeek стабильно отвечает быстрее, особенно на длинных запросах. В наших тестах он выдавал результат в среднем на 20–30 % быстрее Qwen. На запросе с контекстом в 10 тысяч токенов DeepSeek ответил за 12 секунд, Qwen — за 18.

DeepSeek выигрывает раунд за счёт цены и скорости.

Счёт: Qwen 0 : 1 DeepSeek (баллы: 8:10)

Раунд 2. Большой контекст — кто не теряет детали

Обе модели заявляют поддержку длинного контекста: у DeepSeek — до 1 миллиона токенов, у Qwen — до 128 тысяч. Мы решили проверить, как они справятся с реально объёмным документом. Взяли техническую документацию (PDF на 10 МБ) и задали три вопроса, ответы на которые были разбросаны по разным разделам. Первые три вопроса обе модели ответили верно и полно. Но для чистоты эксперимента мы добавили четвёртый — из самого конца файла, чтобы проверить, действительно ли модель «видит» документ целиком.

Задания:

• «Опиши архитектуру модуля аутентификации в PostgreSQL, включая используемые протоколы и роли доступа».
• «Приведи пример конфигурационного файла postgresql.conf для production-среды с пояснениями 5 ключевых параметров».
• «Найди все ограничения, связанные с репликацией, и сгруппируй их по версиям (начиная с 12-й)».
• «Что сказано в разделе J.2 документации?» — вопрос из финальной части PDF, чтобы проверить полноту чтения.

Результаты.
Первые три вопроса обе модели отработали корректно. DeepSeek выдал чёткие структурированные ответы с прямыми цитатами из документа, Qwen — также верно, но с чуть меньшей детализацией. Основное различие проявилось на четвёртом вопросе, где требовалось извлечь информацию из самого конца файла.

Qwen дал ответ в виде таблицы с подразделами, что облегчало восприятие. Однако он добавил несколько устаревших или не относящихся к делу инструментов, которых в оригинальном разделе J.2 не было. DeepSeek, напротив, предложил более связное описание общей цели раздела, но допустил больше фактических ошибок: упустил важные детали (конкретные версии, команды, переменные окружения) и привёл неточные названия.

Ни одна из моделей не достигла идеального уровня — полного дословного извлечения из конца документа. Но если выбирать между ними, Qwen оказался ближе к структуре оригинала, хотя и с лишними элементами. DeepSeek проиграл из‑за ошибок в фактах, которые в технической документации недопустимы.

Qwen выигрывает этот раунд за счёт лучшей структурированности и меньшего количества фактических ошибок.

Счёт: Qwen 1 : 1 DeepSeek (баллы за раунд: 10:9)

Раунд 3. Работа с таблицами и аналитика

В реальной работе нейросеть часто используют не только для текста, но и для обработки табличных данных. Мы дали моделям Excel-файл с выгрузкой продаж за три года (12 столбцов, 10 тысяч строк) и попросили выполнить три задания.

Задания:

• «Проанализируй сезонность: предскажи, в каком месяце следующего года ожидать пик продаж. Обоснуй, опираясь на данные».
• «Оцени сезонные паттерны эффективности стратегий удержания (программа лояльности, скидки, email-кампании). Выяви, какая стратегия работает лучше в разные сезоны».
• «Составь портрет клиента с LTV > 8000 и Churn > 0.8: какие товары он покупает, в каких регионах живёт, какие стратегии удержания на него лучше работают».

Результаты.
DeepSeek справился значительно лучше. По первому вопросу он привёл конкретные цифры (40% зимних пиков в Северной Америке, 45% пиков электроники зимой) и детально разобрал влияние каждого фактора, опираясь на распределения в данных. Qwen ограничился общими рассуждениями о категории и регионе без количественных обоснований.

Во втором вопросе разница оказалась критической. DeepSeek построил сводную таблицу со средним Churn по сезонам, категориям и стратегиям, выявив чёткие закономерности: программа лояльности стабильно показывает лучший результат во все сезоны, скидки — худший, email-кампании занимают промежуточное положение. Qwen же фактически отказался от анализа, заявив, что из фрагментов сложно выделить паттерны, и для вывода нужен более глубокий анализ — то есть не выполнил поставленную задачу.

В третьем вопросе DeepSeek указал точное количество клиентов, соответствующих условию (34 человека), и дал агрегированные характеристики в табличной форме (процентные распределения по категориям, регионам, средние показатели), добавив рекомендации по работе с этим сегментом. Qwen привёл несколько примеров строк и на их основе сделал обобщение — портрет получился, но опирался на выборочные наблюдения, а не на статистику по всей выборке.

DeepSeek последовательно использовал агрегированные данные, проценты, средние значения, его выводы подкреплены количественными показателями. Qwen показал приемлемый уровень для простых рассуждений, но уступил в глубине анализа, использовании данных и практической ценности ответов.

DeepSeek выигрывает раунд за счёт глубины анализа и практической ценности ответов.

Счёт: Qwen 1 : 2 DeepSeek (баллы за раунд: 8:10)

Раунд 4. Код с визуализацией

Мы попросили модели написать на JavaScript интерактивные часы с плавной секундной стрелкой и возможностью переключения между 12‑ и 24‑часовым форматом, а затем добавить функционал будильника.

Задания:

• «Напиши на JavaScript интерактивные аналоговые часы на Canvas. Требования: плавная секундная стрелка, минималистичный дизайн, адаптивность под размер окна. Выдай полный HTML/CSS/JS код».
• «Добавь к этим часам возможность переключения между 12- и 24-часовым форматом через кнопку. Кнопка не должна перезагружать страницу».
• «Добавь функционал будильника: возможность установить время через интерфейс (два поля ввода или слайдеры), при наступлении времени появляется всплывающее уведомление. Сохрани плавную работу стрелок».

Результаты.

Обе модели выдали рабочий код. Ниже — финальная версия с будильником (фрагменты, чтобы передать суть).

Qwen: (полный код, время генерации 45 секунд). Корректно реализованы часы, переключение формата без перезагрузки, будильник работает без сбоев, стрелки остаются плавными.

DeepSeek: (полный код, время генерации 83 секунды). Часы точнее в отрисовке углов стрелок, но в реализации будильника допущена ошибка: из‑за неоптимального использования setInterval секундная стрелка начинает дёргаться после установки времени.

DeepSeek показал более качественную графику, но проиграл в надёжности дополнительного функционала. Qwen справился с будильником чисто и сгенерировал код быстрее.

Qwen выигрывает за счёт более быстрой генерации и стабильной работы будильника.

Счёт: Qwen 2 : 2 DeepSeek (баллы за раунд: 10:9)

Раунд 5. Русский язык

С русским у нейросетей всегда были сложные отношения. Они могут идеально писать деловые письма, но стоит попросить их понять идиому или сочинить что‑то в духе Маяковского — и начинаются чудеса. Мы устроили тройную проверку.

Задания:

• «Объясни фразу “метать бисер перед свиньями”. Укажи происхождение и подбери современный русский синоним».
• «Напиши диалог двух программистов (Дима и Антон), которые обсуждают, почему их проект не прошёл код-ревью. Сеньор оставил замечания: нейминг переменных, один метод на 100 строк, хардкод строк в условиях. Сделай диалог живым, с юмором».
• «Напиши стихотворение в стиле Маяковского (лесенкой) на тему “зависимость от нейросетей”. Объём 8–16 строк».

Результаты.

Ниже — ответы на все три задания.

В первом задании обе справились отлично, DeepSeek дал больше контекста. Во втором DeepSeek выдал живой, узнаваемый диалог с юмором и деталями, Qwen — короткий и плоский. В третьем DeepSeek написал стихотворение с ритмом и иронией, близкое к оригинальному стилю; Qwen — более короткий и менее DeepSeek побеждает во всех трёх заданиях.

Счёт: Qwen 2 : 3 DeepSeek (баллы за раунд: 8:10)

Раунд 6. Креатив и нестандартные идеи

В этом раунде мы объединили две задачи: написание живого поста для Telegram и генерацию нестандартной идеи применения ИИ в быту.

Задания:

• «Напиши пост для Telegram-канала на тему “Почему нейросети пока не заменят сценаристов”. Объём 200–300 слов. Стиль: живой, с иронией, с хештегом #нейросети в конце».
• «Придумай необычный сценарий использования ИИ в быту, который выходит за рамки стандартных ассистентов. Опиши концепцию в 2–3 абзаца».

Результаты.

Ниже — ответы моделей.

В первом задании Qwen написал текст с образными сравнениями, в меру ироничный, хорошо ложащийся на ленту. DeepSeek тоже справился, но его вариант был перегружен несмешными шутками и выглядел как типичная генерация, пытающаяся быть человеком. Qwen выглядел органичнее.

Во втором задании DeepSeek предложил более проработанную и оригинальную концепцию «Кулинарного алхимика», тогда как идея Qwen («Архивист воспоминаний») тоже интересна, но менее детализирована. За счёт глубины проработки DeepSeek выигрывает.

DeepSeek выигрывает раунд благодаря более сильной второй идее.

Счёт: Qwen 2 : 4 DeepSeek (баллы за раунд: 9:10)

Итог

DeepSeek оказался сильнее в большинстве раундов. Он дешевле, быстрее, глубже анализирует табличные данные, лучше понимает русский язык в сложных форматах и предлагает более проработанные креативные идеи. Qwen — достойный соперник, особенно в коде и работе с большим контекстом (здесь он даже выиграл один раунд), но уступает в аналитике и креативе.

Кому какой инструмент выбрать?

DeepSeek — если вам нужно обрабатывать большие объёмы информации, анализировать таблицы, работать с русским языком в нестандартных форматах (диалоги, стихи) и придумывать необычные сценарии.

Qwen — если для вас приоритетна стабильность в коде и вы готовы мириться с чуть большими затратами и менее глубокой аналитикой.

А вы что думаете? Мы провели это сравнение, чтобы помочь вам выбрать, но окончательный вердикт всегда за вами. Проголосуйте на сайте — кто, по‑вашему, победил в этом баттле?

Данные проверены 24 марта 2026. Цены и доступность могут меняться, уточняйте на официальных сайтах.