Google DeepMind于2026年4月2日发布了Gemma 4，阿里巴巴Qwen团队于同年2月25日发布了Qwen3.5，两者都是目前30B参数量级里各自最强的开源模型。
从基础规格来看，两款模型都采用Apache 2.0许可证，都支持思考模式，都可以免费商用。Qwen3.5-27B支持201种语言，上下文窗口最长可扩展至100万tokens；Gemma 4 31B支持140+种语言，上下文窗口为256K，参数量略大一点（31B vs 27B）。在多模态输入上，Gemma 4 31B支持文本、图片和视频，Qwen3.5-27B支持文本和图片。
综合知识与科学推理：Qwen3.5-27B略胜
在代表综合学科知识的MMLU Pro上，Qwen3.5-27B得86.1%，Gemma 4 31B得85.2%，差了将近1个百分点。测试博士级物理、化学、生物推理的GPQA Diamond上，差距稍大一些：Qwen3.5-27B 85.5%，Gemma 4 31B 84.3%，差了1.2个百分点。
这两项差距放在绝对值上都不算大，但方向是一致的，Qwen3.5-27B在这两个维度上都高一点。
编程能力：竞赛题Gemma更强，工程修复Qwen有数据
在LiveCodeBench v6上，Qwen3.5-27B得80.7%，Gemma 4 31B得80.0%，差距0.7个百分点，基本持平。LiveCodeBench每月滚动更新题库，抗测试集污染性较好，这个结果可以认为两者编程能力接近。
但如果拆开来看具体类型，差异就明显了。在Codeforces ELO这个衡量算法竞赛编程能力的指标上，Gemma 4 31B得2150，Qwen3.5-27B得1899，差了251分。在这个分数区间内251分不是噪声，Gemma 4 31B在竞赛类算法题上明显更强。
另一边，SWE-bench Verified测的是在真实开源代码库里定位和修复bug的能力，这比写算法题更接近实际工程场景。Qwen3.5-27B在这项上得了72.4%，Gemma 4 31B没有发布对应分数，无法比较。
推理与复杂任务：Qwen3.5-27B在工具加持下优势明显
在HLE这个专门针对人类最难问题的评测上，不使用任何工具的纯推理条件下，Gemma 4 31B得26.5%，Qwen3.5-27B得24.3%，Gemma 4 31B略高一点。不过两者的绝对分数都不高，这项基准对目前所有模型来说都很难。
值得注意的是，一旦允许使用工具，Qwen3.5-27B的HLE得分跳到48.5%，提升幅度非常大。Gemma 4 31B在有工具条件下的HLE分数没有公布。
在τ²-Bench这个测试Agent多步任务执行的基准上，Qwen3.5-27B得79.0，Gemma 4 31B得76.9，差了2.1分，Qwen3.5-27B胜出。
指令遵循与多语言：Qwen3.5-27B有完整数据，Gemma 4 31B没有
IFEval专门测模型能否准确执行格式要求和约束条件，Qwen3.5-27B在这项上得了95.0%，接近满分。Gemma 4 31B没有发布这项数据。
多语言方面，Qwen3.5-27B在跨语言版本的MMMLU上得85.9%，在覆盖29种语言的MMLU-ProX上得82.2%。Gemma 4 31B虽然声称支持140+种语言，但没有公布任何多语言评测分数。
多模态视觉与视频：Gemma 4 31B的差异化优势
在综合多模态理解基准MMMU Pro上，Gemma 4 31B得76.9%，Qwen3.5-27B没有发布对应分数。
在输入类型上，Gemma 4 31B支持最长60秒的视频序列输入，Qwen3.5-27B不支持视频输入。这是两者之间最明显的能力差异之一，也是Gemma 4 31B目前在多模态方向上的主要卖点。
人类偏好：Gemma 4 31B在Arena排名靠前
Gemma 4 31B在LMArena文本对话榜单上的预估ELO约为1452，在所有开源模型中排名第三。Qwen3.5-27B没有发布对应的Arena排名数据。
总结
在两者均公布了分数的评测项里，Gemma 4 31B只在Codeforces ELO（算法竞赛编程）上明显领先，综合知识、科学推理、编程通用能力、Agent任务上均持平或小幅落后。
Qwen3.5-27B的优势更集中在文本任务上：综合知识略高、科学推理略高、指令遵循接近满分、工具调用能力更强、工程代码修复有数据支撑。语言覆盖范围更广，且有评测数据验证。代价是不支持视频输入，在竞赛类算法题上比Gemma 4 31B弱。
Gemma 4 31B的差异化价值在于多模态：视频输入、图像理解，以及在竞赛算法题上的明确优势。如果任务不涉及这些，从现有公开数据来看，Qwen3.5-27B在纯文本和工具调用场景下的综合表现更稳定。
