本地小模型也能媲美云端前沿模型:Qwen3.8-27B 的另类飞行路径

Tomer Tunguz 博客(VC 分析)·2026-08-18 08:00·13天前
AI 导读

本地运行的 Qwen3.8-27B 在 Artificial Analysis 智能指数上以 52 分位列 135 个模型之首,超过 7530 亿参数的 GLM-5.2。在 25 项风投任务评测中,它与云端 DeepSeek V4 输出质量同为 8.0 分,但需多花 7.2 倍 token 思考,速度慢约 9 秒。小模型靠更长的链式推理弥补知识差距,而非直接给出答案。

Tomer Tunguz 博客(VC 分析)
精选
64AI 编辑部评分,满分 100

本地小模型也能媲美云端前沿模型:Qwen3.8-27B 的另类飞行路径

2026-08-18 08:00· 13天前
AI 导读

本地运行的 Qwen3.8-27B 在 Artificial Analysis 智能指数上以 52 分位列 135 个模型之首,超过 7530 亿参数的 GLM-5.2。在 25 项风投任务评测中,它与云端 DeepSeek V4 输出质量同为 8.0 分,但需多花 7.2 倍 token 思考,速度慢约 9 秒。小模型靠更长的链式推理弥补知识差距,而非直接给出答案。

推荐理由

作者用同一套 VC 任务实测云端与本地模型,给出质量、速度与思考 token 的具体数据,展示小模型靠推理补知识差距的路径。

正文 · AI 翻译

你的笔记本电脑现在可以运行一个能力几乎媲美云端任何模型的模型。我把 Qwen3.8-27B 换进了我的智能体,它运行得非常好。这只鸟的飞行方式与飞机截然不同。

这个小小的 Qwen 模型在 135 个模型中排名第一,在 Artificial Analysis 的智能指数上得分 52,比来自 Z.ai 的最先进开源模型 GLM-5.2 高出 1 分,后者参数量为 753b。一个笔记本电脑模型击败了一个规模约为其 28 倍的、公认的前沿级云端同类模型。

一只大黄蜂是如何实现与客机相同的飞行的?更大的模型可以存储更多知识,因此它们可以直接跳到答案,就像精通多个领域的专家一样。较小的模型记忆的内容没那么多,因此它们必须更多地推理,几乎是从第一性原理出发,来弥合这一差距。

我在将 DeepSeek V4 云端模型与两个本地模型进行基准测试时,亲眼看到了这一点。我在相同的工作上对它们进行了比较,即 25 项风险投资任务(研究初创公司、总结文章、转录播客),并由一个裁判模型进行评分。

Qwen3.8-27B 是稠密模型:它会在每个问题上用到书中的每一个章节。而“跳读型”的 DeepSeek 和 Qwen 3.6 35b(我加入测试的另一个本地模型)只会翻到与问题相关的章节。

模型 质量 /9 token/秒 平均 token 数 平均延迟
deepseek-v4-flash(飞机) 8.0 137.3 159 1.1秒
qwen3.8-27b(大黄蜂) 8.0 51.9 369 7.2秒
qwen3.6-35b-a3b(蜂鸟) 7.9 113.4 1,143 10.0秒

这些模型给出的答案质量完全相同。但速度各不相同。本地 Qwen 35b 以最高速度运行,但需要比云端模型多想约 7.2 倍的 token,比 DeepSeek 晚 9 秒到达终点。最新的 Qwen 模型快了 3 秒,而云端模型又快 6 秒。

云端模型直接跳到正确答案;本地模型则以不同的速度和准确度在内部进行思考和辩论。

例如:在一个分诊任务中,35B 花费了 993 个 token 来生成六个词:“分类:日程安排 / 动作:回复。” 在回复之前进行 1000 个 token 的思考,是蜂鸟冲刺向金银花。而大黄蜂只需要 369 个思考 token,以一半的速度嗡嗡前行。

本地模型可以达到与云端模型相同的结果,但它们到达那里的飞行路径会有所不同。


  1. Artificial Analysis 将当前的领先者 Qwen3.8-27B 排在智能指数 135 个模型中的第 1 位,得分 52,比 GLM-5.2 的 51 分高出 1 分,后者是 Z.ai 两个月前发布的 753b 参数前沿模型。同一页面将其在每任务输出 token 数上排在第 23 位(共 135 个模型),加权输出为 1.6 亿 token,而同类中位数为 4300 万。智能排名与冗长程度排名是独立变动的,而这正是整篇文章要讨论的权衡。↩︎

  2. 模仿差距的解释。较小的模型会产生流畅的思维链,但更有可能在逻辑上出现漂移和不一致,因为一旦被迫偏离通往答案的直接路径,它们可借鉴的邻近正确示例的图谱就更稀疏。参见《大语言模型中的思维链:引发的推理还是受约束的模仿?》我在《当模型学习时》一文中涵盖了这种权衡的一般形态,即用推理时计算换取能力。↩︂

  3. 方法。25 个风险投资任务(研究初创公司、总结文章、转录播客)取自于我自己的智能体队列。一个独立的评判模型 deepseek-v4-pro 对输出进行盲评,从完整性、准确性和简洁性三个维度打分,每项 3 分,共 9 分。每次运行的 max_tokens 均为 4096。两个本地模型都通过 Ollama 在相同的 MLX 运行时上提供服务,因此比较不受运行时差异的干扰。我通过对相同输出进行重新评分来确立评判模型的噪声底限,得到的平均绝对差值为 0.16。↩︎

  4. Qwen3.6-35B-A3B 是一个 350 亿参数模型,每个 token 有 30 亿激活参数,采用稀疏混合专家架构,共有 256 个专家,每个 token 有 8 个被路由的专家和 1 个共享专家处于激活状态。根据 Qwen 在 Hugging Face 上的模型卡及 vLLM 的模型配方。↩︎

来源:Tomer Tunguz 博客(VC 分析)· tomtunguz.com