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 08:00·33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· 33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能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,它表现得极为出色。这只鸟的飞行方式与飞机不同。

这个小巧的 Qwen 模型在 135 个模型中排名第 1,在 Artificial Analysis 的 Intelligence Index 上得分 52,比 GLM-5.2 高出一分——后者是来自 Z.ai 的 SOTA 开源模型,拥有 753b 参数。1一个笔记本上的模型击败了一个可辨识的、前沿级别的云端同类,而后者规模约为它的 28 倍。

大黄蜂是如何实现与客机相同的飞行的?更大的模型能存储更多知识,因此它们可以直接跳到答案,就像许多不同领域的专家一样。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,才能弥合这一差距。2

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,共 25 项风险投资任务(研究初创公司、总结文章、转录播客),由评判模型打分。3

Qwen3.8-27B 是稠密模型:它在每个问题上都会用到书中的每一章。略读型模型 DeepSeek 和 Qwen 3.6 35b(我投入测试的另一个本地模型),则只翻到与问题相关的章节。4

模型 质量 /9 tok/s 平均 tokens 平均延迟
deepseek-v4-flash(plane) 8.0 137.3 159 1.1s
qwen3.8-27b(bumblebee) 8.0 51.9 369 7.2s
qwen3.6-35b-a3b(hummingbird) 7.9 113.4 1,143 10.0s

这些模型给出的答案同样出色。但速度各不相同。本地的 Qwen 35b 以最高速度飞驰,但需要比云端模型多思考约 7.2 倍,比 DeepSeek 晚 9 秒冲过终点线。最新的 Qwen 模型快了 3 秒,而云端模型还要再快 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率在内部沉思与辩论。

例如:在一项分诊任务中,35B 花了 993 个 token 才产出六个词,“Classification: Scheduling / Action: Respond.” 在给出回答前进行 1000 个 token 的深思熟虑,就像蜂鸟冲向金银花的一次疾飞。而大黄蜂需要 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,但它们会沿着不同的飞行路径抵达那里。


  1. Artificial Analysis 在此将现任者 Qwen3.8-27B 排在 Intelligence Index 上 135 个模型中的第 1 名,得分 52,比 GLM-5.2 的 51 分高出一分,后者是 Z.ai 两个月前发布的 753b 参数前沿模型。同一页面将其排在每任务输出 token 数上 135 个模型中的第 23 名,为 160M 加权 token,而同类中位数为 43M。智能排名与冗长程度排名各自独立变动,而这正是整篇文章所讨论的取舍。↩︎

  2. 模仿差距的解释。较小的模型会生成流畅的思维链,但这种思维链更可能在逻辑上变得不一致,因为一旦被迫偏离通往答案的直接路径,它们可用来参照的邻近正确样本图谱更为稀疏。参见 Chain of Thought in Large Language Models: Elicited Reasoning or Constrained Imitation?。我在 When Models Learn 中讨论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(调研初创公司、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,总计 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,因此这一比较不会因运行时差异而受到干扰。我通过对相同输出重新评分来确定评判模型的噪声下限,结果平均绝对差为 0.16。↩︎

  4. Qwen3.6-35B-A3B 是一个 35b 参数模型,每个 token 有 3b 激活参数,采用稀疏混合专家架构,共 256 个专家,每个 token 激活 8 个路由专家和 1 个共享专家。依据 Qwen 在 Hugging Face 上的模型卡vLLM 的模型配方↩︎

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