自建 500+ 题实测横评 22 模型:Opus 5.5 与 GPT-6 满分,量化 Qwen 落后
norenEnmotalen · reddit · 2026-10-13
作者分享其针对编程、数据分析、本地 RAG 等高频工作流精炼出的测试集(从 500+ 题淘汰掉所有模型都能通过的题)对 22 个模型的最终横评结果：
- Claude Opus 5.5 与 GPT-6 Astra 均达 100% 准确率；Claude Haiku 5.5 达 94.3%。
- 量化模型中 mradermacher--arex-2.q4km 表现突出(93.3%)；bf16 原版 qwen3.8-27b 为 91.4%(1.9% 截断)。
- qwen3.8-flash-next 未披露量化信息，因 overthink 截断最多(即使把 max token 从 16k 提到 32k 也未消除)；qwen3.8-flash 截断率高达 21.9%。
- iq3 GSQ-RCO 在一堆 Q4 里表现尚可；mradermacher 的微调版本持续突出。
作者用途是筛选能信任其做表格/数组/编程决策的本地模型，并作为何时可以全本地部署、购置硬件的晴雨表；本地产出仍需 Claude 或 GPT 复核。
「Infra」频道最新
- 爆料：新架构下 Cerebras 跑 K3 级模型或只需 10 片晶圆 — bookwormengr · 2026-10-23
- 英伟达单日暴跌 7.21% 报 212.31 美元，市值仍守 5.2 万亿 — michalmalewicz · 2026-10-23
- Serverless 本质是计费模型：有状态计算该怎么按用量收费 — s4chinraja · 2026-10-23
- AKV 推理系统让 Agent 自管 KV 缓存,成本降 27.7% 准确率反升 — _akhaliq · 2026-10-23
- 云锁定新形态：AWS、谷歌自研 AI 芯片带来性能也带来迁移难题 — DavidLinthicum · 2026-10-23
- Linux 内核用 AI 辅助检测 AMD Zen CPU 微架构 — Fcking_Chuck · 2026-10-23