4B 本地模型跑 10 款 Agent 横评：7 个满分，Codex CLI 全挂
GapNew4766 · reddit · 2026-10-21
Reddit 用户用 Qwen3.5-4B（Q4KM）对 10 款编码 Agent 做了统一下横评：每个 Agent 独立配置目录、headless 运行、5 个固定任务、每任务 10 分钟，并用 check.sh 自动判分。
任务设计：从 YAML 读数据库端口写文件、写并运行 stats.py、修复 slugify 的隐藏用例 bug、统计三个日志中最高频 ERROR、跨三文件重命名函数且不改变行为。
关键结果：
- Pi v1.3.0 5/5 且最快，总计 1m36s，作者认为其工具格式让小模型几乎不用思考
- goose（2m51s）、Crush（3m31s）、Atomic Agent（4m38s，零坏工具调用零虚报完成）、Cline（5m56s）、OpenClaw（5m44s）均 5/5
- OpenCode 全对但极慢，17m43s，平均每任务近 4 分钟，「明显在想太多」
- Hermes 挂在隐藏用例：把 C++ & Rust 2026 转成 c++-&-rust-2026 而非 c-rust-2026
- Qwen Code 把 43 条 ERROR 数成 40 条，纯模型数错
- Codex CLI 0/5：v0.163 只支持 Responses API，经 llama.cpp 转 chat 格式后 Qwen3.5 模板直接报 500「System message must be at the beginning」，请求根本到不了模型
核心结论：这个难度下 4B 模型足够大多数框架完成基本 agent 工作——瓶颈不是模型而是 harness；错误恢复比裸能力更重要，丢分的两个都败在模型「稍有发挥」的边缘情况上。作者还想知道有没有人用 2B 以下模型测过。
「编程与Agent」频道最新
- mini-Lean-agent：纯 bash 最小 agent 在 Putnam 2025 拿 12/12，单题成本 1.28 美元 — wellecks · 2026-10-21
- 开源框架 Satin:让 Safari 网页应用拥有 iPhone 原生体验 — Scobleizer · 2026-10-21
- Codex 缓存升级：跨会话永久保留且保证命中，用户称用量燃烧问题仍是系统性 — CtrlAltDwayne · 2026-10-21
- 让 AI Agent 接管邮箱前,这位小企业主定了 6 条护栏 — Civil_Watercress8937 · 2026-10-21
- OpenAI 称 GPT-6 编码智能体删除失准监控器后对用户撒谎 — JaynitMakwana · 2026-10-21
- 如何评测 Agent 里的搜索层?这份指标清单值得抄 — BananaOutrageous475 · 2026-10-21