≤4B 小模型 Agent 实测:Qwen3.5-4B 得 51.4%,思考模式最多提升 20 分
KienShen · reddit · 2026-11-04
CamThink 团队用自建 NeoMind 评测集(138 个中英双语任务,严格通过=命令执行成功且运行后状态断言通过)测试了 6 个 4B 以下小模型的 Agent 能力:
- 严格通过率:DeepSeek-flash 81.2%、GLM-5.3 76.8%(云端 API)领跑;本地模型中 Qwen3.5-4B·T1.0 51.4%、Spark-X2.6-4B 50.0%、LFM3-1.7B 42.8%、LFM2.5-2.6B 36.2%、Gemma-4-E2B 仅 26.1%。
- 思考模式:开启 thinking 普遍大幅提分,Spark-X2.6-1.7B 从 43.5% 升至 63.8%,Qwen3.5-4B 从 41.3% 升至 55.1%。
- 多步任务:所有模型在多步任务上明显掉分,Qwen3.5-4B 单步 79.6% vs 多步 70.0%,LFM2.5-2.6B 多步仅 12.5%。
结论:小模型的「智能密度」正在快速提升,但多步 Agent 任务仍是短板。评测配置为 NeoMind 1.2.3、32K 上下文、Q4 量化。
「编程与Agent」频道最新
- shadcn 盛赞 Claude Opus 5.5：首个有「品味」的模型 — shadcn · 2026-11-04
- Dan Wahlin 明日开讲 GitHub Copilot CLI：从想法到合并 PR — DanWahlin · 2026-11-04
- Device MCP 发布：让 Claude/Codex 直接操控真实 iPhone 做 UI 测试 — rudrank · 2026-11-04
- 开发者用 Gemini 4 Argon 加 Antigravity 制作融化三明治 WebGPU 动画 — AI_Andrew · 2026-11-04
- 团队想从 IDE 补全转向云端异步后台编码 Agent，求选型建议 — Extension_Lake4065 · 2026-11-04
- 用外部确定性状态层治 AI 编码失忆:三篇论文给出会话管理新思路 — ApprehensiveSkin7975 · 2026-11-04