我在 MLX 上使用同一个飞行模拟提示词测试了 9 个本地模型，全部均为 Q8 量化版本，但来自不同的量化提供商。

**我给9个本地模型下达了相同的空战模拟生成提示词。结果打破了我对量化方案选择与参数规模的若干假设。** *全部基于 8-bit MLX，运行于 M3 Max 128GB，通过 omlx 提供推理服务，并使用 Claude Code 进行提示编排。每次使用的提示词完全一致——要求生成单文件 HTML，包含三架可选飞机（喷气式、螺旋桨式、以及由模型自由决定的“特选款”），并需实现动态敌机、曳光弹、伤害判定及阵亡时的螺旋坠毁动画。我统计了完成目标所需的提示交互次数，并以“是否真正可玩”作为核心评测标准。* [https://alextzk.github.io/flight-combat-llm-comp/](https://alextzk.github.io/flight-combat-llm-comp/) <- 你可以在这里试玩这些游戏 **测评阵容：** * Gemma 31B dense unsloth * Gemma 4 26B a4b unsloth * Qwen3.5 27B dense * Qwen3.5 35B A3B MoE * Qwen3.6 35B A3B in three different quants (oMLX, Unsloth, MLX Community) * Qwen3 Coder Next 80B * Qwopus 3.5 27B **令人意外的发现：** **1. 量化方案的选择比位宽更重要。** 对同一个 Qwen3.6 35B 模型进行了三种不同的 8-bit 量化，结果生成了三款差异明显的游戏。Unsloth 仅用 3 次提示便顺利通关（1,304 行代码，小地图正常工作，行星呈球形，模型甚至会在提交前主动审查代码自查 Bug）。MLX Community 在第 4 次提示时达标。而 oMLX 则是一场长达 5 次提示的调试噩梦：飞控会出现严重的“回中/粘滞”现象，模型试错三次后仍找不到原因。基座模型一模一样，都是 8-bit，但量化后端带来的体验天差地别。“这只是个 8-bit 量化版”这句话根本不足以描述量化质量的全貌。 **2. 代码行数与质量基本脱钩。** 冠军得主（Qwopus 3.5 27B）仅用 2 次提示、1,049 行代码就交卷。落败者（Qwen Coder Next 80B）用了 3 次提示、1,635 行代码——全场最多——但结果是摄像机过于敏感、没有敌机、且所有飞机都倒转了 180°。这个 80B 版本生成的代码量是 Gemma 31B dense 的 3 倍，但做出的游戏反而更差。 **3. Qwopus 是唯一内置真实飞行物理引擎的模型。** 没人要求过这个功能，但它直接做到了——将推力和阻力与单机气动常数相结合，加入了逐帧速度阻尼，F-16 和 Mustang 的加速表现不同正是因为常数设置不同。它也是唯一实现程序化音频的模型（引擎频率随空速比调制）。仅 2 次提示。我不得不认为这是 Opus 蒸馏技术真正发挥了作用，因为原版 Qwen3.5 27B dense（同一基座）交出了全场最差的作业（控制循环在同一帧内混合了四元数旋转与直接的欧拉角写入，导致飞机像搅拌机一样在空中打转坠落）。操控虽然远非完美，但其实现方式和额外构建的其他功能是无可挑剔的。Web Audio 引擎配合随空速比调制的音调： `function updateEngineSound(speedRatio) {` ` engineOsc.frequency.setValueAtTime(80 + speedRatio * 120, audioCtx.currentTime);` `}` `// F-16 配置中的速度、推力与阻力数据` `speed: 1200, turnRate: 0.015, climbRate: 0.008, thrust: 0.02, drag: 0.001,` `// 在更新循环中` `this.velocity.add(forward.multiplyScalar(this.stats.thrust * 1000 * delta));` `this.velocity.multiplyScalar(1 - this.stats.drag);` **其他值得注意的细节：** \- 生成速度：Gemma 4 26B a4b 以 58.3 tok/s 的速度称王，几乎是 Qwen A3B 变体的 2 倍，稠密模型的 7 倍。Qwopus 生成速度不足 11 tok/s，却依然夺冠。单纯拿单个 token 的生成速度来衡量“产出可用成品的时间”是非常片面的。 \- Qwen3.6 相比 3.5 是一次实打实的跨越。这 0.1 的迭代进步远超预期——模型会主动复盘自身输出，甚至试图在浏览器中为你自动打开生成的 HTML。虽是细节，但聚沙成塔。 \- “自选第三架飞机”的开放题意外成为了绝佳的创造力探针。Qwen3.6 oMLX 选择了 AH-64 Apache（严格来说不算固定翼，但绝对是全场最有意思的答案）。Qwen Coder Next 80B 作为阵容中体量最大的模型，面对“你自定一款”的要求，竟然老老实实交了另一架战斗机。 \- Qwen 的标志性 Bug：飞机渲染时默认倒转了 180°。几乎在所有 Qwen 变体中都曾出现过。 **我的个人排名：** 1. Qwopus 3.5 27b dense 2. Qwen3.6 35b unsloth 3. Gemma 4 26b unsloth 4. Gemma 4 31b unsloth 5. Qwen3.6 35B mlx-community 6. Qwen3.5 35b mlx-community 7. Qwen3.6 35b oMLX oQ quant 8. Qwen3Coder-Next 80B mlx-community 9. Qwen3.5 27b mlx-community 如果有人对更详尽、带点幽默调侃、逐款拆解各模型具体 Bug 与特性的长文感兴趣，可以查看 [我的 Medium 专栏](https://medium.com/@alexandru_vasile/i-made-9-local-llms-build-the-same-flight-combat-game-ed7136cc3560)，完全无付费墙限制。[GitHub](https://github.com/AlexTzk/flight-combat-llm-comp) 仓库中每个 HTML 文件的顶部注释都记录了喂给 Claude Code 的原始提示词及相关备注。欢迎在评论区深入探讨任何具体测试数据。目前已规划两项后续测试——让同样的 9 个模型进行一次含 10 个 Bug 的代码审查任务，以及一项暂未公开的创意命题。 EDIT: 已在文章开头补充了游戏试玩链接。