@stevibe: Qwen3.6 35B A3B 自己无法填写纸质表格，但配上 NVIDIA 的 LocateAnything-3B——HuggingFace 上排名第一的热门模型……

Qwen3.6 35B A3B 自己没法独立填写纸质表单。但给了它 NVIDIA 的 LocateAnything-3B（HuggingFace 上排名第一的热门模型）当眼睛后，两个小模型协作就搞定了。

（测试要求：把每个元素放到空白表单图片的正确像素位置，而不是往输入框里打字。）

配置：

Qwen 充当大脑（主模型），LocateAnything 充当眼睛（作为工具的辅助模型）。 我给 Qwen 加了新工具：问“邮箱字段在哪？“时，LocateAnything 返回精确的 x、y、宽度和高度。 屏幕上蓝色框就是它的检测结果。看这框有多精准——每个字段都准确命中。

结果：

Qwen3.6 35B A3B + LocateAnything-3B：表单填写完成，所有信息正确。 姓名、出生日期、身份证号、性别、婚姻状况、国籍、邮箱、电话、地址、邮政编码：全部落在正确的字段区域内。 字符与方框的对齐还有一点偏差，但每个值都放在了该在的位置。 耗时 9 分 10 秒，输入 224.5k，输出 24.3k，共 21 轮交互。

意义：

单独的 Qwen 无法完成这项测试。但加上一个只做一件事（定位）的 3B 模型后，就能做到了。 小模型组合可以完成单个大模型的工作。

LocateAnything-3B

保留了视觉能力，因为还需要截屏来验证结果。

实际上，我一开始用的是 9B 版本，但它的工具调用能力不太好，把数据放到字段上的推理也有些不准确，所以最终换成了 35B A3B。

我觉得它更稳定。35B A3B 有时还是会重复调用工具，但 27B 很稳定。唯一的问题是它在相同硬件上比 35B A3B 慢。