@akokoi1: 只要Skills写的好，根本不挑模型，我写的这个edulab Skills（根据题目生成3D立体几何解题演示），成功在Qwen3.8 27B UD-IQ4_XS上完成任务。 电脑配置： CPU：12400F GPU：RTX3080 20G…
摘要
用户成功使用edulab Skills在Qwen3.8 27B模型上生成3D立体几何解题演示，并讨论了在特定硬件配置下的性能表现和优化需求。
查看缓存全文
缓存时间: 2026/08/24 01:45
只要Skills写的好，根本不挑模型，我写的这个edulab Skills（根据题目生成3D立体几何解题演示），成功在Qwen3.8 27B UD-IQ4_XS上完成任务。
电脑配置： CPU：12400F GPU：RTX3080 20G 内存：DDR4 3200 32G
Agent工具： WorkBuddy
模型上下文128k，开启深度思考模式，速度35tok/s，完成这个任务耗时16分钟，占用83k上下文。
这个skills还得优化，在保证质量的同时要尽量缩短生成时间。
WY (@akokoi1): 最后下单了一张魔改20G的3080，甲方有本地数据隐私保护的需求，先随便弄一张显卡测试Qwen3.8 27B的能力上限。这张卡测试本地数据清洗能力应该是够了。
相似文章
@zhixianio: 这两天新机器到了之后，我开始了「苦行僧」式的强迫自己使用本地模型来完成常见任务的修行 本以为会非常痛苦，没想到无论是速度还是质量都大大超出我的预期： 模型： Qwen3.6-35B-A3B-oQ6-fp16-mtp 运行：oMLX，开 N…
作者在本地新机器上使用Qwen3.6-35B-A3B模型和oMLX工具进行日常任务，发现速度和效果远超预期，甚至在PA和Coding场景下优于远程LLM，体现了端侧AI能力的显著提升。
@servasyy_ai: https://x.com/servasyy_ai/status/2091416214283379123
本文详细介绍了Qwen3.8 27B模型的本地部署指南，覆盖Mac和Nvidia显卡的两条路线，并提供实测性能数据，帮助用户在消费级硬件上运行该模型。
@Xudong07452910: 让模型自己出题、自己解题、自己训练，最怕的就是把错误题目也一起学进去。 Qwen 团队这篇论文提出 Skill Self-Play，给模型的自我进化加入了一套会持续更新的技能库。 训练中有三个角色： Proposer 根据技能生成刚好有挑…
Qwen 团队提出 Skill Self-Play 框架，通过 Proposer、Solver 和动态技能控制器协同自我对弈，在工具调用和推理任务上显著提升模型能力。
@akokoi1: 这个AI教学工具的首个Skill，“立体几何解题”已经发布，支持文字解题、图片解题、随机出题。 主流模型测试了一轮，deepseek-v4-pro的性价比最高，0.2～0.3元一次，部分题目生成的准确率甚至比GPT5.5还高。
AI教学工具首个Skill“立体几何解题”发布，支持文字解题、图片解题和随机出题，测试显示deepseek-v4-pro性价比高，甚至部分题目准确率超过GPT5.5。
@MinLiBuilds: Qwen3.8-Flash-Next 的 GGUF，111GB 模型在双 4090 96G 竟然跑通了。 这模型是真的邪门。 我这台机器是： 2× RTX 4090 48G = 96GB 显存 62GB 内存 跑的是 Unsloth 的 …
成功在双RTX 4090 96GB显存上运行了111GB的Qwen3.8-Flash-Next GGUF模型，通过PLE和稀疏注意力优化实现了66 tokens/s的生成速度，并详细说明了量化和运行配置。