应某人要求，我进行了35B智能体对比（原版 vs Ornith vs KAT-Coder，120次运行）

在我之前27B后训练对比评测的评论中，有人要求进行35B版本的对比，于是我就运行了。设置与上次相同：在我的k8s集群上创建全新的Coder工作区，每个工作区无头驱动我自己的代理（Hermes），模型通过llama-swap在单块5090上运行于llama.cpp，每次调用通过OTel垫片追踪到SigNoz，每次运行的完整转录。4个模型，6个自评分任务，5次重复，120次运行，每个分支都启用MTP，相同的采样，假设预先注册。KAT-Coder-V2.5-Dev 与最佳原版通过率持平（29/30，与 Qwen3.5-35B 并列），而输入 token 数量仅为两个原版模型的一半，并且在我看来工具行为最为规范（30次运行中零格式错误的工具调用泄露；原版 Qwen3.6 在某一个任务上泄露了195次）。所有六位分析器（来自三个模型家族）都独立指出其效率纪律而非偷工减料：每次编辑前进行基线测试，每个 bug 只做一个针对性补丁，每次重复都在正确路径交付成果。Ornith 的成绩是25/30，输给了自己的基础模型。它的失败在于执行机制而非知识：格式泄露在23秒时导致运行失败，全文件重写损坏了不相关的文件，还有一次研究运行虚构了一个 llama.cpp 发布标签，尽管其自身的推理说“我在草稿中提到的v4659是编造的”，但仍然提交了该标签。评分器通过了它。原版3.6是最强的原始分析器，也是最大的token消耗者；原版3.5则是安静可靠的那个。完整的报告包含方法、表格以及所有六次引用的逐任务分析：https://kmarble.dev/posts/35b-coder-bakeoff/。转录由AI分析器阅读，我对其中的每一项重要声明进行了抽查验证。