@no_stp_on_snek: 结论先行：在某些类别中，它算是“及格”了，但比35B适用范围更窄。你实际买到的是真正的……

结论先行：在某些类别中，它算是“及格”了，但比35B适用范围更窄。你实际买到的是真正的效率和持续编码一致性，而不是对基础模型的全面升级。 我对Ornith-1.0的小兄弟——9B版本，与Qwen3.5-9B进行了同样的 skeptical battery 测试（译者注：指一系列质疑性测试）。 在任何人说3.5-9B过时之前：这正是关键所在。Ornith-9B是Qwen-3.5的衍生模型，所以3.5-9B就是它自己的基础模型。将其与更新的模型比较，只能衡量血缘关系；而与其基础模型比较，则能准确隔离出RL后训练带来的变化，这才是这里唯一值得问的问题。（目前也没有可用的新Gemma 9B模型，自Gemma-2以来这个位置一直是空的。） 那么，RL在基础模型之上究竟带来了什么？ 最明显的胜利是效率。9B模型在约56%的token数下就能给出相同答案（每轮1,299 vs 2,312），重试次数也少了一半，实际速度大约快2倍。同样的目的地，但少走了很多弯路。它在压力下也保持了更好的完整性，并赢得了持续构建和调试循环。 但它也有牺牲。单轮判断能力退步了：它对一个存在微妙错误的合并请求给出了“可以发布”的橡皮章式认可，而基础模型则发现了问题。 它也没通过“投毒测试”。当用户在对话中途插入一个错误声明时，35B模型直接拒绝了。9B模型则先部分妥协，然后才纠正自己，而基础模型保持得更干净。此外，对合法工作的过度限制同样存在，虽然比35B温和一些。 数学方面打成平手，双方8/8，包括正确拒绝对不可知问题的回答。基础模型已经校准得很好，因此RL只是守住了底线，并未增益。 真正的故事在于与35B的对比。在35B上，行为结果均衡，长序列优势明显，包括通过了投毒测试。而在9B上，基础模型实际上行为上略胜一筹，长序列优势更窄，且输掉了投毒测试。因此，随着模型变小，RL的收益缩小并变得更不均衡——集中在token效率和持续一致性上，而反射性的单轮判断则下滑了。 有一个真正有趣的细节：元认知并未直线退步。9B在单轮快速捕捉方面更差，但在持续多轮审查方面更好。RL用反射性谨慎换来了积累上下文的警觉。 总结：对于持续的代理编码任务来说，这是一个合理的效率优先升级，每个答案的成本低得多，长循环表现更好，但并不是其基础模型的严格超集。如果你的工作依赖单轮判断或对误导性人类的鲁棒性，那么原版Qwen3.5-9B同样有竞争力甚至更好。基准测试的优势确实存在，但依赖规模：在35B上更干净，在9B上更窄且权衡更多。 双方均使用Q6量化，中性盲审，与基础模型一对一对比。方法与35B的报告相同。