两个本地 Qwen（3.8 27B unsloth Q6 和 Qwen flash next strata coder）模型 vs Claude Opus 4.6 在同样 3 个编程任务上的对比。其中一个打平了。无意引战，只是分享数据

首先，为了避免误解，先说清楚两点。我并不是在为某个模型或某家公司背书，我对它们都没有任何个人利益关系。我只是想亲自验证一下它们在同一工作场景下的表现。而我关注这件事的原因是： 我平时使用本地模型来写代码，想知道它们在多大程度上可以替代付费的第三方平台订阅。这就是主要动机。 ## 我做了什么 三个 Python 任务，从最简单到最复杂：一个日志文件解析器、一个并行进程管理器、以及一个小型编程语言的测试解释器。 每个模型使用完全相同的指令，仅运行一次，事后不做任何修正。然后是模型从未见过的隐藏测试（共 162 个），加上一份固定清单的代码审查：是否遵循了指令？代码可读吗？遇到异常输入会卡死吗？说明注释是否属实？ ## 结果（满分 100，最难任务权重为 3 倍） - Claude Opus 4.6：92.7 - Qwen3.8-Flash-Next "Coder"（本地）：92.7 - Qwen 3.8 27B Q6（本地）：87.0 https://preview.redd.it/sz517mg73ath1.png?width=1920&format=png&auto=webp&s=d8651d288fc7e712fa3c37b66cbf3dc0b22368be https://preview.redd.it/kdtp1ed93ath1.png?width=2000&format=png&auto=webp&s=df7d60e9a0845e02cd75029abce498c3fdabb570 ## 我从中得出了什么 隐藏测试的结果几乎持平：Opus 4.6 通过了 162 个中的 162 个，Coder 模型通过 161 个，27B 通过 160 个。 Coder 模型取得了与 Opus 4.6 相同的总分，但路径不同。 - 简单任务：两个本地模型都超过了 Opus（97 和 92 对 88） - 中等难度任务：Opus 胜出（96 对 94 和 91） - 困难任务（解释器）：Opus 和 Coder 都拿到了 92 分，而 27B 降到了 81 分 https://preview.redd.it/zhkga08c3ath1.png?width=2120&format=png&auto=webp&s=c60f0554864c105e3a72acd93e71a5efa354b695 Opus 4.6 仍然更强的地方：它的代码更干净，更容易维护。 本地 Coder 模型表现更好的地方：它在遇到奇怪输入时卡死的次数更少。 每个模型只运行了一次，所以我不会说「一个本地模型等同于 Opus 4.6」。我更愿意说：在这些规模的任务上，我无法从结果上区分它们。 就我个人的投入而言，这已经很有意义了。 请记住，Opus 4.6 并不是 Claude 的最新版本；在我更完整的测试中，目前更新的版本取得了更高的分数。 ## 本地配置 我的电脑：Intel Core i5-14400，48 GB DDR4 内存，两块 16 GB 的 RTX 5060 Ti（共 32 GB 显存），Windows 11。 - Qwen 3.8 27B，Unsloth Q6 量化：稳定速度 50 token/s - Qwen3.8-Flash-Next "Coder"：50 到 90 token/s，平均约 60-65 token/s 这是 Strata 项目的编码变体，一个裁剪版，每个层保留一半的专家（MoE），以 IQ1_M GGUF 格式发布。 详情：https://github.com/Niko1221/Strata/blob/main/docs/MODELS.md#coder ## 局限性，方便你自己评估这些数字 - 每个模型只运行了一次，2 到 3 分的差异没有意义。 - Coder 模型我运行了两次：第一次运行时我的电脑内存耗尽，所以我舍弃了那次结果并从头重跑。这里给出的是第二次运行的数字。 - 代码审查部分由一个 AI（Claude Fable 5.1）执行。 - Coder 模型测试了比另外两个模型更多的异常输入用例，因为我在过程中不断添加检查。因此它的评测标准稍微更严格，而不是更宽松。 - 仅限 Python，任务规模都很小。这不能说明任何关于在真实大型项目中工作的情况。