新基准测试发布！
摘要
新基准测试对比了Qwen3.8-27b、Sol 5.6和Qwen3.6-35B模型在生成沙漠中骆驼背景下的自行车上的马SVG图像时的性能，使用了包含拼写错误的提示。
相似文章
Qwen3.8 27B 在 SVG 生成上超出了我的预期 :D
一位用户在 SVG 生成任务中测试了 Qwen3.8 27B 模型，并使用了一个复杂提示，发现结果超出了预期，突显了该模型在创造性任务上的能力。
我的笔记本上的Qwen3.6-35B-A3B画出的鹈鹕比Claude Opus 4.7更好
Simon Willison对比了在MacBook Pro上本地运行的Qwen3.6-35B-A3B与Claude Opus 4.7，发现Qwen生成的骑自行车的鹈鹕和骑独轮车的火烈鸟的SVG插图更好，不过他指出这个狭窄的基准测试并不能反映更广泛的模型能力。
我刚刚用Q4量化的Qwen 3.8 27与GPT 5.6 Sol high进行测试——在复杂动画SVG任务中轻松获胜
一名用户在复杂动画SVG任务中测试了Q4量化的Qwen 3.8 27B和GPT 5.6 SOL，发现Qwen表现更好，错误更少，突显了其在空间推理和编码方面的优势。
忘掉鹈鹕，迎来象鼻虫时代！ / 防基准测试过度的 SVG 和视觉基准测试
本文介绍了使用不同量化和设置测试 Qwen3.8-27B AI 模型，以将其图像重建为 SVG，目标是创建一个能抵御基准测试过度优化的基准。初步结果显示，高推理强度和特定的缓存配置能提升性能。
Horsey 挑战赛 | Strata Fork | Qwen 3.8 FN NVFP4
# 单卡 RTX 5090 运行 Qwen3.8-Flash-Next 125B-A6B：strata-nvfp4 引擎性能实测 有用户在**单张 RTX 5090** 上，使用 **strata-nvfp4** 引擎（Strata 的 NVFP4 分支）运行 **Qwen3.8-Flash-Next 125B-A6B** 混合 MoE 模型，并分享了「小马挑战」的性能数据。 ## 测试任务 「小马挑战」要求模型生成一段 HTML，其中包含一个 Three.js 低多边形风格的奔跑小马动画。 ## 性能数据 | 指标 | 数值 | | --- | --- | | 生成步数 | 87 步 | | 输出 token | 12.4 万 | | 平均解码速度 | 103 t/s | | 缓存命中率 | 99% | ## 亮点 - **单卡跑大模型**：125B 总参数、6B 激活参数的混合 MoE 模型，在一张 RTX 5090 上即可流畅推理。 - **高吞吐解码**：平均 103 t/s 的解码速度，足以支持长内容的一次性生成。 - **极高的缓存命中率**：99% 的命中率说明 KV 缓存复用非常充分，长上下文场景下开销极低。 - **NVFP4 量化收益**：借助 strata-nvfp4 引擎的 4-bit NVFP4 路径，模型权重与计算密度得到显著压缩，才使得如此规模的模型能在消费级显卡上运行。 ## 小结 这份实测表明，在 Strata 的 NVFP4 分支加持下，消费级单卡已经能够以实用速度运行百亿级激活参数的 MoE 模型，为本地大模型部署提供了新的可能性。