5 个前沿大语言模型根据 50 个提示词为 39 个本地大语言模型评分

这只是我跑了大约 10–20 个小时的一些东西（期间一直在添加模型），做了各种测试/基准测试，并让 4 个前沿大语言模型给本地大语言模型的回答打分（Claude 也算参与了一点评分，它的 token 太珍贵了）。下面的文字是大语言模型生成的，说实话，我懒得用自己的话重写，因为我也就是看看这些结果，然后继续折腾我的本地智能体。觉得你们中有些人可能会感兴趣。大模型跑了大约 44 个提示词/测试，小模型跑了 66 个。有些是我写的，大部分是 AI 写的，而 AI 生成的测试大多基于我之前用 AI 智能体做过的工作。评分花了大约 30–40 美元的 Argon 用量，Codex 评分则用掉了两个 5 小时的额度周期，至于 Antigravity 上的 Gemini 3.8，谁在乎呢。Astra、Sol、Terra、Argon、Gemini 和 Opus 5.5 都写了一些测试，我们平均每个参与者写的测试/基准测试数量应该差不多。所有测试都在一台配备 5060 Ti 16GB、64GB 内存和 5800X3D 的机器上进行。输出长度为 3 千 token，有些测试，比如调试，只有 1 个提示词，具体到调试测试，用的是我在一个项目中遇到的真实 bug。评分完成后，四位评委分别查看了各自的评分表、智能体数量、速度和六份示例回答，然后选出两个模型：自己最喜欢的（目前能力最强的），以及最适合作为基础的（适合进行微调并为其配备专用模型的）。Gemini 3.8 能力前三名：Bonsai-2 27B PQ2、Underdog-Saluki 27B、Qwen3.6 35B-A3B 基础模型前三名：Nanbeige4.2 3B、Gemma-4 12B Q6、Bonsai-2 27B PQ2 Terra（GPT-6.1）能力前三名：Bonsai-2 27B PQ2、Underdog-Saluki 27B、Gemma-4 12B Q6 基础模型前三名：Bonsai-2 27B PQ2、Underdog-Saluki 27B、Nanbeige4.2 3B Sol（GPT-6.1 Sol）能力前三名：Bonsai-2 27B PQ2、Underdog-Saluki 27B、Qwen3.6 35B-A3B 基础模型前三名：Underdog-Saluki 27B、Bonsai-2 27B PQ2、Qwen3.6 35B-A3B Argon（Gemini 4）能力前三名：Underdog-Saluki 27B、Bonsai-2 27B PQ2、Gemma-4 12B Q6 基础模型前三名：Gemma-4 12B Q6、Qwen3.6 35B-A3B、OmniCoder 9B Q8