🤖
Qwen 3 32B 盲測勝所有 Qwen 3.5
Qwen 3 32B 在 11 項盲測中以 9.63 平均分勝過所有 Qwen 3.5 模型。高效 3B 活躍參數的 Qwen 3.5 35B-A3B 贏得 4 項評測，適合本地硬體。Coder Next 落後通用模型。
Search
Tag: #benchmarks166 results
Nemotron 3 4B 基準測試落後 Qwen 3.5 4B 令人失望
Reddit 用戶在嚴苛自訂基準測試中檢驗新 Nemotron 3 4B Q8，包括數學證明、模運算求和及 JSON 結構化輸出。Qwen 3.5 4B 完美通過所有任務，而 Nemotron 儘管承諾更大上下文，卻嚴重失敗。詳細提示與失敗案例凸顯推理缺陷。
🤖
Qwen3.5-35B GGUF 量化基準測試
基準測試比較 Hugging Face 上 Qwen3.5-35B GGUF 量化版本（16-22 GiB）的 KLD 差異和速度。使用多語言 FLORES 200 和校準資料集。表格依 KLD 平均值和 99% 排名，在 RTX 3090 上 TG/s 最高達 143。
AgentFuel：時序代理客製化評估
研究人員評估 6 款資料分析代理，發現其在處理有狀態與事件特定時序查詢時存在缺口。他們推出 AgentFuel，協助領域專家快速建立客製化、具表現力的端到端評估基準。基準資料集已在 Hugging Face 上提供。
M5 洩漏基準測試領先 AI PC
洩漏基準測試顯示蘋果 M5 Max MacBook Pro 單核（4,268）與多核（29,233）分數創紀錄，超越所有消費級 PC，適合 AI 與專業任務。預算版 MacBook Neo 分數 3,461/8,668，優於 M1 Air。所有型號支援 Apple Intelligence。
Artificial Analysis 本地友好模型排行榜
Artificial Analysis 發布本地友好模型排行榜，按推理/非推理及大小分類。最高分包括 Solar Open 100B 達 22 分，Llama Nemotron Super 49B v1.5 達 19 分。Gemma 3 12B (12 分) 超越 27B (10 分) 的驚人結果。
Qwen3.5 小型模型少樣本基準驚人
Qwen3.5 0.8B/2B/4B/9B 少樣本基準顯示 0.8B 程式碼修復零樣本 67% 加例降至 33%。分類 8 樣本達 100%；4B 全任務穩定。結論推崇 4B 為最佳點。
Qwen3.5 對 Qwen3 基準測試視覺化
Reddit 使用者將官方 Qwen3.5 與 Qwen3 基準分數平均後視覺化。新模型（紫/藍）通常優於舊模型（橙/黃）。原始資料可在 Google Sheet 查看；小型模型部分資料缺失。
推動AI迭代的評測報告撰寫法
作者提出「體檢報告」式AI模型評測：結論前置、可重現快照、可執行評分、關鍵指標及典型案例，加速上線或修復決策。將基準視為資產，防洩漏維護並壞案例回歸。轉化評測為團隊系統加速迭代。
🤖
Google Cloud AI 領先模型三前沿
Google Cloud AI 在三個關鍵 AI 模型前沿領先：原始智能、回應時間和可擴展性。此領導地位使其在推進模型能力方面處於前列。分析強調這些維度的同時進展。