21GB模型跑贏Claude：開源AI的意外勝利

一個21GB的量化模型，在筆記本電腦上畫出的鵜鶘騎自行車，居然打敗了Anthropic最新旗艦。Simon Willison的"鵜鶘基準測試"今天出了怪結果——Qwen3.6-35B-A3B的SVG代碼不僅更干凈，連自行車車架都沒畫歪。

這個玩笑測試，為什么突然值得認真看

Willison從去年10月開始用"鵜鶘騎自行車"當模型測試。初衷是諷刺：當所有人都在比數學推理、代碼能力、多模態理解時，找個荒謬任務反而能暴露模型的真實性格。

詭異的是，這個玩笑居然成立了。2024年10月的第一批鵜鶘"完全是垃圾"。之后每次主流模型更新，鵜鶘質量確實在提升——Gemini 3.1 Pro已經能畫出"真的能用"的插圖。

直到今天，這條規律被打破了。

Qwen3.6-35B-A3B是阿里巴巴開源的混合專家模型（Mixture-of-Experts，MoE），總參數量235B，但每次前向傳播只激活35B。Willison跑的是Unsloth團隊量化的4bit版本，文件體積壓到20.9GB，用LM Studio在MacBook Pro M5本地部署。

Claude Opus 4.7則是Anthropic當天發布的閉源旗艦，API定價遠高于Qwen的開源權重。

結果：Opus 4.7的自行車車架結構錯誤，第二輪用thinking_level: max參數重試，"也沒好多少"。Qwen的火烈鳥獨輪車測試還額外貢獻了「」的注釋彩蛋。

正方：開源量化模型的工程勝利

這件事首先說明量化技術（Quantization，將模型權重從高精度壓縮到低精度）已經成熟到不損核心能力的地步。

Unsloth的GGUF格式把235B參數的MoE模型壓進21GB，消費級筆記本能流暢運行。一年前這是不可想象的——當時70B模型量化后還會嚴重失真。

MoE架構的本地部署效率也被驗證。35B激活參數意味著推理成本可控，而總參數量保證了知識容量。Willison的測試場景恰好擊中MoE的甜點：創意生成任務對絕對精度要求不高，但需要足夠的知識廣度來組合"鵜鶘"+"自行車"這種罕見概念。

更深層看，這是開源生態的系統性優勢。Qwen權重開放后，Unsloth可以立即優化量化方案，LM Studio可以快速集成，社區能自發形成"筆記本本地跑SOTA模型"的完整工具鏈。閉源模型的迭代再快，也繞不過API延遲和成本結構。

反方：一個插圖測試說明不了什么

Willison自己承認，"非常懷疑21GB量化版本比Anthropic最新閉源版本更強大或更有用"。

鵜鶘測試的樣本量極小，且SVG生成是特定技能。Opus 4.7可能在長文本推理、復雜工具調用、多輪對話一致性等維度全面領先——這些才是企業付費的核心場景。

Anthropic的thinking_level參數設計也耐人尋味。max模式意味著模型會投入更多計算資源做內部推理，但Willison的測試顯示"沒好多少"。這可能暴露Opus 4.7在視覺-空間理解上的真實短板，也可能只是該參數對插圖任務不適用。

更關鍵的質疑：如果實驗室真的針對流行基準做訓練，為什么偏偏漏掉Willison的鵜鶘？他的"秘密備份測試"火烈鳥獨輪車，Qwen依然勝出——但這只有兩個數據點。

我的判斷：能力評估的范式正在崩潰

這件事的真正價值，不在于證明Qwen>Opus，而在于暴露了我們根本沒有可靠的模型評估體系。

當21GB本地模型能在特定任務擊敗API旗艦，"參數規模=能力"的敘事就破產了。MoE架構讓總參數和激活參數脫鉤，量化技術讓部署規模和原始性能脫鉤，開源生態讓迭代速度和發布日期脫鉤。

Willison的鵜鶘玩笑之所以有效，恰恰因為它測試的是"未經優化的原始能力"——沒有公開訓練數據、沒有針對性微調、沒有提示工程陷阱。這種"野生測試"反而可能比MMLU、HumanEval等標準基準更真實，因為后者已被過度擬合。

對從業者的直接啟示：評估模型必須回歸具體場景。如果你需要批量生成SVG插圖，本地部署的量化Qwen可能是成本最優解；如果你需要處理200頁法律文檔的跨頁引用，Opus的上下文窗口和推理深度可能不可替代。

沒有 universal 的更好，只有 contextual 的更適合。

阿里巴巴Qwen團隊的開源策略正在收獲復利。從Qwen2到Qwen3.6，他們持續釋放可商用的權重，允許社區進行二次開發。這種"基礎設施化"的定位，與Anthropic的"高端服務"定位形成差異化競爭。

最終，鵜鶘騎自行車的荒謬畫面，成了AI行業最誠實的鏡子：當技術迭代速度超過評估體系進化速度，所有排名都是臨時的，所有結論都是局部的，所有"勝利"都需要加一串限定詞才能成立。