万亿参数与27B模型的基准对决
本期视频对比了蚂蚁集团新发布的Ling 1T非推理模型与阿里巴巴的Qwen 3.6（27B参数）。尽管Ling拥有万亿级参数量且活跃参数更多，理论上应大幅领先，但Qwen 3.6在基准测试中表现强劲，甚至击败了Claude Opus 4.5。主持人指出，Ling虽然被标榜为“最聪明的非推理模型”，但其实际表现令人存疑。在测试前，主持人展示了Qwen正在处理一道国际数学奥林匹克题目，已消耗12,000个token（上限为25,000），暗示其强大的推理潜力。这一对比旨在揭示模型规模与智能程度之间的非线性关系。
逻辑推理与日常决策对比
在测试“洗车店距离50米是开车还是走路”的逻辑题时，1万亿参数的Ling模型与27B的Qwen 3.6均给出了正确答案，即建议开车前往。值得注意的是，测试者运行27B模型时特意关闭了思考模式（thinking disabled），尽管这是一个支持推理的模型，但非思考模式下27B表现依然强劲。相比之下，Ling在此题中仅回答“走路”，被测试者评价为糟糕。这一结果展示了Qwen在基础逻辑判断上的稳定性，而Ling在此类简单场景下出现了失误。
高保真地球交互代码生成对比
在要求生成“高保真交互式武器化地球”的代码测试中，1万亿参数的Ling生成了约20,195个token的庞大代码。尽管生成速度仅为每秒11-12 token，耗时较长且最终运行出现错误，但测试者指出在OpenRouter上通常此类3D代码会报错，而本地量化版本能运行已属不易。反观27B的Qwen仅生成约9,000个token，速度为每秒13.3 token，虽然地球外观初始粗糙且“死星”效果不佳，但整体交互功能完整。最终测试者因Ling生成的地球视觉效果更美观、大气层与云层控制更佳，将本轮代码生成奖项判给1万亿参数的Ling。
Claude Sonnet自适应模式的质量争议
在测试过程中，Claude Sonet 的响应因 token 耗尽而中断，未能完整回答问题。作者指出 Claude Sonnet adaptive（自适应模式） 的表现令人失望，认为其输出质量显著下降。他回忆道：“以前它还有点‘汁水’（juice），但现在有了这个自适应思考，我发现它总是产生更多的垃圾。”尽管作者主要使用免费版本而非 Opus 模型，但他强烈建议观众分享对这种“变笨”现象的看法。这一部分揭示了 自适应推理机制 在实际应用中可能带来的负面体验，即模型在追求效率的同时牺牲了回答的丰富度与准确性。
"I always find that it always produces more garbage nowadays."
Qwen 3.6 (27B) vs Ling 1T：参数规模与胜率的对比
在最终的基准测试中，Qwen 3.6 (27B) 模型表现卓越，击败了绝大多数对手。作者强调：“通常来说，这个 270亿参数 的 Qwen 3.6 碾压了所有结果。”唯一让 Ling (1T)（1万亿参数）模型获胜的案例是作者最喜欢的一个创意任务：Ling 成功生成了一个“将海洋水平降低以使其更像地球”的图像，作者评价该结果“看起来非常漂亮”。这一对比突显了 参数量级差异（1T vs 27B）在特定创意任务上的不同表现，尽管 Qwen 在小模型中胜出率更高。
"The only one that the Lingarding Ding model won at is uh my favorite one."
Qwen 3.6的多模态能力与开源生态价值
除了文本生成，作者展示了 Qwen 3.6 的多模态能力。通过点击“Vision”功能并附加一张包含模型评分的图表图片，Qwen 成功识别出最高分为 59.3 的模型是 Qwen 与 Claude 的结合体。作者惊叹道：“它正在为你分析图像，而它的参数量只有 270亿。”此外，作者特别赞扬了 Ling 模型采用的 MIT许可证，呼吁观众支持开源开发者以推动技术进步。作者还上传了 Qwen 的版本供用户尝试，并推测其可能在非英语语言或特定数据库场景下表现更佳。
结论
测试表明，模型规模与智能程度呈非线性关系。Qwen 3.6 (27B)在逻辑推理、代码生成效率及多模态识别上表现稳定，甚至击败Claude Opus 4.5，展现了小模型的高性价比；而Ling (1T)虽在复杂3D代码生成的视觉美观度上胜出，但存在运行错误及简单逻辑失误的短板。总体而言，Qwen在多数基准测试中胜率更高且运行更流畅，适合日常逻辑与代码任务；Ling仅在特定创意视觉生成场景下具备优势。此外，Claude Sonnet的自适应模式因输出质量下降而受到质疑，进一步印证了大模型在效率与丰富度平衡上的挑战。