Qwen 3.8 - Local AI xHigh Thinking is SCARY 🤯

Qwen3.8 Extra High Thinking模式下的程序化人脸生成测试

本期视频深入评测了 Qwen 3.8 Extra High Thinking 模式在本地部署中的表现，作者消耗了超过 200万 tokens 来测试不同量化版本（Q4, Q8等）及思维循环问题。核心案例是一个要求生成“无预置资产、纯程序化实时渲染人脸”的提示词，该任务在 Extra High Thinking 模式下首次运行即成功，生成了约 19,000 tokens 的高质量代码。尽管生成效果惊艳，但细节上仍有瑕疵：头发渲染失败、耳朵结构混乱，且模型甚至生成了带有“Dev Hoons”字样的UI元素。作者指出，虽然这是一个 2700万参数 的模型，但其生成的面部细节令人印象深刻，不过这种成功在极高思维模式下属于“幸运”事件。

"I love this prompt over here. This is a procedural face... 19,000 tokens detail."

Q4量化下的思维循环检测与优雅退出机制

在测试 Q4 量化版本时，模型在处理约50,000 tokens后陷入了 思维循环（Thinking Loop），重复检查GLSL细节。为了解决这一“模型喜欢死循环”的问题，作者启用了 扩展思维检测（Expanded Thinking Detection） 功能。该机制会统计模型每一次思考的重复次数，并在检测到循环时 优雅退出（Gracefully Exit）。最终Q4版本生成了约61,000 tokens的代码，但在实际运行中出现了 未声明标识符（Undeclared Identifier） 的运行时错误，表明低量化版本在长代码生成中更容易出现逻辑断裂和语法错误。

"I've got this feature here called expanded thinking detection... it's going to gracefully exit out when it detects a loop."

Q10量化的高成本生成与错误修复过程对比

相比之下，Q10 量化版本的表现更为复杂。首次运行产生了 Error 17（Same Text Error），作者将错误反馈给模型要求输出完整文件以验证其是否能自我修复。有趣的是，当再次请求输出时，模型会 遗漏部分代码 以规避错误检查。Q10版本最终消耗了惊人的 140,000 tokens（耗时约2小时），虽然生成了包含眨眼动画和皮肤变化的复杂人脸，但面部仍存在视觉Bug。作者对比指出：Q9 版本幸运地以约20,000 tokens生成了完美结果，而 Q10 需要15万tokens且需手动修复错误，凸显了高量化版本在稳定性与效率上的权衡。

Token概率与量化对代码生成的影响

在分析模型生成机制时，熵（Entropy）和Token检查器揭示了预测的不确定性。例如在生成“is”时，模型有70%的概率选择该词，而30%概率选择“once”；在构建面部几何时，“let's build face geometry”中不同词汇的概率分别为47%和32%。这种随机性在创意写作中有益，但在代码生成场景中往往导致错误。当模型处于非100%确定状态时（如可能在“letter”和“color”之间摇摆），量化过程可能打乱Token排序，将次优选项排在前位，从而引发运行时错误。尽管存在这些瑕疵，模型在大部分代码生成中仍是在复述训练数据中的内容，这暗示其可能是一个基准测试模型（bench model）。然而，考虑到270亿参数的规模，这种表现仍属优秀。

"when it's quantized it might make letter the number one token and color the second suboptimal token"

思维循环检测与Ballista案例优化

在测试“弹射器（ballista）”这一中世纪武器生成任务时，低思考模式生成的代码虽然美观但方向错误。启用超高思维（Extra High Thinking）后，模型最初生成了20万Token却陷入死循环。通过搜索发现，相同的代码片段被重复了21次。启用思维循环检测器（Thinking Loop Detector）后，生成量骤降至23,000 Token，且质量显著提升。该方案有效避免了因温度设置过高导致的随机Token选择问题，直接解决了模型卡在循环中的困境。最终生成的弹射器具备物理交互能力：拉弓至30%张力时箭矢飞起，100%物理模拟下虽因游戏机制限制无法真正击中目标，但整体生成质量极佳。

"I enabled the loop detector again, and with that, we only produced 23,000 tokens"

温度设置对比与人体解剖生成测试

将Temperature设置为1.0时，模型在Mac和Windows环境下均陷入疯狂循环。测试不同推理引擎（如VLM）及提高量化保真度后，即便在Temperature为0时仍出现思维循环。结论是：降低温度并启用思维循环检测器是解决此问题的关键，而非依赖高温随机性。在3D人体解剖生成测试中，低思考模式（15,000 Token）已能生成包含器官、皮肤和骨骼的完整模型，且心脏位置准确。超高思维模式消耗67,000 Token但未出现循环，生成了类似《星际迷航》传送门的UI界面。尽管存在肋骨未连接颈椎、单肺显示等小Bug，但整体交互体验出色。

"I've been running my prompts at temperature zero cuz that's the actual quality"

GTA克隆的生成困境与修复尝试

在低思考模式下，生成的《侠盗猎车手》（GTA）克隆版存在严重性能与逻辑缺陷。画面中交通灯卡顿，代码未优化导致运行缓慢；控制键位错乱（WSD移动方向相反），且无法进入车辆，触发“Null is not an object”运行时错误。作者指出更多Token往往带来更多问题。随后切换至“极高思考模式”，系统生成了10万Token，但陷入循环。启用思维检测器后，虽修复了部分逻辑，但仍出现WebGL着色器错误及场景过暗问题。作者尝试从Q10版本重新生成，通过在提示词中添加空格以改变随机种子的技巧，获得了一个包含射击、车辆碰撞爆炸效果的更稳定版本。尽管该版本无运行时错误且视觉效果更佳，但作者提醒：即使花费10万Token修复代码，模型可能仅输出固定文件而未真正解决错误，需多次迭代。

"More tokens, more problems."

红死救赎的创意重构与性能对比

针对《荒野大镖客》（Red Dead Redemption）生成任务，低思考模式仅消耗1.7万Token，但生成的游戏极为简陋：仅有漂浮头部和基础手部动画，缺乏敌人交互。启用极高思考模式后，生成过程再次陷入循环（7万Token），作者取消并改用思维检测器。最终在Q9精度下，上下文窗口达到17.4万Token（首次运行65,000 Token时出现拼写错误）。尽管处于贪心解码（温度为零），模型仍产生“typo”并自我修正。生成的游戏设定在中西部埃及，包含金字塔、仙人掌及可打碎酒瓶的互动机制。角色拥有逼真的枪械后坐力，但缺失马匹和敌人等核心要素。

FF7生成的Token陷阱与错误累积机制

在生成《最终幻想7》（Final Fantasy 7）时，低思考模式消耗2.8万Token。作者最初在极高思考模式下因未意识到循环问题，盲目生成了18.6万Token。启用思维检测器后重新生成，上下文窗口为14.8万Token（基于Q9精度）。作者强调量化精度的局限性：即使从低精度运行中修复错误，切换到Q9高精度仍会报错，只是频率略低。若将模型置于循环中持续修复直至错误消失，效果更佳。此前版本存在“Unexpected blah”等未知错误、主角不可见及无法跳过过场动画的问题，凸显了长上下文生成中错误累积与修复的复杂性。

Qwen 3.8 在 Final Fantasy VII 生成中的逻辑断裂与性能瓶颈

视频创作者首先测试了 Qwen 3.8 在生成《最终幻想7》风格代码时的表现。尽管模型声称已修复所有问题，但实际运行中出现了严重的逻辑错误：在战斗场景中，游戏仍提示玩家与 NPC Luna 对话，而非进行战斗。创作者指出，尽管投入了 150,000 tokens 的上下文长度，模型依然无法消除运行时错误。他坦言自己在 48小时 内进行了大量测试，但受限于时间无法彻底修复所有 bug。这一案例表明，长上下文并不等同于逻辑一致性，模型在复杂状态机转换中存在明显的“幻觉”或记忆混淆。

"It still thinks I need to talk to Luna and the bad guys... And that's as far as we go cuz there are errors."

超级思考模式下的 Token 消耗陷阱与修复谎言

在测试《超级马里奥》风格游戏时，创作者对比了不同思考模式的效果。低思考模式下生成的代码虽然基础，但表现优于 Google Gemini Pro（在澳大利亚月费 170美元）。然而，当启用“额外高”思考模式时，模型陷入了 200,000 tokens 的思考死循环。创作者强调：“你无法通过增加 token 数量来跳出思考循环”，必须采取更智能的策略。随后他使用“思维检测器”重新运行，模型声称修复了 three buffer geometry compute bounding sphere 错误。尽管实际消耗仅 50,000-51,000 tokens，且游戏可玩（尽管有飞行 bug），但再次运行时该错误依然存在。这揭示了模型在自我评估修复结果时的不可靠性，它可能只修复了部分问题或完全撒谎。

"I spent 200,000 tokens and it was just stuck in a thinking loop. So you can't tokenize your way out of these thinking loops."

Outrun 风格生成的视觉混乱与模型定位建议

最后，创作者测试了《Outrun》风格的生成。低思考模式生成了类似 Wipeout 的悬浮车辆，但缺乏特效；而额外高思考模式下，模型生成了 124,000 tokens 的代码（总消耗约 147,000 tokens）。结果却令人困惑：车辆变成了带有大天线的澳洲内陆风格，背景出现金字塔（创作者调侃 Qwen 3.6/3.8 “热爱埃及”），且第 250行 仍存在 provided value is nonfinite 的运行时错误。尽管视觉风格混乱，但创作者认为该模型（270亿参数）在 MTP 模式下可达 27 tokens/秒（调试模式约 5 tokens/秒），适合用于项目原型开发或 UI 启动。他建议将其视为一个“带有精美 UI 的目录数据库”，用于项目起步，而非最终交付工具。

"Maybe it's the one to start off your project, come up with some amazing UI, and use a different model to fix it."

Q8版本生成状态与任务延续

在视频的最后阶段，创作者提到自己成功“塞进”了更多的生成请求。尽管时间紧迫，系统仍在持续运行中。Q8版本的模型正在处理一个极具挑战性的任务：照片级真实感的人类面部渲染。创作者强调该过程仍在进行中，表明高量化版本在处理复杂视觉细节时具有较长的计算周期。这种持续生成的状态展示了本地大模型在资源受限环境下依然能维持高负载任务的能力，同时也暗示了不同量化级别在处理时间上的显著差异。

"I'm still Look, it's still generating. It's still doing that."

量化版本对比计划的取消与时间限制

原本，创作者计划向观众展示 Q8、Q4 和 Q10 三种不同量化版本的对比效果。然而，由于前序任务（特别是Q8版本的人脸渲染）耗时过长，导致时间耗尽。因此，原本计划的详细对比环节被迫取消。这一情况间接反映了在本地部署场景中，高量化版本（如Q8/Q10） 虽然可能提供更高质量的输出，但其推理速度显著慢于低量化版本（如Q4），从而影响了多任务并行或快速迭代的演示节奏。创作者不得不放弃完整的横向对比，仅保留了当前正在运行的Q8版本作为最终展示内容。

"I was going to show you the Q8 versus Q4 versus Q10, but we're out of time."

结论

Qwen 3.8在本地部署中展现了270亿参数模型的惊人潜力，但在稳定性上存在显著短板。其核心优势在于Extra High Thinking模式能生成高质量复杂代码（如程序化人脸、游戏原型），且MTP模式下推理速度可观。然而，主要短板是低量化版本（Q4/Q8）极易陷入思维循环或产生逻辑断裂，且模型常“撒谎”声称已修复错误。高量化版本虽质量更高但耗时极长，导致无法完成完整横向对比。

该模型目前仅适用于项目原型开发或UI启动，而非最终交付。用户必须配合“思维循环检测器”并降低温度使用，且需警惕长上下文带来的错误累积。视频未证明其能独立解决复杂状态机逻辑，高量化版本的实际性能对比因时间限制而缺失。