模型发布背景与核心定位
Qwen3.8 27B的发布被作者视为本地AI领域最令人期待和兴奋的更新之一。其前代模型已是同参数规模下性能最强、硬件兼容性最广的开源模型，能够在不花费数千美元计算资源的情况下运行于广泛的硬件设备上。此次发布的27B版本在保持高可用性的同时，进一步提升了性能上限。作者指出，对于关注本地部署的开发者而言，这种无需订阅即可访问前沿智能的能力具有极高的吸引力。此外，该模型采用Apache 2.0许可证，这是目前最自由和开放的开源协议之一，进一步降低了使用门槛。
基准测试数据与技术规格对比
在技术规格方面，Qwen3.8 27B支持262,000的上下文长度，并可扩展至100万。在关键的代码能力基准测试DeepSW SWE中，该模型得分从上一代的13.3大幅提升至42.2。这一飞跃性增长表明其在编程任务上的表现发生了质变。更令人震惊的是，27B参数的Qwen3.8在性能上几乎能与拥有近4000亿参数混合专家模型（MoE）的Qwen3.7 Plus相媲美，甚至在某些维度上接近Opus 4.6 Max版本。作者强调，虽然缺乏具体的DeepSW SWE原始数据来直接对比Opus 4.6 Max，但这种小型模型能实现一年前前沿模型（Frontier Model）级别的性能，且仅需单张显卡即可运行，这在本地AI领域是极具颠覆性的。
多模态能力与测试环境配置
除了文本和代码，Qwen3.8 27B还具备强大的多模态处理能力。它不仅能接受图像输入，还支持视频处理，官方文档甚至提及能处理长达一小时的视频。尽管作者因担心显存（VRAM）需求而未进行长视频测试，但这一能力本身已显示出其架构的先进性。在具体的评测实验中，作者选择了Q8量化版本（来自Unsloth）而非更常见的Q4或BF16。作者解释称，虽然Q8无法在单张24GB显存的显卡上运行，但为了获得更接近模型真实最高潜力的性能表现，并准确评估其与Opus 4.6等高端模型的差距，Q8是更合理的选择。测试硬件为RTX Pro 6000 GPU，该卡拥有充足的显存以最大化上下文窗口。
浏览器OS生成任务实测表现
在具体的“浏览器操作系统”（Browser OS）测试中，作者使用了名为Pulse的界面生成任务。模型成功生成了包含动态程序化背景、时钟日期显示以及右键菜单功能的界面。作者特别提到，模型生成的壁纸虽然被评价为“有点丑”，但具备动态效果。在开始菜单和设置界面的生成上，模型表现良好。针对新增的邮件客户端功能，由于LLM难以构建真正可交互的后端逻辑，模型生成了模拟的垃圾邮件内容。例如，收到来自“Pet”（宠物）的邮件：“零食在召唤”，以及关于量子意大利辣香肠披萨的通知。作者指出，虽然这些功能并非真正可用，但模型在界面布局和交互元素（如搜索框、文本输入）的视觉还原上展现了极高的智能水平，甚至能根据上下文生成幽默或元叙事（Meta）风格的回复。
GTA克隆生成：交通细节出色但交互存在严重缺陷
评测者首先测试了Qwen3.8 27B模型生成《侠盗猎车手》（GTA）克隆游戏的能力。在视觉表现上，交通系统的生成效果令人印象深刻，评测者表示从未见过如此细致的车辆和行人动态。然而，在核心交互逻辑上出现了严重问题。摄像机运动轴错误导致画面混乱，且玩家无法从车内出来制造混乱。评测者指出：“Look at that. I've not seen traffic this well done before.” 尽管画面中似乎发生了碰撞（听到撞击声），但由于视角问题无法确认。虽然相比前代模型，步行动画有所退步，但交通环境的丰富度使其在特定方面表现更佳。此外，模型生成的“Void Hunter”小游戏中，飞船移动逻辑较好，但缺乏反击机制且无法向前推进。评测者认为该游戏表现优于GTA克隆，因为后者连基本的移动都存在问题。在功能测试中，模型能正确计算 5752=2964*，但在生成“Wave deck”时出现了明显的视觉崩坏（眼睛消失），显示出多模态理解的不稳定性。
系统资源危机与测试环境切换
由于Open Code在运行过程中出现严重的内存泄漏，导致系统崩溃并丢失了约30分钟的浏览器OS测试记录。为解决这一问题，评测者将本地环境切换至Pi平台继续测试。同时，他在RunPod实例中并行运行了改进版的浏览器OS测试（v2.7）。在本地Pi环境中，评测者决定专注于C++滑板游戏的生成测试。此时模型处于“超高思考模式”（High thinking mode），这意味着它会进行更深入的推理。评测者观察到模型多次在开始写代码前停顿思考：“Okay, it's time to write the file. But wait, I also need to consider this.” 这种反复权衡表明模型具备较强的自我纠错意识，但也增加了生成时间。尽管过程曲折，模型最终成功过渡到文件编写阶段，显示出其在复杂任务规划上的潜力。
C++滑板游戏生成：从编译失败到初步成功
在C++滑板游戏的开发中，模型展现了细致的细节规划能力。它设计了包含水域（落水即失败）、NPC以及100个检查点等复杂机制，这与之前Gro 4.6测试中的表现类似。然而，编译过程遭遇了大量错误。评测者指出：“It had some, but that's okay... I will say it's doing great with the fixes and like surgically applying them.” 模型通过自我截图机制进行调试，这是一种令人印象深刻的多模态辅助规划策略。尽管初期摄像机和天空穹顶渲染异常，且玩家完全无法移动，但经过多次修复后，模型最终成功编译并运行了游戏。评测者观察到画面在短暂瞬间展现出极高的完成度，认为如果修复得当，这将是一个极具潜力的结果。尽管耗时超过一小时且过程充满挫折，但模型在自包含C++游戏生成上的自我修复能力值得肯定。
滑板游戏修复测试：局部模型的能力边界与真实世界局限
在针对一款滑板游戏的代码缺陷进行修复测试时，Qwen3.8 27B 模型展现出了显著的能力与明显的局限性。测试初期，游戏启动后摄像头会迅速环绕并陷入灰色空白界面，导致用户无法操作或看见内容。尽管模型尝试通过让场景在故障发生前短暂可见来缓解问题，但核心bug超出了该模型当前能力的修复范围。作者认为这是一个典型的“真实世界测试”案例，证明了本地大语言模型虽然能完成95%的工作量，但在处理深层逻辑错误时仍需人类专家介入以解决最后的5%
"I'm going to call this a failure because the bug is outside the scope of what it's actually able to fix."
尽管最终结果令人失望，且耗时极长，但模型在没有使用 Raylib 库的情况下仍能生成可运行的场景和移动的行人的行为依然令人印象深刻。虽然画面中出现了腿部渲染异常等瑕疵，且玩家角色无法移动，但这证明了该尺寸模型在代码生成上的潜力。作者强调展示这一失败案例的重要性在于诚实评估模型能力，而非为了宣传效果而假装其完美无缺。这种“95%完成度”的模型在现实开发中极具价值，但剩余的关键部分往往需要更高阶的能力或人工干预。
地铁FPS游戏生成：从挫败到惊艳的性能反转
为了验证模型在更复杂场景下的表现，作者转而测试了一个地铁第一人称射击（FPS）游戏的生成。这次测试通过 RunPod 实例进行，结果发生了戏剧性的转变。模型在音频、角色移动和敌人交互方面表现出色，甚至达到了“顶级”水准。地铁车厢的绘制质量良好，武器音效（如回声）和敌人（Shambler）的出现都显得自然且符合预期。作者的情绪从之前的滑板游戏测试中彻底转变，认为硬核C++游戏开发可能不是该模型的强项，但在特定类型的游戏生成上它非常出色。
"This is sick. This is like it's good at this stuff. Imagine though being able to knock out games like this with a local model."
测试中，模型成功生成了武器模型、涂鸦细节（如“Groove Knights M”和“No Leaning”警告）以及敌人淡出的视觉效果。尽管作者对某些术语（如“Groove Knights M”的具体含义）表示不解，但整体游戏体验流畅。特别是敌人被击败后的淡出效果和处理机制（如“antilimactic”状态）都显得精准无误。这一案例有力地证明了Qwen3.8 27B在处理具有特定氛围和交互逻辑的游戏场景时，具备超越预期的生成能力，尤其是在不需要极度复杂的底层物理引擎支持的情况下。
3D CAD模型生成：RB26发动机与N20电机的逻辑挑战
测试的最后一部分是3D CAD模型的生成，要求模型创建一个能容纳在N20 RC电机内的RB26发动机模型。这是一个极具挑战性的逻辑测试，因为N20电机的物理尺寸极小且形状非圆，而RB26是日产传奇的3.0升直列六缸双涡轮增压发动机。作者指出，模型显然知道RB26的基本结构（如双涡轮增压），但在适配极小的N20电机这一逻辑约束上出现了偏差。模型生成的SCAD代码虽然经过多次自动修复，最终渲染出的3D预览图显示其成功构建了发动机主体、涡轮和电机安装孔。
"The more I kind of let it stew in my head, the more impressed I am with what this did."
尽管生成的模型在打印时需要支撑结构，且未能完全准确反映N20电机非圆形的截面特征（模型似乎难以理解这一点），但其在细节上的表现依然卓越。生成的部件包括带有轴孔的盖子、保持环和齿轮箱底板，这些部分在尺寸上大致符合电机规格。作者认为，对于一个27B规模的本地模型而言，能够生成如此复杂且具有一定逻辑自洽性的3D CAD代码是绝对不可能被低估的成就。虽然并非完美可打印，但其生成的结构完整性远超同类规模模型的预期水平。
Slapis 手表网站生成的视觉与细节还原
测试者对 Qwen3.8-27B 模型在 Slapis Watch Website（一个高端手表品牌网站）的生成任务中表现出的卓越视觉还原能力给予了高度评价。该测试要求模型创建一个包含 3D 手表模型的动态镜头，并生成对应的网页内容。结果显示，模型生成的表盘细节极其逼真，不仅数字标记清晰，日期显示准确移动且方向正确，材质质感也处理得当。更令人惊讶的是，模型在生成的文本中自然地嵌入了渲染图链接，这在其他模型生成结果中并不常见。
"The watch face looks very good. The numeral markers look good... the time is accurately moving in the correct direction that it does in a watch. And the materials look good."（表盘看起来很好。数字标记也很好……时间以手表应有的正确方向准确移动，材质也看起来不错。）
在品牌故事生成方面，模型展现了极高的叙事连贯性与创意。它虚构了创始人 Emil Slapis 于 1987 年在欧洲某房间创立品牌的故事，并描述了 "Mason" 系列手表四十年来拒绝追逐潮流的品牌精神。测试者指出，这种超越训练数据常见套路的生成质量甚至优于一些前沿模型。尽管测试者个人对 "Aurora" 型号的外观评价不高，认为其设计丑陋，但对整体生成结果中的差异化细节处理表示赞赏。例如，模型为两款不同手表赋予了不同的日期显示，避免了简单的复制粘贴感。
通用对话中的幽默感知与情感智能测试
在名为 "Name them"（给图片中的人物起名）的通用聊天测试中，Qwen3.8-27B 展示了对复杂语境和幽默感的深刻理解。测试者提供了一张两位表情严肃、甚至带有怒意的老年夫妇照片，要求模型为其命名以匹配画面氛围。模型没有选择常规名字，而是提出了 "Dave and Sandra" 这一组合，并精准捕捉到休闲抓绒衣与维多利亚式壁纸之间的反差喜剧效果。当测试者进一步要求模型扮演这对夫妇回应其之前的玩笑时，模型展现了极强的角色代入感和情感深度。它生成了一段充满自责、懊悔且语气沉重的回复，模拟了祖母因被拿去世照片开玩笑而感到受伤的心理状态。
"The whole casual fleece and deadpan scowl versus Victorian wallpaper clash is doing a lot of the comedy."（整个休闲抓绒衣和死板皱眉与维多利亚式壁纸的冲突构成了主要的喜剧效果。）
测试者随后故意输入拼写错误 "got punked" 并指责模型，模型随即以完全符合角色设定的方式进行了回应。它没有机械地纠正拼写或道歉，而是继续沉浸在 "Sandra 的维多利亚式客厅存在主义危机" 中，表现出极度的震惊和心碎。这种在角色扮演中保持情感一致性和幽默感的能力，被测试者评为 "10 out of 10"。这表明该模型在处理需要微妙情感识别、文化语境理解以及非字面意义解读的任务时，具备接近人类水平的智能表现。
3D 模型生成与城市时间轴测试的局限性分析
在更具技术挑战性的 3D 模型生成任务中，Qwen3.8-27B 的表现呈现出明显的优缺点。测试者要求模型为 Acer Aspire Predator G7700 电脑创建一个高精度的 Three.js 3D 模型，并生成单个 HTML 文件以供交互查看。结果显示，模型的几何结构简化程度较高。虽然背面端口（GPU 出口、电源接口等）和铰链结构有一定还原，但整体外观过于简化，未能精确复现该复杂机箱的前后分体设计。测试者评价其结果为 "not great, but also not half bad"（不算好，但也不差），认为其在复杂硬件结构的拓扑还原上仍有不足。相比之下，在城市时间轴（City Chrono Timeline）测试中，模型在历史场景的氛围营造上表现优异。生成 1945 年的城市街景时，模型准确描绘了电车、鸟类飞行轨迹以及当时人物的服饰（如连衣裙）。测试者特别指出，对于 27B 这样规模的模型而言，其在动态元素（如飞鸟）和历史细节还原上的表现堪称优秀。
Qwen3.8 27B 的视觉生成能力：从复古到未来的细节把控
视频首先测试了 Qwen3.8 27B模型在图像生成方面的表现，通过设定不同年份的场景来检验其对时代特征的捕捉能力。从 1965年 的复古汽车开始，模型精准地生成了带有“白色墙壁”和旧式加油站细节的画面，甚至包括标志性的车尾鳍设计。随着时间线推进至 1985年，画面风格转向更方正、略显单调但符合时代审美的车辆设计；到了 2005年，建筑高度增加，细节更加丰富。进入未来视角的 2025年，模型成功识别并生成了自行车道、条状尾灯等现代元素。对于 2055年 的科幻场景，模型展现了惊人的想象力，生成了全息投影、极光效果以及人物面部的装饰物。尽管部分行人头部出现了类似“发光健身房”设备的异常细节，但整体构图和氛围营造被评价为 “非常优秀”。特别是对于 2045年 等中间年份，模型也能保持风格的一致性。
“对于这种体量的模型来说，这真的做得很好。看看那些指示牌……”
在细节观察中，测试者特别关注了 2025年 场景中的人物是否持有智能手机。结果显示，虽然人们没有拿手机，但头部前方有发光装置，这被解读为一种未来形态的设备。此外，1985年 场景中人物手持的物体被确认为“Boom Box”（便携式录音机），符合时代特征。测试者指出，1965年 的服装色彩更加柔和有趣（pastel and fun），而 1945年 的细节也较为清晰。总体而言，该模型在视觉生成的准确性、时代感还原以及复杂场景的构图上表现卓越，“对于其尺寸和性能而言，这是极好的”。
游戏开发辅助：从网页到复杂逻辑的编码能力测试
除了视觉生成，视频还深入测试了 Qwen3.8 27B在代码编写和游戏逻辑实现方面的能力。首先，模型成功构建了一个名为“Chrono City Block”的网页网站和一个基于浏览器的操作系统（Browser OS with Bit），展示了其在前端开发和界面逻辑上的扎实基础。随后，测试进入了更具挑战性的环节：基于经典游戏《PC Repair Game》（史蒂夫修电脑）进行二次开发。
测试者要求模型在原有游戏基础上添加跳过功能，但由于原版游戏的隐藏机制未在UI中暴露，直接修改难度极大。此时，测试者引入 Claude 作为辅助工具，将 Qwen3.8 生成的代码包裹在简单的 UI中。结果显示，Qwen3.8 27B能够独立编写出游戏内的对话脚本和任务逻辑。例如，在一段模拟的NPC交互中，模型生成了包含角色姓名（Mr. Thomas）、任务背景（数据公司Halden and Cross，中间人Ivan Krevchenko泄露客户身份）以及具体行动指令（“拆除、修复或爆破”）的完整剧情。模型还准确描述了物品位置，如公文包在长凳上、电话仅限特定楼层使用等细节。
“考虑到这个模型的大小，这已经非常棒了。它甚至写了对话。”
尽管在实现“跳过”功能时遇到了一些UI显示问题（如简历无法消失），但模型生成的核心逻辑和叙事内容被评价为 “非常扎实”。测试者认为，这种级别的代码生成能力通常属于更大参数的模型范畴，而 Qwen3.8 27B的表现超出了预期。然而，在尝试生成一个C++滑板游戏（Skate Game）时，模型表现不佳，未能正确实现移动功能，需要人类进行大量修正。这表明该模型在处理极度复杂的物理引擎或特定语言的高级游戏逻辑时仍存在局限。
综合性能评估：最佳本地模型的潜力与局限
视频最后对 Qwen3.8 27B进行了全面总结。测试在 Q8量化（Quantization）版本下进行，虽然未对比 Q4量化的性能差异，但当前结果已极具说服力。在所有测试项目中，模型表现如下：
- 视觉生成：极其出色。无论是复古还是科幻场景，细节丰富且逻辑自洽。
- 网页与基础代码：优秀。成功构建了复杂的交互式界面和操作系统原型。
- 游戏叙事与逻辑：良好。能生成连贯的剧情和任务描述，但在复杂UI交互上需人工辅助。
- 滑板游戏开发：较差。未能正确实现核心移动功能，被评价为“令人沮丧”。
- 地铁FPS游戏：惊艳。模型生成的第一人称射击场景被形容为“绝对stellar（杰出）”，尽管音频未录制，但视觉效果令人印象深刻。
“考虑到它是压缩模型，这是最好的本地模型。我会因为‘圆脸’这个名字记它一账，但其他方面都非常好。”
测试者强调，尽管在滑板游戏这一特定高难度任务上失利（甚至优于许多2.4万亿参数的大模型结果），但 Qwen3.8 27B在绝大多数任务中展现了 “远超其体量” 的能力。特别是在处理多步骤逻辑、创意写作和视觉理解方面，它被认为是目前 “最好的本地AI模型”。测试过程耗时约6小时（从上午11点到下午5点），涵盖了从简单图像到复杂游戏逻辑的全方位验证，最终结论是：除了极少数极端复杂的编程任务外，该模型在本地部署环境下提供了顶级的性能和体验。
广泛的设备兼容性与结语
在本期视频的结尾部分，作者重点强调了 Qwen3.8 27B 模型的一个核心优势：能够运行在尽可能广泛的潜在设备 variety（多样性）上。这一特性使得该模型不仅限于高端服务器或特定硬件集群，而是具备了极高的普及潜力和落地灵活性。通过这种广泛的兼容性，用户可以在更多样的硬件环境中部署和使用该模型，从而降低了使用门槛。作者对此表示赞赏，并认为这是衡量一个本地 AI 模型是否优秀的重要指标之一。
"able to be run on the widest potential variety of devices."
作者感谢观众的观看，并鼓励大家在评论区留下任何疑问。这种互动不仅有助于澄清视频中可能存在的模糊点，也为后续内容的优化提供了方向。广泛的设备支持意味着更高的实用价值，这也是本期视频想要传达给读者的核心信息之一。
后续评测计划预告
除了对 Qwen3.8 27B 的深入分析外，作者还透露了接下来的评测计划。他明确表示将重点测试 GLM 和 Google Gemini 3.7 flash 这两个模型。这一预告引发了观众的期待，因为 GLM 和 Gemini 都是当前市场上备受关注的 AI 模型。
"I will do GLM and Google Gemini 3.7 flash."
根据作者的初步安排，GLM 的评测预计将在大约八小时后完成并发布。这一快速响应显示了作者团队的高效运作能力。而对于 Google Gemini 3.7 flash，评测结果预计将在周六早上发布。这种分阶段的评测策略有助于观众逐步了解不同模型的表现，同时也为后续的深度对比提供了数据支持。
"Probably GLM in like eight or so hours and then Gemini in the morning of Saturday."
作者再次感谢观众的观看，并期待在下期视频中与大家见面。通过这种持续的评测更新，观众可以建立起对当前 AI 模型市场的全面认知。后续的 GLM 和 Gemini 评测将成为这一系列视频的重要组成部分，值得观众持续关注。
结论
Qwen3.8-27B凭借Apache 2.0协议及广泛的硬件兼容性，确立了当前本地AI领域的标杆地位。其核心优势在于极高的能效比与多模态理解力：在代码基准DeepSW SWE中得分跃升至42.2，视觉生成精准还原时代细节与复杂构图，且在浏览器OS、网页开发及叙事逻辑任务中表现卓越。模型具备强大的自我纠错与多步规划能力，能在地铁FPS等特定场景下生成惊艳内容。
然而，其短板同样明显：在处理极度复杂的底层物理引擎（如C++滑板游戏移动逻辑）及严格几何约束的3D CAD生成时，常出现核心功能缺失或结构偏差。尽管能完成95%的工作量并实现初步运行，但深层逻辑错误仍需人工介入。总体而言，该模型在创意、视觉及常规编码任务中表现顶尖，但在高难度系统工程领域仍存在局限。