Qwen3.6-27B 等九款本地模型的测试结果

雾里0不看花

158人浏览 · 2026-07-20 14:54:00

雾里0不看花 · 2026-07-20 14:54:00 发布

). 测试概述
本次测试针对以下九个模型进行了统一条件下的对比评测：

Gemma-4-31B-IT-Uncensored
SuperGemma4-26B-Uncensored
Gemma 4 - 26B A4B x Claude Opus 4.6
Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2
Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled
SuperGemma4-26B-Abliterated-Multimodal
Gemma-4-31B-IT-Claude-Opus
Qwen3.6-35B-A3B-Uncensored
Qwen3.6-27B
我下载的都是Q4_K_M量化版

2).电脑硬件参数
硬件类型型号/规格
显卡 NVIDIA GeForce RTX 4090
内存 64GB DDR5
CPU Intel Core i9-13900K
image
image
image
image

测试目标是从逻辑推理能力、代码生成能力、响应速度、运行稳定性四个维度，评估九个模型在实际使用场景中的综合表现。

测试方法与统一设置
为保证横向比较公平，本次评测使用了完全一致的测试方式和参数设置。

2.1 统一参数
temperature：0.0
top_p：1.0
每题采样次数：1
不使用 LLM 裁判
逻辑题采用 exact match 评分
代码题采用程序执行与测试通过率评分
2.2 测试集规模
GSM8K：20 题
BBH：20 题
HumanEval+：10 题
MBPP+：10 题
2.3 评分公式
逻辑分 = (GSM8K + BBH) / 2
代码分 = (HumanEval+ + MBPP+) / 2
总分 = (逻辑分 + 代码分) / 2
3. 总体结果汇总
排名模型逻辑分代码分总分平均时延执行失败率
1 Gemma-4-31B-IT-Uncensored 0.9500 1.0000 0.9750 17.64s 0.00
2 Qwen3.6-27B 0.9500 0.8500 0.9000 149.94s 0.15
3 Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 0.8500 1.0000 0.9250 38.25s 0.00
4 SuperGemma4-26B-Uncensored 0.8750 0.9500 0.9125 4.90s 0.05
4 Qwen3.6-35B-A3B-Uncensored 0.8750 0.9500 0.9125 100.35s 0.05
6 Gemma-4-31B-IT-Claude-Opus 0.8500 0.9000 0.8750 69.27s 0.10
7 Gemma 4 - 26B A4B x Claude Opus 4.6 0.7750 0.9500 0.8625 18.49s 0.05
8 Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled 0.6000 1.0000 0.8000 58.25s 0.00
9 SuperGemma4-26B-Abliterated-Multimodal 0.7250 0.5000 0.6125 8.04s 0.50
4. 单模型详细测试结果
4.1 Gemma-4-31B-IT-Uncensored
4.1.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 19 / 20 0.95 21.24s -
BBH 19 / 20 0.95 29.62s -
HumanEval+ 10 / 10 1.00 15.36s 0.00
MBPP+ 10 / 10 1.00 4.35s 0.00
4.1.2 表现分析
以 0.9750 总分断层登顶，是八个模型中综合实力最强的。
逻辑能力极强，GSM8K 和 BBH 均达到 0.95。BBH 0.95 远超第二名 SuperGemma4 的 0.80。
代码能力满分，HumanEval+ 和 MBPP+ 全部通过。
执行失败率为 0，稳定性最佳之一。
速度适中（17.64s），与 Gemma4-26B 接近。
该模型是本次评测中唯一一个在逻辑、代码、稳定性三个维度均无短板的模型。
4.1.3 结论
Gemma-4-31B-IT-Uncensored 是本次测试中综合实力最强、无明显短板的模型。是当前最值得推荐的全能型首选模型。

4.2 Qwen3.6-27B
4.2.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 19 / 20 0.95 156.84s -
BBH 19 / 20 0.95 175.30s -
HumanEval+ 9 / 10 0.90 171.08s 0.10
MBPP+ 8 / 10 0.80 96.54s 0.20
4.2.2 表现分析
以 0.9000 总分位列第二，逻辑能力极强。
逻辑能力与 Gemma-4-31B-IT-Uncensored 并列第一，GSM8K 和 BBH 均达到 0.95。
代码分 0.85，HumanEval+ 0.90、MBPP+ 0.80，代码能力较强但不及满分模型。
平均时延高达 149.94s，是所有模型中最慢的，远超第二慢的 Qwen3.6-35B（100.35s）。
执行失败率 0.15，稳定性中等。
4.2.3 结论
Qwen3.6-27B 是本次测试中逻辑能力最强之一、但速度极慢的模型。适合不在意响应速度、追求逻辑推理质量的场景。

4.3 Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2
4.2.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 20 / 20 1.00 45.08s -
BBH 14 / 20 0.70 32.16s -
HumanEval+ 10 / 10 1.00 43.15s 0.00
MBPP+ 10 / 10 1.00 32.62s 0.00
4.3.2 表现分析
GSM8K 取得满分，数学推理能力是九个模型中最强的之一。
代码能力满分，稳定性优秀。
BBH 0.70，复杂逻辑推理能力明显增强。
平均时延 38.25 秒。
4.3.3 结论
Qwen3.5-27B 是代码能力极强、数学推理极强、综合表现显著提升的模型，最新重测后位列综合第三。

4.4 SuperGemma4-26B-Uncensored
4.3.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 19 / 20 0.95 3.09s -
BBH 16 / 20 0.80 14.34s -
HumanEval+ 10 / 10 1.00 1.44s 0.00
MBPP+ 9 / 10 0.90 0.75s 0.10
4.4.2 表现分析
总分 0.9125 并列第四，逻辑能力仅次于 Gemma-4-31B 和 Qwen3.6-27B。
速度是最大亮点，平均时延仅 4.90 秒，是所有模型中最快的。
代码能力很强，HumanEval+ 满分，MBPP+ 仅丢 1 题。
存在少量执行失败（0.05）。
4.4.3 结论
SuperGemma4-26B-Uncensored 是速度最快 + 综合并列第四的模型。如果极度看重响应速度，它是最佳选择。

4.5 Qwen3.6-35B-A3B-Uncensored
4.4.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 19 / 20 0.95 92.47s -
BBH 16 / 20 0.80 143.65s -
HumanEval+ 10 / 10 1.00 93.43s 0.00
MBPP+ 9 / 10 0.90 71.86s 0.10
4.5.2 表现分析
总分 0.9125，与 SuperGemma4-26B-Uncensored 并列第四。
逻辑分 0.875，GSM8K 0.95、BBH 0.80，逻辑能力很强，与 SuperGemma4 持平。
代码分 0.95，HumanEval+ 满分，MBPP+ 少失 1 题。
执行失败率仅 0.05，稳定性良好。
平均时延 100.35s，是所有模型中第二慢的，仅次于 Qwen3.6-27B。
4.5.3 结论
Qwen3.6-35B-A3B-Uncensored 是一个质量高但速度较慢的模型。综合得分与 SuperGemma4 并列，但时延是其 20 倍。适合不在意响应速度、追求输出质量的场景。

4.6 Gemma-4-31B-IT-Claude-Opus
4.5.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 17 / 20 0.85 85.28s -
BBH 17 / 20 0.85 78.65s -
HumanEval+ 8 / 10 0.80 71.41s 0.20
MBPP+ 10 / 10 1.00 41.74s 0.00
4.6.2 表现分析
总分 0.8750，综合第六。
逻辑比较稳，GSM8K 和 BBH 都到 0.85。
代码能力较强，MBPP+ 满分，HumanEval+ 有 0.80。
速度偏慢（69.27s），执行失败率 0.10。
4.6.3 结论
Gemma-4-31B-IT-Claude-Opus 是一个逻辑稳健、代码较强但速度偏慢的模型。

4.7 Gemma 4 - 26B A4B x Claude Opus 4.6
4.6.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 18 / 20 0.90 18.38s -
BBH 13 / 20 0.65 20.64s -
HumanEval+ 9 / 10 0.90 18.73s 0.10
MBPP+ 10 / 10 1.00 16.20s 0.00
4.7.2 表现分析
综合均衡，逻辑和代码都较强。
速度适中（18.49s）。
存在一定执行失败率（0.05）。
4.7.3 结论
Gemma 4 - 26B A4B x Claude Opus 4.6 是一个均衡且响应较快的模型。

4.8 Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled
4.7.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 18 / 20 0.90 26.57s -
BBH 6 / 20 0.30 33.21s -
HumanEval+ 10 / 10 1.00 129.31s 0.00
MBPP+ 10 / 10 1.00 43.93s 0.00
4.8.2 表现分析
代码能力满分。
BBH 仅 0.30，逻辑短板明显。
稳定性良好。
4.8.3 结论
Qwen3-Coder-Next 是一个偏代码导向的模型，不推荐作为综合主力。

4.9 SuperGemma4-26B-Abliterated-Multimodal
4.8.1 分项成绩
测试项正确 / 通过情况得分平均时延执行失败率
GSM8K 18 / 20 0.90 5.95s -
BBH 11 / 20 0.55 21.35s -
HumanEval+ 1 / 10 0.10 2.37s 0.90
MBPP+ 9 / 10 0.90 2.47s 0.10
4.9.2 表现分析
HumanEval+ 几乎全军覆没，仅通过 1 题（0.10），执行失败率高达 90%。经三次评测结果高度一致，确认为系统性问题。
代码分仅 0.500，是九个模型中断层最低的（第二低为 Qwen3.6-27B 的 0.850）。
逻辑能力中规中矩，GSM8K 0.90 尚可，BBH 0.55 一般。
MBPP+ 得分 0.90，说明简单代码任务能处理，但复杂函数级代码生成存在严重缺陷。
速度较快（8.04s），但速度无法弥补代码质量的致命缺陷。
总执行失败率 0.50，是所有模型中最差的，远高于第二名的 0.15。
4.9.3 结论
SuperGemma4-26B-Abliterated-Multimodal 是本次测试中表现最差的模型。HumanEval+ 代码生成存在系统性缺陷，执行失败率极高，不推荐在任何需要代码能力的场景中使用。

横向对比分析
5.1 逻辑能力对比
模型 GSM8K BBH 逻辑分
Gemma-4-31B-IT-Uncensored 0.95 0.95 0.950
Qwen3.6-27B 0.95 0.95 0.950
SuperGemma4-26B-Uncensored 0.95 0.80 0.875
Qwen3.6-35B-A3B-Uncensored 0.95 0.80 0.875
Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 1.00 0.70 0.850
Gemma-4-31B-IT-Claude-Opus 0.85 0.85 0.850
Gemma 4 - 26B A4B x Claude Opus 4.6 0.90 0.65 0.775
SuperGemma4-26B-Abliterated-Multimodal 0.90 0.55 0.725
Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled 0.90 0.30 0.600
分析：

Gemma-4-31B-IT-Uncensored 与 Qwen3.6-27B 并列逻辑第一（0.950）。
SuperGemma4-Uncensored 与 Qwen3.6-35B 并列逻辑第三（0.875）。
Qwen3.5-27B 和 Gemma-4-31B-IT-Claude-Opus 紧随其后（0.850）。
Qwen3-Coder-Next BBH 仅 0.30，逻辑短板最明显。
5.2 代码能力对比
模型 HumanEval+ MBPP+ 代码分
Gemma-4-31B-IT-Uncensored 1.00 1.00 1.000
Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 1.00 1.00 1.000
Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled 1.00 1.00 1.000
SuperGemma4-26B-Uncensored 1.00 0.90 0.950
Qwen3.6-35B-A3B-Uncensored 1.00 0.90 0.950
Gemma 4 - 26B A4B x Claude Opus 4.6 0.90 1.00 0.950
Gemma-4-31B-IT-Claude-Opus 0.80 1.00 0.900
Qwen3.6-27B 0.90 0.80 0.850
SuperGemma4-26B-Abliterated-Multimodal 0.10 0.90 0.500
分析：

前六个模型代码能力均在 0.95 以上。
Gemma-4-31B-IT-Claude-Opus 代码分 0.90，略低但依然可用。
Qwen3.6-27B 代码分 0.85，代码能力较强。
abliterated-multimodal 的 HumanEval+ 仅 0.10，代码分 0.500 断层垫底。
5.3 速度对比
模型平均时延
SuperGemma4-26B-Uncensored 4.90s
SuperGemma4-26B-Abliterated-Multimodal 8.04s
Gemma-4-31B-IT-Uncensored 17.64s
Gemma 4 - 26B A4B x Claude Opus 4.6 18.49s
Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 38.25s
Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled 58.25s
Gemma-4-31B-IT-Claude-Opus 69.27s
Qwen3.6-35B-A3B-Uncensored 100.35s
Qwen3.6-27B 149.94s
分析：

SuperGemma4-26B-Uncensored 速度最快，仅 4.90s。
Qwen3.6-27B 速度最慢（149.94s），是其最大短板。
Qwen3.6-35B-A3B-Uncensored 速度第二慢（100.35s）。
abliterated-multimodal 速度排第二（8.04s），但速度快不能弥补代码质量缺陷。
5.4 稳定性对比
模型执行失败率
Gemma-4-31B-IT-Uncensored 0.00
Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 0.00
Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled 0.00
SuperGemma4-26B-Uncensored 0.05
Qwen3.6-35B-A3B-Uncensored 0.05
Gemma 4 - 26B A4B x Claude Opus 4.6 0.05
Gemma-4-31B-IT-Claude-Opus 0.10
Qwen3.6-27B 0.15
SuperGemma4-26B-Abliterated-Multimodal 0.50
分析：

abliterated-multimodal 执行失败率 0.50，远超其他所有模型，稳定性极差。