十三个模型评测测试报告

1). 测试概述

本次测试针对以下十三个模型进行了统一条件下的对比评测：

• 
  

  Gemma-4-31B-IT-Uncensored

  
  


• 
  

  QwOpus3.6-27B

  
  


• 
  

  Qwen3.6-27B-Neo-Code

  
  


• 
  

  Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2

  
  


• 
  

  Qwen3.6-27B-MTP

  
  


• 
  

  SuperGemma4-26B-Uncensored

  
  


• 
  

  Qwen3.6-35B-A3B-Uncensored

  
  


• 
  

  Qwen3.6-27B

  
  


• 
  

  Gemma-4-31B-IT-Claude-Opus

  
  


• 
  

  Gemma 4 - 26B A4B x Claude Opus 4.6

  
  


• 
  

  Qwen3.6-27B-Claude-Opus-Reasoning

  
  


• 
  

  Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled

  
  


• 
  

  SuperGemma4-26B-Abliterated-Multimodal

  
  

我下载的都是Q4_K_M量化版

2).电脑硬件参数

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，评估十三个模型在实际使用场景中的综合表现。

2. 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：0.1

  
  


• 
  

  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

  
  

2.4 评测命令

本次评测使用 run_eval.py 进行：

python run_eval.py --base-url http://localhost:1234/api/v1/chat --models qwen3.6-27b-mtp --gsm8k-limit 20 --bbh-limit 5 --humaneval-limit 10 --mbpp-limit 10 --request-timeout 900

3. 总体结果汇总

4. 单模型详细测试结果

4.1 Gemma-4-31B-IT-Uncensored

4.1.1 分项成绩

4.1.2 表现分析

• 
  

  以 0.9750 总分断层登顶，是十三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 远超第二名的 0.85。

  
  


• 
  

  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）。

  
  

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 QwOpus3.6-27B（2026-05-26 第二次评测）

4.2.1 分项成绩

4.2.2 表现分析

• 
  

  总分 0.9500，独占第二。

  
  


• 
  

  BBH 0.85，较首轮 0.70 大幅提升（+0.15），是本轮最大亮点。

  
  


• 
  

  代码双满分 + 零失败。

  
  


• 
  

  平均时延 44.63s，速度中等。

  
  


• 
  

  唯一在「代码满分 + BBH ≥ 0.85」双条件同时满足的模型。

  
  

4.2.3 结论

QwOpus3.6-27B 经第二次评测后 总分 0.9500、独占第二。是当前最接近 Gemma-4-31B 的模型（差距仅 0.025）。

---

4.3 Qwen3.6-27B-Neo-Code

4.3.1 分项成绩

4.3.2 表现分析

• 
  

  以 0.9250 总分并列第三。

  
  


• 
  

  BBH 0.85，复杂逻辑推理较强。

  
  


• 
  

  HumanEval+ 满分，代码能力 0.95。

  
  


• 
  

  执行失败率 0.05。

  
  


• 
  

  平均时延 101.76s，速度偏慢。

  
  

4.3.3 结论

Qwen3.6-27B-Neo-Code 是 逻辑与代码双强 的模型，并列第三。速度偏慢（101.76s）是其主要短板。

---

4.4 Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2

4.4.1 分项成绩

4.4.2 表现分析

• 
  

  GSM8K 满分，数学推理十三个模型中最强。

  
  


• 
  

  代码满分，稳定性优秀。

  
  


• 
  

  BBH 0.70，复杂逻辑推理有短板。

  
  


• 
  

  平均时延 38.25 秒。

  
  

4.4.3 结论

Qwen3.5-27B 是 代码满分 + 数学满分 的模型，并列第三。适合数学推理和代码场景，BBH 偏弱。

---

4.5 Qwen3.6-27B-MTP（2026-05-26 首测）★ 新模型

4.5.1 分项成绩

4.5.2 评测说明

本次为首测，使用 run_eval.py 评测，命令如下：

python run_eval.py --base-url http://localhost:1234/api/v1/chat --models qwen3.6-27b-mtp --gsm8k-limit 20 --bbh-limit 5 --humaneval-limit 10 --mbpp-limit 10 --request-timeout 900

附加 API 验证测试（rhyme 约束遵循）：

curl http://localhost:1234/api/v1/chat \

  -H "Content-Type: application/json" \

  -d '{

    "model": "qwen3.6-27b-mtp",

    "system_prompt": "You answer only in rhymes.",

    "input": "What is your favorite color?"

}'

API 验证结果：

• 
  

  模型严格遵循押韵约束，输出完整 AAAA 押韵诗节

  
  


• 
  

  推理 token 数 689（占总输出 94%），推理过程详尽

  
  


• 
  

  生成速度 27.86 tokens/s

  
  


• 
  

  首 token 延迟 1.022s

  
  

4.5.3 表现分析

• 
  

  总分 0.9250，首测即并列第三，跻身第一梯队。

  
  


• 
  

  GSM8K 0.90，数学推理较强但非顶级。

  
  


• 
  

  BBH 0.80，复杂逻辑推理中上水平。

  
  


• 
  

  代码双满分 + 零失败，代码稳定性极佳。

  
  


• 
  

  平均时延 84.37s，速度偏慢但比原生版（149.94s）快 44%。

  
  

4.5.4 Qwen3.6-27B-MTP vs 原生 Qwen3.6-27B 对比 ★ 重点

解读：

• 
  

  MTP（投机解码）版本实现了定位转换：从「逻辑极强 + 代码较强」转变为「代码满分 + 逻辑中上」

  
  


• 
  

  代码能力的提升是最显著的变化：MBPP+ 从 0.80 → 1.00（+0.20），HumanEval+ 从 0.90 → 1.00（+0.10）

  
  


• 
  

  速度提升 44%，MTP 投机解码的加速效果明显

  
  


• 
  

  代价是 BBH 从 0.95 降至 0.80（-0.15），逻辑推理能力有所削弱

  
  


• 
  

  总分反超原生版（0.9250 > 0.9000），排名从第八跃升至并列第三

  
  

4.5.5 结论

Qwen3.6-27B-MTP 首测即达到 总分 0.9250、并列第三。相比原生 Qwen3.6-27B，MTP 版本通过投机解码实现了代码满分和速度的双重提升，但以牺牲部分逻辑能力为代价。适合需要「代码满分 + MTP 加速」的场景，是原生版的有力替代方案。

---

4.6 SuperGemma4-26B-Uncensored

4.6.1 分项成绩

4.6.2 表现分析

• 
  

  总分 0.9125 并列第六。

  
  


• 
  

  速度 4.90s 最快。

  
  


• 
  

  代码能力很强，HumanEval+ 满分，MBPP+ 丢 1 题。

  
  


• 
  

  执行失败率 0.05。

  
  

4.6.3 结论

SuperGemma4-26B-Uncensored 是 速度最快 的模型。极度看重响应速度时首选。

---

4.7 Qwen3.6-35B-A3B-Uncensored

4.7.1 分项成绩

4.7.2 表现分析

• 
  

  总分 0.9125，并列第六。

  
  


• 
  

  质量高但速度第二慢（100.35s）。

  
  

4.7.3 结论

Qwen3.6-35B-A3B-Uncensored 是 质量高但速度较慢 的模型。

---

4.8 Qwen3.6-27B

4.8.1 分项成绩

4.8.2 表现分析

• 
  

  总分 0.9000，综合第八。

  
  


• 
  

  逻辑极强（0.950），并列第一。

  
  


• 
  

  代码 0.85，失败率 0.15。

  
  


• 
  

  速度最慢（149.94s）。

  
  

4.8.3 结论

Qwen3.6-27B 逻辑极强但速度最慢。建议考虑其 MTP 版本（qwen3.6-27b-mtp）作为替代。

---

4.9 Gemma-4-31B-IT-Claude-Opus

4.9.1 分项成绩

4.9.2 表现分析

• 
  

  总分 0.8750，综合第九。

  
  


• 
  

  逻辑稳健（GSM8K 0.85、BBH 0.85）。

  
  


• 
  

  速度偏慢（69.27s），执行失败率 0.10。

  
  

4.9.3 结论

Gemma-4-31B-IT-Claude-Opus 逻辑稳健、代码较强但速度偏慢。

---

4.10 Gemma 4 - 26B A4B x Claude Opus 4.6

4.10.1 分项成绩

4.10.2 表现分析

• 
  

  总分 0.8625，综合第十。

  
  


• 
  

  均衡型，速度 18.49s。

  
  

4.10.3 结论

Gemma 4 - 26B A4B 均衡且响应较快，适合通用助手场景。

---

4.11 Qwen3.6-27B-Claude-Opus-Reasoning（第四次重测）

4.11.1 分项成绩

4.11.2 表现分析

• 
  

  总分 0.8250，综合第十一。

  
  


• 
  

  代码满分 + 速度快（9.10s），但 BBH 0.35 逻辑严重短板。

  
  


• 
  

  定位：代码专精 + 速度优先。

  
  

4.11.3 结论

Qwen3.6-27B-Claude-Opus-Reasoning 定位为「代码专精 + 速度优先」，不适合逻辑推理场景。

---

4.12 Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled

4.12.1 分项成绩

4.12.2 表现分析

• 
  

  总分 0.8000，综合第十二。

  
  


• 
  

  代码满分，BBH 仅 0.30，逻辑短板极明显。

  
  


• 
  

  偏代码导向，不推荐综合使用。

  
  

4.12.3 结论

Qwen3-Coder-Next 是偏代码专用模型，不适合综合场景。

---

4.13 SuperGemma4-26B-Abliterated-Multimodal

4.13.1 分项成绩

4.13.2 表现分析

• 
  

  HumanEval+ 几乎全军覆没，执行失败率 90%。

  
  


• 
  

  代码分 0.500，断层垫底。

  
  


• 
  

  总执行失败率 0.50，所有模型最差。

  
  

4.13.3 结论

不推荐在任何需要代码能力的场景中使用。

5. 横向对比分析

5.1 逻辑能力对比

分析：

• 
  

  Gemma-4-31B 与 Qwen3.6-27B 并列逻辑第一（0.950）。

  
  


• 
  

  Qwen3.6-27B-MTP 逻辑 0.850（GSM8K 0.90、BBH 0.80），处于中上水平。

  
  


• 
  

  逻辑分 ≥ 0.85 共有 9 个模型，MTP 版位列其中。

  
  

5.2 代码能力对比

分析：

• 
  

  六个模型代码满分，Qwen3.6-27B-MTP 新晋。

  
  


• 
  

  代码满分 + 零失败的模型：gemma-4-31b、qwen3.5-27b、qwopus3.6-27b、qwen3.6-27b-mtp、qwen3-coder-next、qwen3.6-27b-claude-opus-reasoning。

  
  

5.3 速度对比

5.4 稳定性对比

5.5 「代码满分 + 逻辑强」双维度交叉筛选

• 
  

  BBH 排序：gemma-4-31b(0.95) > qwopus3.6-27b(0.85) > qwen3.6-27b-mtp(0.80) > qwen3.5-27b(0.70) > claude-opus-reasoning(0.35) > qwen3-coder-next(0.30)

  
  


• 
  

  Qwen3.6-27B-MTP 代码满分 + BBH 0.80，在代码满分阵营中逻辑排第三

  
  

5.6 Qwen3.6-27B 版本对比

• 
  

  MTP 版本是原生版的最佳「代码 + 速度」升级：代码满分、速度提升 44%、零失败

  
  


• 
  

  Neo-Code 版本是原生版的最佳「逻辑保持」升级：逻辑 0.900、代码 0.950

  
  

6. 关键结论

6.1 综合排名

1. 
   

   Gemma-4-31B-IT-Uncensored（0.9750，断层第一，逻辑碾压 + 代码满分 + 零失败）

   
   


2. 
   

   QwOpus3.6-27B（0.9500，独占第二，BBH 大幅提升 + 代码满分 + 零失败）

   
   


3. 
   

   Qwen3.6-27B-Neo-Code（0.9250，并列第三，逻辑代码双强，速度偏慢）

   
   


4. 
   

   Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2（0.9250，并列第三，代码 + 数学满分）

   
   


5. 
   

   **Qwen3.6-27B-MTP **（0.9250，并列第三，首测即跻身第一梯队，代码满分 + MTP 加速）

   
   


6. 
   

   SuperGemma4-26B-Uncensored（0.9125，并列第六，速度最快 4.90s）

   
   


7. 
   

   Qwen3.6-35B-A3B-Uncensored（0.9125，并列第六，质量高但速度慢）

   
   


8. 
   

   Qwen3.6-27B（0.9000，逻辑极强但速度最慢）

   
   


9. 
   

   Gemma-4-31B-IT-Claude-Opus（0.8750）

   
   


10. 
    

    Gemma 4 - 26B A4B x Claude Opus 4.6（0.8625）

    
    


11. 
    

    Qwen3.6-27B-Claude-Opus-Reasoning（0.8250，代码专精）

    
    


12. 
    

    Qwen3-Coder-Next — Opus 4.6 Reasoning Distilled（0.8000，偏代码专用）

    
    


13. 
    

    SuperGemma4-26B-Abliterated-Multimodal（0.6125，不推荐）

    
    

6.2 场景化推荐

综合最强、全面无短板

Gemma-4-31B-IT-Uncensored（0.9750，断层第一）

综合强 + 代码满分 + 逻辑强

QwOpus3.6-27B（0.9500，BBH 0.85 + 代码满分）

代码满分 + MTP 投机加速

**Qwen3.6-27B-MTP **

• 
  

  总分 0.9250，并列第三，首测即跻身第一梯队

  
  


• 
  

  代码双满分 + 零失败

  
  


• 
  

  BBH 0.80，逻辑中上

  
  


• 
  

  速度 84.37s，比原生版快 44%

  
  


• 
  

  原生 Qwen3.6-27B 用户的理想升级方案

  
  

综合强 + HumanEval+ 满分 + BBH 强

Qwen3.6-27B-Neo-Code（0.9250，BBH 0.85，速度偏慢 101.76s）

极致速度

SuperGemma4-26B-Uncensored（4.90s 最快）

逻辑极强 + 不在意速度

Qwen3.6-27B（逻辑 0.950 并列第一，但速度 149.94s 最慢；建议考虑 MTP 版本替代）

不推荐

SuperGemma4-26B-Abliterated-Multimodal（HumanEval+ 失败率 90%）

7. 最终总结

本次测试显示，十三个模型在"逻辑、代码、速度、稳定性"四个维度上表现差异显著。

• 
  

  Gemma-4-31B-IT-Uncensored：综合实力断层第一（0.9750），逻辑碾压 + 代码满分 + 零失败，全能型首选。

  
  


• 
  

  QwOpus3.6-27B：独占第二（0.9500），BBH 跃升至 0.85，唯一同时实现「代码双满分 + BBH ≥ 0.85」的模型。距第一仅差 0.025。

  
  


• 
  

  Qwen3.6-27B-Neo-Code：并列第三（0.9250），逻辑与代码双强，BBH 0.85，速度偏慢。

  
  


• 
  

  Qwen3.5-27B：并列第三（0.9250），代码满分 + 数学满分，BBH 0.70。

  
  


• 
  

  Qwen3.6-27B-MTP ★：并列第三（0.9250），首测即跻身第一梯队。相比原生版实现「代码满分 + 速度提升 44%」，是原生用户的理想升级方案。

  
  


• 
  

  SuperGemma4-26B-Uncensored：并列第六（0.9125），速度极快（4.90s）。

  
  


• 
  

  Qwen3.6-35B-A3B-Uncensored：并列第六（0.9125），质量高但速度第二慢。

  
  


• 
  

  Qwen3.6-27B：综合第八（0.9000），逻辑极强并列第一，速度最慢（149.94s）。

  
  


• 
  

  Gemma-4-31B-IT-Claude-Opus：综合第九（0.8750），逻辑稳健。

  
  


• 
  

  Gemma 4 - 26B A4B：综合第十（0.8625），均衡型，速度较快。

  
  


• 
  

  Qwen3.6-27B-Claude-Opus-Reasoning：综合第十一（0.8250），代码专精 + 速度优先，逻辑短板。

  
  


• 
  

  Qwen3-Coder-Next：综合第十二（0.8000），偏代码专用。

  
  


• 
  

  SuperGemma4-26B-Abliterated-Multimodal：综合第十三（0.6125），不推荐。

  
  

最终推荐（按优先级）：

1. 
   

   Gemma-4-31B-IT-Uncensored — 综合最强，全能首选

   
   


2. 
   

   QwOpus3.6-27B — 代码满分 + BBH 0.85，性价比最高的综合强者

   
   


3. 
   

   **Qwen3.6-27B-MTP ** — 代码满分 + MTP 加速，原生版最佳替代

   
   


4. 
   

   SuperGemma4-26B-Uncensored — 速度 4.90s 最快，交互效率优先