Qwen 3.8 vs Ornith 1.5：两款35B本地模型真实对比评测

五天两连发：本地模型圈的两强相撞

本地大模型圈五天内接连炸了两次。8月14日，阿里发布了稠密模型 Qwen 3.8（27B）；仅隔五天，8月19日 Deep Green Force 跟上开源的 Ornith 1.5（35B）。两者都是开放权重，都瞄准了消费级显卡用户——换句话说，都冲着你机箱里的那块 GPU 而来。

到底谁更强，目前谁都说不清。在直接的编程评测里，Qwen 赢得干脆：30个任务过24个；Ornith 只过15个，看起来一边倒。可当让两个模型从零做一个完整的3D游戏时，剧本立刻反转——Qwen 一次提示零引导直接交卷，Ornith 却被推着走了六轮才勉强追上。而一旦上下文拉长，速度上的攻守又再度易位。

本文改编自 YouTube 频道 PandaMakingMoney 的35分钟完整对比原片，不含任何赞助，两家模型背后都没有金主，全部依据公开评测、独立测试以及真实在自己机器上跑过模型的用户反馈。结论先行：谁赢，完全取决于你在优化什么。

架构对比：MoE省计算 vs 稠密模型省显存

Ornith 1.5：混合专家模型的计算优势与显存代价

Ornith 1.5（35B）出自 Deep Green Force，采用 MIT 协议，可随意修改、商用。家族里还有面向轻量硬件的9B精简版，以及一个397B的旗舰版本（家用机器根本跑不动），因此35B才是真正能落到消费级显卡上的主力。

它是混合专家（MoE）模型：内部有256个专家，每来一个 Token，路由器只挑8个上场，其余248个坐板凳。总参数35B，每个 Token 实际只激活约3B——这正是它推理速度快的根源。

但坑也在这里：路由是逐 Token 动态选择，你无法预测下一步会用哪些专家，因此全部35B参数必须同时常驻显存。计算便宜，显存不省。

Qwen 3.8：稠密架构配合混合注意力机制

Qwen 3.8（27B）走的是另一条路，采用 Apache 2.0 协议的稠密模型，来自阿里 Qwen 团队。27.7B参数全量激活，没有路由，没有专家挑选，整个模型每次都在干活。

但它把"省"字用在了注意力机制上——混合注意力。全模型64层中，只有16层用传统全注意力（需要记住越来越长的对话历史），另外48层用固定状态大小的线性注意力（DeltaNet）。效果是 KV 缓存几乎不随上下文膨胀：8K 上下文只多约0.5G，拉到32K也只多约2G，跑长编程、长对话时特别占便宜。显存省，但每个 Token 全家出动。

两家套路一致：云上放旗舰（Ornith 的397B、Qwen 的2.4万亿参数 Max 版走 API），开放给你本地托管的都是"小弟"。两种完全不同的工程赌注就此摆开。

跑分验证：厂商自报数据与独立第三方评测

大多数对比视频翻车的地方，就是把厂商自报数字直接贴一张表就完事。这里我们坚持打对折看。

Ornith 方面，Deep Green Force 自报 Terminal Bench 2.1 拿到60多分，自家编程榜重进70多。对35B级别确实好看，但每个数字都出自厂商测自己的模型、用自己的评测环境、跑在自己的硬件上，全程无第三方参与——不代表造假，但要按"车厂夸自己车最快"的标准来听。

Qwen 3.8 自家榜跳得更猛：Terminal Bench 2.1 从上代63.4涨到73.0，Deep SWA 从13.3近乎翻三倍到42.2，OS World 验证分从63.9冲到84.3。同样是自测自报。

全片唯一的独立证据来自 Artificial Analysis——这家第三方与阿里无利益关系。他们给 Qwen 打出52的智能指数，恰好追平满推理档的 GPT-5.6，智能体分51，甚至压过发布不到三个月的 Claude Opus 4.8。代价是啰嗦：同轮评测里 Qwen 生成约1.6亿 Token，而同级开放模型中位数才4300万，多了近4倍。而 Ornith 至今缺乏独立验证。

真人实测：编程能力与自主性深度检验

第一场：30道One-Shot编程题实测

社区有人用 Three.js 设计了30道一次性（One-Shot）编程题——每题只许一次作答，不给返工，不给额外引导。这砍掉了迭代的安全网，更接近真实的自动化编程流程。全部统一跑在 Q6 量化上以保证公平。

结果 Qwen 3.8 拿下24/30，全场最高。Ornith 那15个通过里，有好几个交的是纯白屏或碰巧满足判分条件的坏输出——技术上算过，实际上没法用。但公道话也要说：在它真正做出来的题上，产出质量明显好于上代。整场下来 Ornith 比 Qwen 多烧两到四成 Token，其中一部分还烧在了最终交废件的迭代上——你为没落地的结果付了算力。

第二场：从零生成GTA式3D游戏

第二场是纯真实工作流。测试者在 Apple M3 Ultra、512G 统一内存的机器上跑编程智能体，显存余量大到不成变量，专门看模型本身。任务很野：一句自然语言提示，要求做出致敬《GTA：圣安地列斯》的可玩3D游戏，大地图能自由探索、能偷车抢车、画面还要像样，全部从零生成。

Qwen 3.8 一次尝试、零额外引导直接完成——这对无人执手的编程智能体场景是极强信号。Ornith 则足足迭代了六轮，测试者形容"不停地推、不停地揪"，直言它"和 Qwen 不在同一个自主性等级上"。

长上下文性能：速度攻守逆转

但同一场测试里，速度立刻翻盘。对话拉近超长上下文后，Ornith 从每秒75 Token 缓降到45，跨过16万 Token 大关之后依然顺畅可用；而 Qwen 跨过同一道线，生成速度直接崩到每秒约5 Token，基本等于卡死。这不是小差距，而是长对话里一个还能用、一个已经废的区别。

显存成本对比与选购建议

不同显存档位的适配情况

Ornith 推荐 Q4_K_M 量化，模型加运行开销整包约23G才算舒服，官方和社区建议按27G以上准备。MoE 在这里变成包袱：256个专家必须同时进显存，就算每 Token 只用8个也一样。小卡的后路是用 CPU Offload 把部分专家卸到系统内存，12G的卡也能伺候，代价是速度肉眼可见地掉。

Qwen 同档 Q4_K_M 只要16到19G，24G卡装下后还能留出5.6万到6.4万 Token 的上下文——归功于那48层线性注意力。按显卡分档：

• 24G显存：Qwen 更从容，Ornith 贴着上限
• 16G显存：Qwen 明显更舒服
• 12G显存：Ornith 靠 CPU 卸载硬跑或激进量化
• 32G以上：两家都能放开手脚上 Q6/Q8

最终选择建议

选 Qwen 3.8 的场景：接近编程智能体、需要模型少人执手地干活——它一次过的表现遥遥领先，是唯一有独立第三方（Artificial Analysis）验证背书的选择，16-24G 显存装得更从容，工具链（Unsloth 动态量化）也最成熟。

选 Ornith 1.5 的场景：商业场景明确要 MIT 而非 Apache 2.0 协议，长期打超长上下文对话、显存又给得起。

关于独立验证的提醒

Ornith 1.5 发布才一周，跑分几乎全部由厂商自曝，35B 这一档的独立验证还很稀薄，Hacker News 上甚至有人质疑"自我改进"在这个规模是否成立。这不是说它差——工程扎实、速度优势打实——而是说信任要靠独立验证慢慢挣，不是靠发布周的一波热搜。此刻，Qwen 在"证据"这条路上走得更远。这是证据的差距，不是实力的判决。