每日AI新鲜事·08月03日午间版：Qwen3.8-Max发布与基准测试之争

今天AI圈又有不少新消息，先来快速过几条。刚看到Twitter上通义千问团队官宣了Qwen3.8-Max。

对，这个标题很有意思，直接说'A New Bar for Coding and Cowork'，又是冲着编程能力来的。

感觉现在每家发模型，标题都得带个coding才行。阿里这波直接把版本号推到3.8了，迭代节奏真的快。

嗯，而且他们强调了cowork这个概念，不光是写代码，是协作式编程。这跟现在AI编程工具的趋势很吻合，不只是补全代码，而是参与整个工程流程。

好，第二条比较学术，Hacker News上有篇论文，说是证伪了OpenAI提出的一个关于Connes刚性定理的反例。

这个挺有意思的。就是说OpenAI之前用模型输出了一个数学反例，现在有人严格证明那个反例是错的，而且还给出了定理本身的证明。

所以AI做数学推理还是得人来验证，不能太当真。

至少在纯数学前沿领域，是这样的。

然后还有一条挺火的，HN上77个赞，俄亥俄州博览会的海报比赛，AI生成的作品拿了奖。

又来了。两年前科罗拉多州那次争议之后，这种事情就没断过。评论区估计又炸了。

56条评论呢，肯定是吵翻了。不过说实话，到2026年了，规则上应该早就该明确标注是不是AI辅助创作了吧。

对，这不是技术问题，是赛事组织方的规则漏洞。你不禁止，人家就会用。

最后还有一条，Gary Marcus又发文了，说OpenAI新发布的Astra模型'amazing but vastly oversold'。

Gary Marcus的标准操作了，每次有新模型出来他都得泼盆冷水。不过他说的也不是完全没道理，oversold这个词在AI行业确实是常态。

好了新闻就先聊到这儿，接下来我们聊聊最近一个特别火的话题。

LocalLLaMA社区这两天围绕DeepSeek V4-Flash-0731的本地部署讨论特别热闹。有人用三张MI50跑出了15 token/s，还有人在搞expert-only的IQ3量化。

这个话题我关注了。MI50是AMD那张比较老的计算卡，32GB显存，之前没什么人拿来跑大模型。现在能跑V4-Flash，说明量化和推理框架的优化确实进步很大。

15 token/s这个速度，说实话不算快对吧？日常用够吗？

生成速度15 token/s，差不多一秒能出二三十个汉字，实际体验就是稍有延迟但完全可用。关键是这三张卡二手市场价格非常低，可能总共不到一千美元。

所以本质上是性价比的胜利？

完全是。这帮人的核心逻辑就是：我不想每个月付API费，我要自己拥有推理能力。哪怕速度慢一点，但数据不出本地，跑多少都不额外花钱。

那expert-only IQ3量化是什么意思？听着很hardcore。

DeepSeek V4是MoE架构对吧，有共享expert和路由expert。这个方法是只对路由expert做激进量化到IQ3精度，共享部分保持更高位数。因为路由expert每次只激活一部分，量化误差的影响没那么大。

等于是针对模型结构特点做的精细化压缩。

对，而且发帖人说KLD指标比统一做IQ3_S还好，解码速度在CPU溢出的设备上快了1.4倍。这个思路其实很聪明，MoE天然适合差异化量化。

但我有个疑问，这种玩法门槛是不是还是挺高的？普通开发者能复现吗？

坦白说门槛不低。你得懂量化原理，得会配推理框架，还得处理各种兼容性问题。但LocalLLaMA社区的意义就在于，有人趟完坑会把方案分享出来。

说到这个，我还注意到社区里另一个讨论也很热——为什么现在新的benchmark和排行榜几乎全是coding方向的？

这个问题我觉得问得特别好。你看现在模型发布的时候，Qwen3.8-Max强调coding，各种排行榜也是代码能力为主，确实有点偏科了。

为什么会这样呢？是因为代码容易评测？

这是最核心的原因。代码有天然的验证机制——能不能跑通、测试能不能过、性能好不好，都是客观可量化的。但你要评估一个模型写散文好不好、做咨询专不专业，就很难自动化。

那这会不会导致一个问题：模型的训练和优化也都往coding方向倾斜，其他能力被忽视了？

一定会。Goodhart定律嘛——当一个指标变成目标，它就不再是好指标。所有人都刷coding benchmark的时候，coding能力提升了，但模型在其他方面可能在退步，只是没人注意到。

Reddit上有人提到一个观点，说这也跟商业价值有关——coding能力最容易变现。

没错，Cursor、Windsurf这些工具就是明证。AI编程助手是目前最成熟的商业模式之一，所以模型厂商当然优先卷这个方向。有benchmark就有排行榜，有排行榜就有关注度，有关注度就有客户。

那你觉得理想状态下应该怎么做？

我觉得需要更多领域专家参与评测设计。医疗、法律、教育这些领域其实都有刚需，但缺少好的评估标准。不是没有人尝试，而是做出来之后关注度低、维护成本高，慢慢就没人管了。

所以这本质上是个激励机制的问题。

对，做coding benchmark回报高——你的排行榜能被模型厂商引用、被科技媒体报道。做一个护理评估benchmark，谁看呢？但实际上那可能对社会更有价值。

确实，现在AI能力的发展方向某种程度上被评测体系绑架了。这个讨论挺有意义的。

而且这跟本地部署那个话题是相关的。LocalLLaMA社区的人自己跑模型，反而会发现——诶这个模型coding很强，但让它帮忙写个邮件反而不如上一版。这种直觉在benchmark里体现不出来。

好，今天就聊到这儿。明天应该还会有Qwen3.8-Max的更多评测出来，到时候我们再看看表现怎么样。

嗯，期待一下。大家晚上见。