超越基准测试：小型开放权重模型能完成实际编程工作吗？
这份实证经验报告回顾了2026年7月至10月使用开放权重模型开发编程智能体的工作。对不同客户端、服务配置和运行环境的测试发现，即使端点标称兼容，在工具调用格式、轮次控制、上下文处理、缓存复用和可靠性方面仍存在差异。一项研究中，直接编程通过15项中的15项；委派给量化版Qwen3-Coder 30B-A3B工作模型，分别通过15项中的12项和14项。在第二组测试中，直接编程通过45项中的45项，而Nemotron Cascade 2工作模型通过45项中的12项。研究没有对模型或运行环境进行总体排名，而是记录了模型服务、智能体协议、会话连续性和独立代码验证方面的实际挑战。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。