10 月 25 日前後，一種名為 GVS5H 的免訓練方法在 Hacker News 首頁引發關注：把同一個開源模型開五個例項，讓它們通過共享檔案系統裡的計劃、筆記與當前解分工協作，即可大幅提升編碼基準成績。據其論文，在 LiveCodeBench 最新 100 道 hard 題上，本地部署的 Qwen3.8-27B… 看完整事件
五個 Qwen3.8-27B 組隊，LiveCodeBench Hard 均分 9.8 超過 Fable 5
Memdoor 將 GVS5H 的多智慧體方法重建成 team-solve 工作流：規劃、兩個構思、求解、管理與修復各自從全新上下文出發，只通過磁碟上的檔案交流，在 LiveCodeBench Hard 前十題跑五輪均分 9.8/10。50 次執行解出 49 題，共花 35.79 美元（1530 萬輸出 token），單次中位 40 分鐘、約 0.39 美元，全部經 OpenRouter 呼叫而非本地。
同一款 27B 開源模型僅靠多角色檔案協作就把 LiveCodeBench Hard 均分做到 9.8，並公開全部 50 次執行、成本與失敗案例，對想做多智慧體 coding 與復現實驗的人有直接參考價值。
原標題：Memdoor: A team of 5 Qwen3.8-27B models beats Fable 5 on LiveCodeBench Hard
閱讀原文
| 評分 | 68 / 70（平均 69，門檻 76） |
|---|---|
| 狀態 | 未入選 |
相關報導
Qwen3.8 27B 在 DGX Spark 復現文字加法實驗，169 題答對 167
有人在本地 DGX Spark 上覆現了兩年前用 GPT-4o 做過的實驗：讓模型算出大數之和、但把答案寫成英文單詞。他用 Qwen3.8-27B-Q4_K_M.gguf，經 Codex Remote（GPT-6 Astra）執行，關閉推理時每組組合跑 30 次嘗試，開啟推理後每組只跑一次，169 次裡答對 167 次。作者也公開了部分大數計算的推理過程。
Third Moment 用 GPT-6 與 Codex 併發執行 1 萬個 agent
AI 實驗室 Third Moment Research 藉助 OpenAI 的 GPT-6 Astra、GPT-6.1 Sol 與 Codex，可同時執行 1 萬個 agent，單次自主研究持續 36–48 小時。Codex 曾定位量化回測瓶頸並部署快取與記憶體打包最佳化，把一年美股訂單級資料的回測從約 3 小時縮短到 3–5 分鐘，回測時間減少 97%。
Qwen3.8-Flash-Next 177B 在單張 RTX 5070 上跑出 11-15 tok/s
有人在 Windows 上用 llama.cpp 的專家流式方案，在單張 RTX 5070 12GB 加 32GB DDR4-2400 記憶體上執行 Qwen3.8-Flash-Next 177B（UD-IQ3_XXS），基準約 11.5 tok/s，日常對話可達 14-15 tok/s。一次長程式設計提示以 10.15 tok/s 生成 4,892 個 token，產出一個可執行的單檔案貪吃蛇遊戲。
聯想天禧 TianxiCode 登頂 SWE-bench-Live，問題解決率 71%
聯想天禧 AI 自研程式碼智慧體框架 TianxiCode 配合 DeepSeek-v4.1-Flash，在 SWE-bench-Live（Lite 分榜）以 71% 的問題解決率位列全球第一，並通過官方 Verified 核驗。該評測基於真實 GitHub 專案問題與可復現執行環境，官方會審查全鏈路智慧體執行軌跡並排查答案、測試用例洩露。
OpenCode 接 Ollama，斷網用 Qwen3.5 9B 本地完成編碼任務
Thomson Reuters 一位首席工程師在喜馬拉雅山麓斷網實測：用開源 coding agent OpenCode 1.19.4 連線 Ollama 本地執行的 Qwen3.5 9B，可完成解釋函式、排查失敗測試、重構和補功能，配置遮蔽了聯網工具、改檔案與跑命令前仍需確認。Qwen3.5 9B 下載體積 6.6–7.6 GB，建議預留 12–16 GB 記憶體，64k 上下文配置還要更多餘量；