Qwen 3.8 27B 在筆記本上僅憑模型權重識別遊戲
Simon Willison 用 LM Studio 在筆記本上執行 17GB 的 Qwen 3.8 27B，僅憑一段浮點權重文字就判斷出該網路訓練的是哪款遊戲。它花 46 分 12 秒、43,506 個推理 token 猜出 Pac-Man（置信度 72%），又用 1 小時 4 分 54 秒認出 Pong。
這是一次可復現的本地實測：27B 模型在消費級筆記本上也能只看原始權重做推斷，為在本地跑模型的人驗證了「權重空間程式設計」的可行性。
原標題：Qwen 3.8 27B on my laptop can interpret model weights, too
閱讀原文
| 評分 | 76 / 76（平均 76，門檻 76） |
|---|---|
| 狀態 | 精選 |
相關報導
Qwen3.8-27B 在 iPhone 18 神經引擎上跑出 70 tok/s 峰值
Qwen3.8-27B 已在 iPhone 18 的 Apple Neural Engine 上執行，解碼速度 15–60 tok/s；作者隨後確認 24K 上下文下 K/V 用 int8、delta net 保持 FP16，峰值可達 70 tok/s。模型基座是 PrismML 的 Bonsai-2，從 1.585 bpw 重新量化為 1.5 bpw（每 4 個權重 6 位向量量化），並加入約 2.8 bpw 的 dflash-2 草稿模型加速，代價是接受率小幅下降。
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。
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。
GVS5H 讓五個 Qwen3.8-27B 例項協作，LiveCodeBench 達 92.4%
本地部署的開源 Qwen3.8-27B 用上 GVS5H 後，在 LiveCodeBench 最新 100 道 hard 題上的 pass@1 從 66.8% 升到 92.4%。該方法不需要訓練：同一模型開五個例項，通過共享檔案系統裡的計劃、筆記與當前解來拆解問題並協調，在固定後端上最多帶來 25.6 個百分點提升。雲端編排的 Qwen3.8 Flash Next 達到 93.0%，高於 Fable 5 的 90.4%，成本僅為其 9%。收益並不普遍，部分模型持平或變差；
Qwen3.5 4B 權重內嵌 RISC-V CPU，用 GDN 層當記憶體
實驗模型 Qwenputer 在 Qwen3.5 4B 權重裡編譯進一顆 32 位 RISC-V CPU（RV32IM 加 Zba 擴充套件），以 Gated DeltaNet 注意力層的狀態矩陣當 RAM。CPU 佔模型 32 層中的前 11 層，全程不訓練，權重由編譯器直接寫入；它已通過官方 riscv-tests，程式結果與 qemu 一致，自由執行 1800 萬條指令無差錯，能跑 C 和 MicroPython，但還不到跑 Linux 的程度。