本地模型多项基准反超Opus 4.8，内存才是真门槛

最近一张对比表，把五款能下载到本地的模型和云端的 Opus 4.8 放在一起。表是 GLM-5.3 照着各模型的官方 Hugging Face 页面整理的。发布者写明，Opus 的成绩只作参考，不参与每行的最佳排名。

五个本地模型的规模差得很远：

- DeepSeek-V4-Flash-Vision-Exp：总参数约 285B，激活参数 13B
- DeepSeek-V4-Flash-0731：总参数 284B，激活参数 13B
- Qwen3.8-Flash-Next：总参数 125B，激活参数 6B
- GLM-5.3-Flash：总参数 320B，激活参数 18B
- Qwen3.8-27B：总参数 27B，激活参数 27B，没有混合专家结构

Opus 4.8 的参数规模没有公布。

简单说，总参数是模型文件的完整规模，激活参数是每次推理真正用到的那部分。前四个模型走的是混合专家路线：总参数很大，每次只激活一小块，运行时的内存压力因此小很多。Qwen3.8-27B 没做这一步，全部参数一起上阵。

编程、智能体、多模态

编程和终端操作的几行，本地最高分没有归到一家头上。Terminal Bench 2.1，DeepSeek-V4-Flash-Vision-Exp 拿 83.9，Opus 是 85.0。NL2Repo 上同样是它拿 57.7，Opus 是 69.7。SWE-bench Pro 和 SWE-bench Multilingual 归 Qwen3.8-Flash-Next：Pro 上 62.5 对 69.2，Multilingual 上 81.0 对 84.4。DeepSWE 一行，GLM-5.3-Flash 以 61.1 超过 Opus 的 58.0。

智能体测试看的是工具调用和自动化操作。Toolathlon-Verified 上 DeepSeek 75.9，Opus 76.2。CoWorkBench 和 JobBench，Qwen3.8-Flash-Next 拿 73.9 和 55.7，那两行没有 Opus 成绩。Agents“ Last Exam 上 GLM 拿 28.1，Opus 只有 25.7。

知识推理这边，GPQA Diamond 上 Qwen 拿 91.7，Opus 93.6。HLE 分两种测法。不带工具，Qwen 35.9，Opus 49.8，云端领先明显。带上工具，GLM 22.9，Opus 25.4，差距缩到 2.5 分。

视觉类的结果里能看到反超。Chartography 上 DeepSeek 视觉版 64.3，Opus 65.0。ZeroBench 的 Pass@5，DeepSeek 视觉版 35.0，Opus 34.0。BabyVision 差距更大：Qwen3.8-27B 拿 65.7/85.6，GLM-5.3-Flash 是 73.0。Opus 只有 34.1，本地模型翻了一倍以上。

分数之外是内存

把这些数字当成竞赛排名看，会误读这张表。评论区有人指出，表里缺失的结果太多，很难做像样的比较。还有人追问，编码区为什么没有 Opus 分数，是不是 Opus 没有编码任务。表格发布后补过一轮。Opus 补了四行成绩，全部取自 System Card：SWE-bench Pro、SWE-bench Multilingual、GPQA Diamond、HLE（不带工具）。

真正卡住本地模型的不是分数，是内存。一位跑 192GB 内存机器的用户说，他继续用 DeepSeek-V4-Flash。GLM-5.3-Flash 太大，192GB 放不下。Qwen3.8-Flash-Next 本身很好，但在 SGlang 和 vLLM 里优化不到位，也不支持 QAT 量化。Qwen3.8-27B 是他腾出一张显卡时的后备。

同一台机器上，Qwen3.8-Flash-Next 在 IQ4 量化下能跑 500/18。DeepSeek-V4-Flash 要降到 IQ2，才拿到 200/12。评论区有人追问上下文窗口设了多大、峰值内存用掉多少，这两项参数没有出现在榜单里。

Qwen3.8-Flash-Next 在评论区也被单拎出来说。6B 激活参数在多个基准里拿高分，有用户说它”是个怪物"，还等着完全训练版。完全训练版什么时候发布，还没有时间表。

把整张表走一遍。没有哪个模型包揽所有本地最高分，也没有哪个模型在全部任务上都输给 Opus。剩下的取舍，绕不开设备的内存边界和手里的任务。