一个27B参数的开源模型，跑分和一个体量可能是它几十倍的对手打平——这是Simon Willison在8月17日的链接博客里抛出的数字：Qwen 3.8 27B在Artificial Analysis Intelligence Index上拿到52分，与GPT-5.6 Luna（max）打平，只比GLM-5.2（max，753B参数）和DeepSeek V4 Pro 0813（max，标注1.6B参数）低1分。这份对比乍看是开源小模型效率革命的又一个注脚，细看却有一处绕不过去的疑点：Willison用来当参照系的那几个对手，公开信息里几乎找不到实证。
27B对753B，差距悬殊到反常
先把账面数字摆清楚。Qwen 3.8 27B以27B参数拿52分，GLM-5.2标注753B参数拿53分，两者相差整整一个数量级，跑分却只差1分。这正是Willison称其"真正令人惊讶"的原因——如果这个对比成立，意味着参数规模在这项综合指数上的边际收益已经薄到可以忽略。
但账面里还有一个更古怪的细节：DeepSeek V4 Pro被标注为1.6B参数，同样拿到53分。1.6B是手机能跑的量级，如果这个数字准确，那它比Qwen还小17倍，跑分反而更高——这种反差比"27B平753B"更值得怀疑，大概率是激活参数与总参数的混淆，或者原文本身的笔误，而不是真的存在一个1.6B就能打满血大模型的奇迹。
- 风险.跑分对比里出现的具体参数标注（尤其是1.6B这类极端数字）应当先打个问号，再当结论使用。
核实卡在了对比对象本身
按行业惯例，一份跨模型跑分对比，最基本的前提是对比对象真实存在、规格可查。但联网核实GPT-5.6、Luna、GLM-5.2、DeepSeek V4 Pro这几个具体型号名称时，找不到能对上号的公开发布信息——检索工具明确提示这些不是可靠识别的当前发布版本，更接近的已知型号是GPT-5系列和GLM-4.5/4.6这类命名。
这不代表原文在编造数字，更可能的解释是信息时滞：文章的发布时间设定在2026年8月，这些型号或许是那个时间点刚发布、尚未被广泛收录的新版本，也可能存在占位性质的命名习惯。但对读者来说，结论很直接：看到"27B打平巨兽"这种反差标题，先查对手是谁，再决定要不要转发。
跑分对比的说服力，取决于对比对象能不能被验证，而不是分差有多小。
高分和"能不能用"是两回事
即便52分这个数字站得住，它也回答不了"这个模型好不好用"。Willison自己在前一天的文章里给Qwen 3.8 27B贴了另一个标签："优秀，但严重过度思考"——遇到简单问题也会绕一大圈推理链路才给答案，这意味着实际部署时的响应延迟和token消耗，可能远比跑分数字暗示的更高。
这揭示了Artificial Analysis Intelligence Index这类复合指数的固有局限：它把推理、知识、代码、数学、指令遵循揉成一个数字，方便横向比较，但推理模式、上下文长度、量化方式、评测时的思考步数都会影响最终得分。跨数量级参数比较本身在业内也有方法论争议——是否该按参数量分层评测，至今没有共识。
对准备把开源小模型放进生产环境的团队来说，这份跑分值得当作一个初筛信号，而不是选型依据。真正要看的是：同样的任务，27B模型跑一次要多久、烧多少token、和753B级别的模型比综合成本谁更划算——这些答案，跑分榜单一个都给不出来。