阿里最新模型 Qwen3.6-35B-A3B，在一台 MacBook Pro M5 上跑的 20.9GB 量化版本，靠本地推理生成的 SVG“骑自行车的鹈鹕”，被独立开发者 Simon Willison 判定优于 Anthropic 新发布的 Claude Opus 4.7。连他自己都承认，这个测试原本是个玩笑，但这次结果仍然刺中了当下大模型竞争里最不舒服的一点：昂贵的闭源旗舰，并不总能在具体任务上压过可本地运行的开源模型。

这件事重要，是因为它揭开了一个越来越现实的趋势：模型能力正在分裂。你很难再用一张排行榜、一个总分，或者一句“这个模型更聪明”来覆盖所有使用场景。这件事没那么重要的地方也很清楚——没有人会因为一张鹈鹕图，就认定 Qwen 比 Opus 4.7 整体更强，企业采购更不会据此改预算。但对开发者和个人用户来说，这类边缘任务的胜负，往往直接决定“我今天到底用谁”。

一次玩笑测试，打中了模型比较的软肋

Willison 测试的是文本生成 SVG 插画能力。Qwen 使用的是 Unsloth 发布的 Qwen3.6-35B-A3B-UD-Q4_K_S.gguf 量化文件，大小 20.9GB，通过 LM Studio 在本地运行；Claude Opus 4.7 则是 Anthropic 的最新闭源旗舰，连 thinking_level: max 都试了，结果自行车车架结构还是画歪了。

他随后又拿出一个“备份题”——“生成一只骑独轮车的火烈鸟 SVG”。Qwen 再次赢下，甚至在代码注释里写了 <!-- Sunglasses on flamingo! --> 这种颇有设计感的小细节。这里最刺眼的对照，不是审美，而是成本和部署方式：一个在笔记本本地跑的量化模型，在狭窄但真实的任务上，压过了云端闭源大模型。

这不等于 Qwen 整体强于 Opus 4.7，但足以说明：模型“总能力”与“任务命中率”正在脱钩。

真正该看的，不是鹈鹕，而是本地模型的门槛在继续下降

过去一年，本地模型进步很快。2024 年不少本地 LLM 还停留在“能跑起来”，到了 2026 年，35B 级别的混合架构模型已经能压缩到 20GB 出头，在消费级高端笔记本上完成相当体面的生成任务。Willison 提到，2024 年 10 月那些早期“鹈鹕”作品几乎都是垃圾图；到了 2026 年，Gemini 3.1 Pro 已经能画出可用插图，Qwen 则把这件事推进到了“本地可用”。

这背后有个读者不一定会立刻注意到的限制条件：Qwen 这次赢，依赖的是量化、GGUF 格式、LM Studio 这套本地工具链成熟，而不是单纯模型参数更大。也就是说，今天让本地模型更有竞争力的，不只是阿里训练出了新模型，还包括 Unsloth 这类社区团队把模型压缩、封装、适配到普通机器能用的程度。行业现实是，开源模型的战斗力，越来越来自“模型 + 工具链 + 分发”的组合，而不是实验室单点突破。

对谁有影响，影响到什么动作

如果把这件事放回真实使用场景，受影响的人其实很具体：

人群眼前变化更现实的动作
独立开发者本地模型可承担更多小任务先用 Qwen、Llama 之类本地模型做原型，再决定是否调用云 API
设计与前端工程师SVG、图标、草图类生成更适合多模型试跑工具链会从“固定一家 API”变成“本地+云端混用”
企业采购与平台团队不会因这次结果立刻换主模型但会要求供应商补充更细的任务级评测，而不是只给总榜成绩
闭源模型厂商品牌旗舰不再天然等于每个子任务最优会继续强化特定工作流、企业集成和安全卖点

对普通用户来说，最直观的变化不是“谁更聪明”，而是“有没有必要每次都把请求发到云端”。如果你的任务是生成图标、流程草图、页面插画、简单代码片段，本地模型一旦足够好，隐私、延迟和成本都会变成实打实的优势。相反，涉及长链推理、复杂文档理解、企业知识库协作，Opus 这类闭源旗舰仍大概率更稳。

这个结果也有边界，别把玩笑题当成总榜

Willison 自己已经说得很清楚：他不相信 Qwen 的 21GB 量化版会比 Anthropic 最新旗舰“更强或更有用”。这个判断我同意。SVG 生成这种任务，受提示词风格、模型训练语料、输出格式偏好影响很大，偶然性比通用问答、编程代理、复杂推理更高。

还有一个容易被忽略的变量：闭源模型厂商常常把优化重点放在高价值场景，比如企业自动化、长上下文、代理执行、代码审查，而不是“生成一只结构正确的骑车鹈鹕”。Anthropic 在 2025 年后明显把 Claude 的定位推向工作场景和安全可控性，这会影响模型在一些“边缘创意任务”上的调校优先级。换句话说，Qwen 赢的是一个具体切片，不是整个战场。

但这个切片依然有价值。它提醒行业，评测越来越需要拆开看：

  • 文本推理强，不代表图形生成细节强
  • 总榜领先，不代表本地替代不可行
  • 闭源旗舰贵，不代表每个细分任务都更值

如果接下来更多开发者开始用这类“小而怪”的真实任务来选模型，大模型竞争会从“谁是第一”变成“哪一个最适合这项工作”。这比排行榜更麻烦，但也更接近现实。