把两个十多位的大数字相加，还要强行要求模型直接吐出纯英文单词结果，这种测试更像一场严苛的裸体心算压力测试。
开源开发者 Simon Willison 最近在本地 DGX Spark 设备上，使用 llama.cpp 跑了一遍量化版 Qwen3.8-27B-Q4_K_M。他复现了此前 Colin Fraser 针对 GPT-4o 做过的算术实验，结果呈现出极其刺眼的两极分化：在彻底关闭推理的 5,070 次测试中，模型综合数值准确率仅有 23.57%；而一旦开启中等思考模式，169 组样本中模型拿下了 167 组正确，准确率跃升至 98.8%。
表面上看，这似乎又是思考模型碾压传统模式的标准戏码。但剥开热力图的数据表象，背后的工程机理与评测逻辑远比单纯的准确率涨跌复杂。
自回归的物理锁链与草稿纸效应
在关闭推理的测试里，模型并非从头烂到尾。面对 1 到 3 位数的简单加法，模型的准确率高达 97.04%，同时交出了 96.17% 的格式遵循度。真正的断崖式崩塌发生在操作数长度超过 10 位之后，数值准确率一路暴跌至 6.44%。
这种衰减并非偶然。标准的自回归 Transformer 模型在生成每一个 Token 时，前向传播层数与计算步数是固定死的。当 Prompt 明确要求不准输出多余字符、必须直接给出英文单词答案时，模型实际上被剥夺了所有的工作记忆。它不仅要在脑内完成两位数、三位数的对齐，还要把自右向左产生的进位累加一路缓存到高位，最后再翻译成从高位开始拼写的英文单词。
缺乏中间缓冲的纯心算，是在用恒定的单步算力强行对抗线性的进位深度。
从 Willison 记录的推理日志可以清晰看到，一旦开启推理，模型立刻写出类似算草的痕迹：先将两个大数垂直对齐，再从个位逐位向左计算进位。思考链生成的每一个 Token，本质上就是一张草稿纸，为自回归网络提供了类似图灵机纸带的工作状态。这不是模型学会了高等数学，而是工程上通过增加时间与 Token 成本，把单步计算缺陷转化为状态机累加。
强行闭眼的评测偏差
如果认定这次测试证明了模型不开推理就毫无数学能力，那就掉入了评测设计的陷阱。
Qwen3.8 的官方架构默认在思考模式下运行，并在底层原生支持 reasoning_effort 级别调节。非思考模式对这个系列而言，属于被人工干预后的特殊运行态，而不是单纯的低成本运行分支。强行关闭推理，相当于把长跑选手的双腿绑住，再测试其平地跳跃的高度。
在 Qwen 官方的评估体系中，无工具心算与支持 Python、计算器的工具调用原本就分属两条评测轨道。工业界使用语言模型处理现实业务，从来不会把多位数算术交给大模型心算，而是通过 Agent 调用 Python 解释器或外部计算器完成。
社区基准测试的数据更能说明问题：Qwen3.8-27B 在 MATH-500 测试集上的整体准确率为 86.4%，但如果排除掉推理停滞样本后，准确率会直接升至约 94%。这意味着决定模型最终解题分数的关键，往往不是其底层数学表征的上限，而是它的推理终止机制与控制状态。
- 提醒.剥离思考链且禁用外部工具的基准测试，本质上是极端条件下的纯心算与指令压制测试，不能直接等同于模型的真实综合数学能力。
生产落地的隐形变量
把评测拉回真实的部署环境，另一个常被忽视的变量是推理框架与系统栈的稳定性。
Willison 跑出的 98.8% 成绩建立在单用例单次采样（169 组）的前提下。在实际工程中，Qwen3.8 展现出较强的推理技术栈敏感性。在社区反馈与 Issue 讨论中，该模型在设置超高推理强度（xhigh）配置时，偶尔会出现空最终回答的异常，而这类失效率在 LM Studio、llama.cpp、vLLM 以及官方 API 服务之间的表现并不一致。
不同后端引擎在处理超长上下文解码、KV Cache 管理和长思考链截断机制上的策略差异，会直接介入模型的最终表现。在本地硬件上部署量化版模型（如 Q4_K_M），除了要承受单次推理耗时的几何级拉长，还要直面推理栈本身的偶发抖动。
盲目追求无思考模式下的高精度，是对自回归计算特性的误解；而盲信思考模式全知全能，则容易忽视推理时延与系统栈稳定性的工程代价。理解了草稿纸的物理意义，才能在工程实践中把算力用在刀刃上。