oktayd's picture
Publish Q36 v2 naming, complete edition guide and honest benchmark scope
a668ea0 verified
|
Raw
History Blame Contribute Delete
3.32 kB

Zusätzliche Benchmarks und Laptop-Vergleich

Alle Einträge sind registriert, nicht ausgeführt. Quelle: Qwen3.8-27B-Modellkarte, Revision 1d4bf0f2ff6012fd82039f2fa52739d0dd7c60c0. Veröffentlichte Zahlen sind kein direkter Vergleich zu unseren Kurztests.

Benchmark Veröffentlichtes Qwen3.8-Ergebnis Lokale Kurztest-Fälle (Vorschlag) Voraussetzung
Terminal Bench 2.1 (Terminus) 73.0 5 version_and_harness_required
SWE-bench Pro 61.7 5 refined_tasks_Claude_Code_256K_temp1_top_p095
NL2Repo-Bench 42.3 5 Claude_Code_no_repository_download_reward_hacking
DeepSWE 1.1 42.2 5 Claude_Code_256K_temp1_top_p095
QwenSWEBench 79.0 offen – intern in_house_avg3_8h_timeout_32768_output_256K_context
CoWorkBench 70.7 offen – intern in_house_productivity_tasks
JobBench 33.4 5 dataset_and_harness_availability_unverified
Agents' Last Exam Pass@1 20.4; Score 42.9 5 two_distinct_metrics
IFBench 79.5 20 not_IFEval
GPQA Diamond 89.2 20 existing_5_prompt_diagnostic_not_full_benchmark
HLE 30.8 10 publisher_GPT4o_judge_separate_judge_budget
LiveCodeBench v6 90.3 10 existing_LiveCodeBench_revision_must_be_reconciled
OSWorld-Verified 84.3 5 real_actions_not_static_screenshot_qa
WebArena-Verified 64.8 5 official_grader_OSWorld_scaffold
AndroidWorld 81.9 5 emulator_and_state_reset_required
RecreationBench 47.1 offen – intern in_house_Ubuntu_macOS_Windows_Android_web
ClawEval-MM Pass@3 57.4; Average 56.9 5 official_pass3_requires_three_trials; local_single_trial_not_pass3
SWE-MM 38.6 5 public_dev_split_with_Opus47_appendix8_3_modifications
Vision2Web 62.9 5 Claude_Code_judged_gpt5.4_2026_03_05
MathVision Without CI 90.0; With CI 94.6 10 corrected_annotations_boxed_final_CI_strata_separate
BabyVision Without CI 65.7; With CI 85.6 10 CI_strata_separate
CharXiv (RQ) Without CI 83.7; With CI 90.2 10 corrected_annotations_CI_strata_separate
OmniDocBench 1.5 91.1 10 official_metric_not_generic_accuracy
RealWorldQA 85.9 20 dataset_revision_and_image_preprocessing_lock_required
ERQA 65.5 10 dataset_revision_and_official_scoring_required

Vergleichsregeln

IFBench ist nicht IFEval, MathVision nicht MathVista und CharXiv nicht ChartQA. Screenshot-Fragen ersetzen keinen OSWorld-/WebArena-Lauf. Die Qwen-Karte nutzt teils korrigierte Referenzen, andere Harnesses, 256K-Kontext, drei Versuche oder externe Richter. Solange diese Voraussetzungen nicht identisch sind, stehen Publisherwerte in einer getrennten Referenzspalte. Bei unbekannter Verfügbarkeit wird kein offizieller Adapter behauptet.

Laptop

4 Quants × 2 Backends × 2 Runtime-Profile = 16 Q36-Konfigurationen. Mit beiden Baselines wären es bis zu 48, aber nur wenn dieselben Quants verfügbar und mit dem Laptop kompatibel sind. Modellidentität und Runtime-Optimierung sind getrennte Achsen. Zunächst kleine Smoke-/Speichertests, dann eine feste Qualitätsstichprobe; Leistung dreimal warm messen. Die große Agentenmatrix ist nicht automatisch ein kostenloser Kurzlauf.