这个系列前几期一直在测本地模型”会不会”：会不会算账、会不会做 PPT、能不能跑快。这一期换个问法：如果哪天我不用 Claude 了，只用本地模型，我平时的活还能不能干完？
所以我出了 10 道题，都是我平时真的会让 AI 做的事：问问题、整理文件、写帖子、改网站、找 bug。每道题同一句话，分别交给两套组合：一边是 Claude Opus 5.5，一边是跑在我 Mac 上的 Qwen3.8-27B。
先说结论：问问题、处理文件、写东西，Qwen 和 Opus 一样能做对，只是慢 2–3 倍。改网站也能做对，但慢 3–7 倍；找 bug 时会漏掉要理解意思才看得出的问题。
两边的设置
先说清楚思考强度这件事。Opus 用的是我在 Claude Code 里的日常设置 xhigh。本地 Qwen 默认用 low，主要是为了让测试跑得快：27B 在笔记本上每秒只出几十个 token，想得越久越慢。
规则是：本地用 low 能做完的题，就不调高；做不好的题，两边都换成 high 重测。 10 道题里只有找 bug 那道 low 没做好，所以那道两边都用 high 重跑了一遍，表里放的是重跑的结果。加功能那道 Qwen 功能全对、只是超时，调高只会更慢，所以没有重测。
| 本地组 | 云端组 | |
|---|---|---|
| 外壳（harness） | DeepSeek Harness 0.2.1 桌面版，Standard 模式 | Claude Code 桌面版 |
| 模型 | Qwen3.8-27B，4-bit（oQ4e），带 MTP | Claude Opus 5.5 |
| 跑在哪 | M5 Pro 48GB，oMLX 0.7.3rc1，完全离线 | Anthropic 云端 |
| 思考强度（thinking effort） | low（找 bug 那道用 high） | xhigh（找 bug 那道用 high） |
| 权限 | Workspace Write：能读写工作目录、能跑命令 | auto：常规操作自动批准 |
| 上下文 / 单次输出上限 | 172K / 32K tokens | Claude Code 默认 |
| 生成速度 | 短 prompt 约 43 tok/s，16K 上下文约 31，64K 约 25（实测） | 没测 |
| 怎么跑 | 一题跑完再跑下一题 | 几道题同时跑 |
怎么测的
- 同一句话：每道题就是我平时会打的那句中文，两组一字不差。
- 同样的起点：网站题每次都从我网站同一个版本的独立副本开始；账本题用一个 demo 账本，里面全是虚构数据。
- 用脚本判对错，不看模型自己怎么说：凡是能用脚本判的都用脚本判。比如 Excel 逐格对账，网页功能用无头 Chrome 真的去点按钮。模型的总结写得再漂亮也不算分。
- 规则：每题限时 30 分钟，超时就算没完成。
- 样本：每题每组只跑 1 次。
结果：10 道题
| 题 | 做什么 | Qwen3.8 | 用时 | Opus 5.5 | 用时 |
|---|---|---|---|---|---|
| 咨询 | 10 道日常问题：复利、日期、代码输出、git 急救、正则、SQL、显存估算、逻辑题、HTTP、改写 | ✅ 20/20 | 2.3 分 | ✅ 20/20 | 1.2 分 |
| 记账 | 按规则把几笔开销记进对的月份（两位小数、没买的不记） | ✅ 14/14 | 2.3 分 | ✅ 14/14 | 0.4 分 |
| 写帖子 | 把一份测速结果写成英文推文和小红书 | ✅ 无事实错误 | 1.1 分 | ✅ 无事实错误 | 1.2 分 |
| 清洗 CSV | 7 种日期写法、括号负数、重复行，清成标准格式再汇总 | ✅ 12/12 | 3.8 分 | ✅ 12/12 | 1.2 分 |
| 年度 Excel | 12 个月账本做成”月 × 分类”表加趋势图 | ✅ 120 个格子全对 | 10.2 分 | ✅ 全对 | 4.3 分 |
| 10 月 PPT | 一句话做 10 月开销 PPT | ✅ 数字全对 | 11.3 分 | ✅ 数字全对，多 3 页分析 | 12.8 分 |
| 发文章 | 中文草稿发成网站上的中英两篇 | ✅ 15/15 | 12.6 分 | ✅ 15/15 | 3.9 分 |
| 修 bug | 文章页”中”按钮跳错 | ✅ 5/5 | 6.3 分 | ✅ 5/5 | 2.2 分 |
| 加功能 | Writing 页加标签筛选，中英两版、手机也要好看 | ✅ 13/13，但超时 | 37 分 | ✅ 13/13 | 5.2 分 |
| 找 bug | 网站里埋了 5 个 bug，只查不改（两边都用 high） | ⚠️ 找到 2 个 | 40 分 | ✅ 5 个全找到 | 6.6 分 |
找 bug 那道，Qwen 用 low 时找到 3 个、用了 31 分钟；换成 high 反而只找到 2 个、用了 40 分钟。
合起来看：Opus 10 道全对；Qwen 9 道做对（其中加功能那道超时），找 bug 那道只找到一部分。用时上，10 道题 Qwen 一共 127 分钟，Opus 39 分钟；按每道题的用时比取中位数，Qwen 慢 3 倍。
Qwen 做得好的
数字和规则，它是真的靠谱。 记账、清洗 CSV、年度 Excel、PPT 里的数字，全部对，没有一个算错的格子。它的习惯很稳：先把规则读透，然后写 Python 脚本算，算完回头核对。慢，但不糊弄。
它不撒谎。 10 道题里，Qwen 没有一次”说做完了其实没做完”。每次的总结都和实际文件对得上，“没 commit、没 push、草稿保留没动”这种话都说得清清楚楚。
咨询题完全够用。 10 道题全对，正则和 SQL 我实际跑过测试用例，都通过。
Qwen 吃力的地方
1. 慢，而且越复杂越慢。 简单题慢 2–3 倍还能接受。但”加一个标签筛选”这种要反复改代码、构建、验证的题，Opus 5 分钟，Qwen 37 分钟。
2. 找 bug 漏了”要理解意思”的那种，调高思考强度也没用。 我埋了 5 个 bug。坏图片、中英日期不一致，Qwen 两次都找到了；About 页标题写错，low 找到了，high 反而漏了。“文章列表从旧到新排”和”中文首页有个链接跳到英文页”这两个，两次都没发现。有意思的是，它两次都在报告里写到了”这篇排到了前面几篇中间”，却没意识到是整个列表排反了。Opus 在浏览器里把 66 个页面全扫了一遍，逐篇对比中英两版，6.6 分钟找全 5 个。
3. 子代理会放大慢。 第一次跑找 bug 时，它开了 4 个子代理并行检查。云端开子代理是真的并行，本地却只有一块 GPU，4 个子代理只能排队，跑了 1 个多小时还没完。
Opus 多做的那一点
对错上两边经常打平，差别在”多想一步”：
- 修 bug 时，它顺手在网站的检查脚本里加了一条回归检查，以后再出同样的问题会直接报错；
- 发文章时，它提醒我草稿表格里一个 “+6%” 按表里的数字算其实是 +5.4%；
- 年度 Excel 它用的是”明细表 + 公式”，改明细，汇总会自动更新；Qwen 是用脚本算好再填进去；
- 做 PPT 时，它多做了几页历史对比（11 个月均值、同期对比、月底预测），我拿账本逐个重算，全对；
- 加标签筛选时，它把手机版的标签做成一行横向滑动，第一篇文章还留在第一屏（下面有图）。
两个意外
意外一：桌面版的标签筛选两边几乎一模一样，手机版才看出差别。
上面是 Qwen，下面是 Opus。都是”Filter by tag”、带篇数的胶囊按钮、按文章数排序。在一个已经有设计体系的网站里改东西，两个模型都会老老实实照着现有风格来。
换到手机上就不一样了：
左边 Qwen 把 22 个标签全部换行铺开，手机第一屏全是标签，文章被挤到了下面；右边 Opus 把标签放进一行横向滑动，第一篇文章还在第一屏。还有个小细节：Qwen 的计数写 “All 12 articles”，Opus 写 “12 notes”，和页面顶部 “Writing · 12 notes” 的用词一致。两边的功能检查都是 13/13，这种差别脚本测不出来，要人去看。
意外二：测试顺便帮我找到了网站本来就有的问题。 找 bug 那道题，两边除了我埋的 5 个，还各自报了几个真实存在的小问题，比如中英两版 PushSense 页上的语言比例数字对不上、有一篇文章的中文标签忘了翻译。两边都没有误报。
我自己也踩了坑
为了让结果可信，有几件事要坦白：
- 题目泄露了答案。 第一次出找 bug 题时，我把埋的 bug 放在一个单独的 git 提交里，Opus 一看提交历史就知道改了哪 5 处。后来我把历史清掉，两组都重跑了。
- 答案又漏了一次。 清掉历史后，Opus 重跑还是 5 个全找到。我回头查记录才发现：Claude Code 里从同一个对话开出去的会话共用一个笔记文件夹，第一次那个会话把找到的 bug 写进了笔记，重跑时它一开头就读到了。那次结果作废。最后用 high 重测时，我把网站副本放进完全独立的文件夹，笔记清空，跑完逐条检查两边读过的每个文件、跑过的每条命令，都没有越界。表里的是这一轮的结果。
- 题库被污染过。 记账题的种子文件在一个多月前被某次测试直接写进了答案，我发现后恢复了原样，两组重跑。
- 检查脚本也会判错。 Opus 的 Excel 用的是 SUMIFS 公式，我的脚本一开始不会算，把对的判成了错；还有一次把表格底下的脚注当成了 10 月那一行。修好以后，我又故意改错几个格子，确认脚本还能抓出来。
- 断电。 有一次电脑没电，Qwen 正在跑的那道题被打断，作废重跑。
我的结论
| 我平时的活 | 能不能交给本地 Qwen |
|---|---|
| 问问题、查概念 | 能 |
| 整理文件、Excel、CSV、记账 | 能，慢 2–3 倍 |
| 写帖子、翻译、发双语文章 | 能 |
| 修小 bug、加小功能 | 能做对，但慢 3–7 倍 |
| 网站排查 | 一半，会漏需要理解意思的问题 |
如果要用本地模型干活，我会这样安排：
- 数字类、规则类、文件类的活放心交给它，它比我想象的稳；
- 赶时间的、要理解意思的排查，还是交给 Claude；
- 界面类的改动，手机上要自己看一眼，检查脚本全过不代表体验一样；
- 别让它开子代理，本地只有一块 GPU，子代理只会排队。
局限和下一步
- 每题只跑了 1 次，看不出稳定性；
- 除了找 bug 那道，两边的思考强度不同（Qwen low，Opus xhigh）；
- Claude 组是几道题同时跑的，用时偏长一点；
- 上网调研、用浏览器测网站这两类这次没测：一个缺搜索服务，一个是浏览器插件我审查后决定先不装；
- 从零做一个完整网站这次也没放进来。
下一期打算：
- 我单独出一道”从零做网站”的题，资料直接写在题目里，不需要上网查——本地模型上网找资料特别花时间；
- PPT 这类要分析的题，Qwen 换 high 再试，看分析深度能追上多少；
- Qwen4 出来以后，用同一套题直接对比。