这是什么

4 小时 18 分钟对 21 分钟，输出 949 行对 1759 行 — 这是一位 Reddit 开发者本周跑出的对比。他把同一份 3.9 万行、约 60 万 token 的 C 语言射击游戏代码，交给三套 AI 配置改写成单文件 HTML/three.js 网页版。

代码量超过任何模型的上下文窗口（模型一次能「看见」的文字上限），AI 必须自己走查文件、判断哪些函数重要。三组结果分别是：

  • 云端 Claude Code Opus 5：21 分钟，1759 行，结果「勉强能用」
  • 本地 Hermes 编排的 Qwen 3 27B：4 小时 18 分，949 行，结果「坏的」
  • 本地 codehamr 编排的 Qwen 3 27B：1 小时 40 分，1056 行，结果也是「坏的」

本地配置用的是 FP8（一种低精度浮点格式，能塞进更大模型但牺牲一点精度）+ vLLM 推理引擎 + RTX 6000 Pro 96GB 显卡。

行业怎么看

这组数据至少暴露了两件事，值得我们冷静判断。

第一，本地的「便宜」是有上限的。即便是 27B 这种中等规模、用 FP8 在 96GB 显存上跑，4 小时烧掉的电费和显卡折旧不是小数目。云端 21 分钟按 token 计费，单次任务看未必更贵。本地跑的隐性成本——搭建、调试、电费——多数团队没认真算过。

第二，模型权重不是胜负手，编排（harness / agent framework，即让 AI 能多轮规划、调用工具、修改自己代码的「脚手架」）才是。原帖作者最在意的发现：同一套 Qwen 27B 权重换两套不同工程编排，最终都跑出残缺结果。这说明中等规模开源模型对「被怎么用」极度敏感——提示词写得薄，再复杂的脚手架也救不回来，只会空烧 GPU 时间。

但反对意见也必须摆出来：一次运行、一个提示词不能算定论，原作者自己也说「这不是什么代表性测试」。云端 Claude 21 分钟搞定，背后是 Anthropic 在工具调用、代码理解、长上下文上多年积累的工程经验，这恰恰是开源本地生态目前欠缺的。把单次对比当成「开源 vs 闭源」的胜负判据，是过度推论。

对普通人的影响

对企业 IT：本地部署大模型不是「装上就能省钱」。在复杂编程任务上，云端 API 的工程成熟度仍领先一个身位。算总账时要把工具链开发、调试时间、人力成本都算进去。

对个人职场：如果你正在评估要不要用 AI 编程工具，现阶段云端订阅比自购显卡折腾部署更现实，除非你的代码或数据真到了必须本地化的程度。

对消费市场：「下载到本地就能替代 ChatGPT」的宣传，听听就好。开源模型跑得快但用不好，会是接下来一年的常态——模型本身只是入场券，配套工具链才是分水岭。