这篇文章揭示了本地编码模型的选择趋势，其中Qwen 3.6 35B-A3B成为最受欢迎的选择。对于初学者来说，了解这些主流模型选择很重要，但不应盲目追随趋势，而应根据具体需求、硬件条件和任务类型选择适合的模型。

作者详细描述了不同AI模型的特性差异，如Kimi K2.6创意性强但精确度较低，Qwen 3.6性能好但可能中断工作流，GLM 5.1擅长编程但速度较慢。这提醒开发者需要根据具体需求选择合适的模型，而非盲目追求最新或最大的模型，同时要注意预算限制。

大多数人认为大模型实验室拥有绝对优势，可以解决所有AI问题。但作者认为实验室在模型选择上存在结构性限制，无法跨供应商评估模型或为特定子任务使用开源微调模型。这为专注于特定领域的企业提供了机会，它们可以选择最适合每个子任务的模型，而不仅限于自家实验室的模型。

gpt-oss-20B 的成绩是 0.7%——在 452 个专业任务中，只有不到 4 个通过了评测。这个数字与顶级模型的 33.3% 之间，存在近 50 倍的差距。这说明专业服务 Agent 能力不是「渐进改善」，而是存在明确的「能力阶梯」——低于某个规模的模型，在这类任务上几乎完全失效。这对企业 AI 选型的启示：在专业服务场景，「够用的小模型」可能根本不存在，只有「能用的大模型」和「完全不能用的模型」两种。

运行一次 452 个任务的评测，GPT-5.4 花费 1110 美元，Claude Opus 4.6 花费 1055 美元——每个任务平均约 2.3 美元。而 Gemini 3 Flash 只需要 596 美元，实现了 27.7% 的成绩（vs 顶级模型的 33.3%）。这个性价比数据对 AI 选型决策极为关键：如果业务场景可以接受 27% 而非 33% 的成功率，Gemini 3 Flash 能节省近一半成本。在金融服务的大规模部署中，这个差异将被放大数千倍。

【启发】这篇论文只研究了 Claude Sonnet 4.5 一个模型，但它的方法论对所有大模型都适用。这启发了一个迫切的研究议程：对不同架构（GPT、Gemini、Qwen、DeepSeek）的情绪向量进行横向比较，会不会发现系统性的情绪偏差——比如某些模型天生更「焦虑」、某些更「冷漠」？这不仅是学术问题，更是产品选型和安全评估的实际需求。

Fujita, Shigeru, Giuseppe Moscarini, and Fabien Postel-Vinay. ‘Measuring Employer-to-Employer Reallocation’. Working Paper. Working Paper Series. National Bureau of Economic Research, July 2020. https://doi.org/10.3386/w27525.

Zhang, L., & Peixoto, T. P. (2020). Statistical inference of assortative community structures. ArXiv:2006.14493 [Cond-Mat, Physics:Physics, Stat]. http://arxiv.org/abs/2006.14493

Ben-David, S. (2018). Clustering—What Both Theoreticians and Practitioners are Doing Wrong. ArXiv:1805.08838 [Cs, Stat]. http://arxiv.org/abs/1805.08838

Del Giudice, M. (2020). All About AIC [Preprint]. PsyArXiv. https://doi.org/10.31234/osf.io/7hmgz