每次看到這種標題老闆就會來問我「那我們要不要換模型」，我都不知道怎麼回答 😅 看完這篇才知道原來跑分還要看是哪種任務在測，光看總分根本沒意義。筆記筆記 📝

Qwen3.5 27B 我有在本地跑過，coding 的確蠻猛的。不過我比較在意的是 tool calling 的穩定度，因為平常在做 AI agent 工具整合，model 有沒有好好 follow schema 比 benchmark 分數更重要。 目前體感是 27B 這個 size 在多步驟 agent task 上已經堪用，偶爾會漏掉參數，但比一年前好太多了。跟 GPT-5 比當然還是有差，但本地跑的延遲跟成本根本不同量級，各取所需吧。