花了两个晚上出了 50 道题，覆盖代码、中文写作、逻辑推理、长文本理解四类，把几个主流模型拉出来遛了一遍。

结果：

• 代码题：几家差距不大，都在 80 分上下
• 中文创作：qwen 和 deepseek 明显更自然
• 逻辑推理：claude 和 gpt 稳
• 长文本：deepseek 意外地强

结论就是没有全能选手，看场景挑模型。评测数据和题目我都整理成表格了，想复现的可以找我要。

和 xxx 比哪个更强

很多人问本地部署大模型要什么配置，说说我的经验：

7B 模型：8G 显存够用，CPU 也能跑但慢
13B 模型：16G 显存起步
70B 模型：需要 48G+ 或者多卡

量化很关键，Q4 量化能大幅降低显存需求。

另外 llama.cpp 和 Ollama 是最省心的两个工具。