Spark-X2.5-4B 实测：6GB 笔记本上，谁能更快把事做对？

1. 结论：这次「快」和「准」不是同一件事

同一台笔记本上跑两个本地模型：Spark-X2.5-4B 完整装进 6 GB 显存， Qwen3.6-35B-A3B 是 MoE，40 层专家计算交给 CPU，权重主要靠 64 GB 系统内存。 24 道任务、72 个正式 run 跑完之后，两边的长处不在同一个地方。

三项预定主任务里，两边都做对了两项：读说明书回答三个问题、修好一个刷新就丢内容的待办清单。这两项里 Spark 快得多——说明书题中位数 7.17 秒对 247.73 秒，待办题 23.32 秒对 395.20 秒。第三项整理订单，两边都没能完整交付。

但把 24 道题放在一起按整题判定，Qwen 通过的题更多：Spark 8 道，Qwen 16 道。

「完成 2 项」只按预定三道主任务、且允许题目规定的最多两次返工来算， 不把补充题或重复跑到的一次成功塞进这个数字。重复是为了看稳定性，不增加题目数。

2. 测试环境：两台模型是怎么跑起来的

Qwen 那一路的 35B 是总参数量，每生成一个 token 大约只激活 3B 参数。它的权重装不进 6 GB 显存，靠 -ncmoe 40 把 40 层专家计算交给 CPU，再由系统内存供权重——这也是它慢下来的主要原因。

两个模型的量化级别并不相同（Q4_K_M 对 UD-Q4_K_XL），架构也不同。 这是一次同一台电脑上的实用比较，不是控制变量的量化或参数量实验， 不能读成「4B 比 35B 强」或「6 GB 显存能单独装下 35B」。

3. 判分口径：24 道题、每轮预算与返工规则

题库冻结在 laptop-task-v2，共 24 道英文任务：订单与数据整理、说明书问答、浏览器修复各 8 道，其中 18 道常规题、6 道加长或更复杂的压力题。每个模型各跑一遍，固定题目顺序、两边交替先后。

首答只有在完整输出、并且结构、事实、引用或全部浏览器行为检查都通过时才算通过；部分正确只记部分检查数，整题不通过。未通过可以追加最多两次固定反馈，反馈只说哪里失败、不给答案。超时、连接中断或输出被截断都算该轮未完成，不能拿可见前缀判通过。

预定主任务 DATA-001、DOC-005、CODE-001 各模型各完整跑 5 次，防止测完只挑有利的题；其余 21 道各跑 1 次。合计 48 次首轮对照加 24 次重复，共 72 个 run，全部完成。

4. 主任务一 · 说明书三问：两边全对，等待差 34 倍

给同一份约 7 500 词的英文说明书，只根据原文回答三个问题，并且指出答案出处。两边 5 次全部首次通过，三个答案和出处都对：

第三问是关键：两台模型都没有编一个金额出来。

说明书是本次实验用的虚构测试材料，不是任何厂商的真实文档； 数字来自各 run 的原始记录，不从录像或截图估算。 耗时为「发送请求到核对完成」的中位数，不含模型加载。

5. 主任务二 · 待办清单刷新持久化：两边都修好

题面给一个坏掉的单文件待办网页：新增的条目刷新就消失。要求让添加、编辑、勾选、删除都能保存，然后打开网页实际操作验证。

两边 5 次全部首次通过、无需返工；验收不只截图，还包括实际点击与刷新、重新打开页面。检查还覆盖了「删掉最后一条之后刷新仍然为空」这种边界情况。

任务耗时包含自动保存与浏览器验收这一套固定流程， 不等于人手工粘贴再核对的实际耗时，两方用的是同一套流程。

6. 主任务三 · 订单整理：两边都没完整交付

把杂乱的订单信息整理成表格：只算已付款，逐笔核对商品、数量、运费和总额。其中一笔 JB-101 的正确合计是 $30.40。

两边 5 次都没能完整交付全部 6 笔订单。Spark 结束得快，但金额和漏单仍要人工核对。

表里的秒数是失败实耗，不是「做对所需时间」——这两题两边都没有成功 run， 所以没有成功等待可以报。失败耗时只说明它花了多久才失败，不能当成性能成绩。

7. 补充题 · 引用必须给全：答案对，出处也要全

在约 1.6 万词的说明书里找地区规则：南区工单保留多久、归档申请交给谁、HOLD 状态有什么例外。需要找的规则是：普通工单 45 天、HOLD 工单 365 天，归档申请交给 GRAY 团队，归档前由归档负责人审批；归档取回的费用资料里没写，两边都没有编造。

这题 Spark 的问题在引用不全，不能说它把保留天数读错了。

8. 补充题 · 筛选后删除：Spark 删错了另一条

已完成的是 Alpha、Gamma，未完成的是 Beta。在「已完成」筛选视图里删除 Gamma，应该留下 Alpha 和 Beta。

同样是「改一个待办网页」，多一层筛选之后结果就分开了。这也是为什么待办那道主任务通过，不能直接推断这一道也会过。

9. 补充题 · 发票修订与跨时区汇总

修订发票：同一张发票有多个版本，以最高修订版为准，重复只算一次，只汇总已付款。其中 IN-302 的新版已付款、5 件 × $7.20、运费 $2，这笔应计入 $38.00（整题完整正确合计 $155.20）。

跨时区汇总：把不同地区的付款按 UTC 日期汇总，取消的记录不算。其中一笔 EV-01 是当地 9 月 10 日 23:30、时区 UTC−4，换算成 UTC 应是 9 月 11 日 03:30。

Qwen 在这题的总金额 $43.50 算对了，但分组日期错了。只核对最后一个总数，就会漏掉这个问题。

10. 特殊笔记：两边都保留了原样

修复一个纯文本笔记网页：保存、编辑、刷新之后，字符、空格和换行都不能变。两边第一次生成的网页都通过了全部四项检查。

11. 完整 24 题结果：Qwen 通过得更多

同样的修改机会之后，看各自有多少道题能完整交付。

Spark 有更快做对的任务，Qwen 有更多做对的题目。两项主任务（说明书、待办）是两边共同的得分点；真正的差距出现在引用完整度、以及加长或更复杂的题目上。

按 24 道不同题目统计，三道主任务的 5 次重复不增加题数， 所以这里的分母是 24，不是 72。每题允许最多两次返工，超时即结束。 压力题单独列出，不与常规题合并宣传成功率。

12. 这台电脑上，我会怎么选

先试 Spark：长文查找、小网页修复。 这两项主任务它都做对了，等待明显更短。能自己快速核对结果的小任务，先交给它比较划算。

愿意多等就上 Qwen： 修订发票、筛选删除、例外规则引用这几道它做得更完整，代价是几十倍的等待。

金额和日期两边都要复核： 订单整理和跨时区汇总都没有完全做好，表格排得整齐也得逐项核对。

结论只适用于本机与本次设置。6 GB 显存之外，这台机器还有 64 GB 系统内存， 换成别的电脑或别的配置需要另测。题目全部为合成测试材料。

13. 复现配置：完整启动命令与共同参数

两个模型除 MoE 层数外，参数完全一致：

# Spark-X2.5-4B：全部层放 GPU，不卸载专家到 CPU
llama-server -m Spark-X2.5-4B-Q4_K_M.gguf \
  --alias spark4b --host 127.0.0.1 --port 8081 \
  -c 32768 -t 20 -tb 20 -b 512 -ub 128 -ngl 99 \
  -fa on -ctk q8_0 -ctv q8_0 -np 1 \
  --jinja --reasoning-format deepseek --no-reasoning-preserve \
  # -c 32K 上下文；-t/-tb 各 20 线程；-ngl 99 全部层上 GPU
  # -fa on FlashAttention；-ctk/-ctv q8_0 KV 缓存量化；-np 1 单并发
  # --reasoning-format 与 --no-reasoning-preserve 关掉思考输出

# Qwen3.6-35B-A3B：多一行 -ncmoe，把 40 层专家计算交给 CPU
llama-server -m Qwen3.6-35B-A3B-UD-Q4_K_XL.gguf \
  --alias qwen35b --host 127.0.0.1 --port 8082 \
  -c 32768 -t 20 -tb 20 -b 512 -ub 128 -ngl 99 \
  -fa on -ctk q8_0 -ctv q8_0 -np 1 \
  --jinja --reasoning-format deepseek --no-reasoning-preserve \
  -ncmoe 40
  # -ncmoe 40 是这两个模型唯一的启动差异：40 层专家的计算放 CPU

两次都追加了 --fit off --no-context-shift --no-cache-prompt --cache-ram 0：关闭上下文移位和提示缓存，保证每轮都是完整历史重算。

14. 附录：导出规则题，答对规则、格式返工一次

这题问 3.1 版的导出规则，并要求按题目指定的代号作答：缺失日期要写文字代号 NULL。

Spark 首次通过，规则、出处和指定格式都符合。 Qwen 规则和出处原本就正确，但首答把缺失日期写成了空值，返工 1 次后通过。

Qwen 没有把说明书读错，它需要修改的是回答格式。这一页用来补充说明格式要求，不作为事实答错的例子。