Flint v1.0 与 Qwen3.8 27B 对比：该模型递归地以自身为基准进行测试

Recursive 在其Recursive Flint v1.0的发布材料中写了一句大多数报道都跳过的话：按照该公司自己那套六项测试的平均值，只有Qwen3.8 27B的得分高于 Flint。对厂商而言，在发布日印出这样一句话并不寻常。它也是整份发布材料中最有用的一句话，因为它告诉你该去核对哪一项对比。Qwen3.8 27B 是一个开放权重的稠密模型，于 2026 年 8 月 14 日以 Apache 2.0 许可发布，它是 Recursive 对比集中唯一一个在厂商自己构建的汇总指标上击败 Flint 的模型。所以有趣的问题不是 Flint 好不好，而是 Qwen3.8 27B 究竟在哪些方面更好，以及这一差距在相关评测框架受到审视之后是否依然成立。

在你查看成绩之前，先阅读课程声明。

Flint的核心主张经过了谨慎限定：它在SWE-bench Pro v2、Terminal-Bench 2.1和SWE-bench Verified上领先于总参数低于500亿的混合专家模型。Qwen3.8 27B并不是混合专家模型。它是稠密模型——270亿参数，每个token都会激活全部参数；计入视觉编码器则为280亿参数，共64层，隐藏维度为5,120。因此，从构造上它就落在Flint的比较类别之外，Recursive完全可以将其完全排除在该主张之外。

值得精确说明“稠密”的代价与收益。Qwen 的 270 亿参数中的每一个都参与每个 token 的计算，这正是它在 BF16 下需要约 55.6 GB 显存和一块真正的 GPU 的原因，也是它的激活占用约为 Flint 的 11 倍的原因。这也正是稠密的 27B 模型在准确率上能胜过激活参数量为 2.5B 的稀疏模型的原因：它每个 token 做了更多算术运算，也会让你为此买单。

Terminal-Bench 2.1：十八个百分点的差距

这是目前最清晰的对比，因为两个实验室报告的是同一基准版本，而且差距足够大，评测框架的噪声不太可能解释全部差距。

• Flint — 在 Terminal-Bench 2.1 上达到 54.9%，使用 Terminus 2 测试框架运行并启用了互联网，但任何通过网页检索获得的解决方案均计为失败。

• Qwen3.8 27B —— 根据阿里巴巴的模型卡，其在 Terminal-Bench 2.1 上的得分为 73.0%。

这是有利于 Qwen 的 18.1 个百分点差距，出现在最接近智能体终端工作的基准测试上——而这正是两款模型所宣传的用途。有两个注意事项指向相反方向，且两者都需要说明。

第一个更有利于 Flint。Recursive 施加了一项其同行可能并未施加的不利条件：如果该智能体在网上找到了答案，Recursive 就把它判为错误。允许搜索并引用的模型在同一测试框架上会得到更高分。高出多少尚不清楚，而且 Recursive 没有公布未加此不利条件的数字。

第二个结果打破了任何简单明了的解读。第三方 PrismML 在 Terminal-Bench 2.1 上给 Qwen3.8 27B 打分为 69.7，而不是 Alibaba 的 73.0。同一模型和基准上 3.3 分的分歧是有用的校准：它告诉你，这张表里几分的差距是噪声，而 18 分的差距很可能不是。

即便采用较低的 Qwen 数值，69.7 对 54.9 仍相差 14.8 个百分点。方向毋庸置疑。

LiveCodeBench v6：在更干净的基准测试上出现的第二处差距

竞技编程是两家实验室所报告的基准中最不依赖评测框架的一个，因为模型拿到题目后生成代码，再由判题器运行。不存在会因框架不同而产生差异的智能体循环。

• Flint — 在 LiveCodeBench v6 上达到 80.3%。

• Qwen3.8 27B — 在 LiveCodeBench v6 上达到 90.3%。

这是一个 10 分的差距，而这正是我会最看重的一项，恰恰因为它最难被辩解过去。对于一款激活 25 亿参数的模型来说，Flint 的 80.3 是一个相当不错的数字。对于一款激活 270 亿参数的模型来说，Qwen 的 90.3 是一个强劲的数字。两者都不令人意外。关键在于，Flint 所宣传的效率优势并非没有代价，而这个基准测试正是代价显现之处。

看似Flint获胜、实则并非如此的基准测试

大多数对比页面正是在这里出错，而这一点值得放慢节奏仔细想想。

Flint 在 SWE-bench Pro v2 上报告了 89.7%。Qwen3.8 27B 在 SWE-bench Pro 上报告了 61.7%。快速扫一眼，这看起来像是 Flint 领先 28 个百分点的胜利。但这根本不是一次对比。“v2”与阿里巴巴所报告的那个基准并非同一个基准，任务集不同，评测协议也不同，这两个数字不能相减。任何把它们并排放进相邻两列并宣布赢家的页面，透露的是作者的信息，而不是模型的信息。

同样的陷阱就在下一行。Flint 报告其在 SWE-bench Verified 上达到 74.2%。Qwen3.8 27B 并未公布 SWE-bench Verified 分数——阿里巴巴的模型卡报告的是 SWE-bench Pro、QwenSWEBench 为 79.0、DeepSWE 1.1 为 42.2、Terminal-Bench 2.1 为 73.0、LiveCodeBench v6 为 90.3，以及 NL2Repo-Bench 为 42.3。没有可与之对比的 Verified 数值。流传的 Qwen3.8 27B 在 Verified 上的数字，要么继承自该系列中较早的模型，要么来自与模型卡在多个其他基准上同时相冲突的二手来源。应将其视为未经核实。

关于 Alibaba 方面还有一点需要补充说明：其 SWE-bench Pro 和 QwenSWEBench 评测运行使用的是外部智能体评测框架，而不是裸模型，因此即使拿它与另一个实验室的 SWE-bench Pro 数值作比较，也并不牢靠。这并非 Alibaba 独有。这是智能体编程基准测试的普遍现状，也正是为什么在这里 Terminal-Bench 和 LiveCodeBench 各行比 SWE-bench 各行更有分量。

Flint 胜出的地方，而且优势明显

准确性并不是唯一的衡量维度，而在其他维度上，排序会发生急剧反转。

• 内存 — Flint 运行占用约 24 GB，磁盘上有一个 22.86 GB 的 NVFP4 构建版本。Qwen3.8 27B 在 BF16 下需要约 55.6 GB。前者能装进高端笔记本或单张消费级显卡；后者则需要真正的 GPU 分配。

• 每个 token 的有效计算量——Flint 激活约 25 亿参数，Qwen 则激活全部 270 亿参数。正是这一比例，造成了二者的速度差距，也是 Flint 在大规模部署时服务成本更低的原因。

• 速度——Recursive 声称在 M4 Pro MacBook Pro 上每秒可输出 125 个以上 token，在短上下文下于 64 GB 的 RTX Spark 上则超过 150 个。同一台笔记本电脑上的稠密 27B 模型达不到这一水平。Qwen3.8 27B 也被报告在本地运行缓慢，且异常消耗 token——Artificial Analysis 在其索引测试中测得约 1.6 亿个输出 token，这在任何 agent 循环中都会成为成本倍增因素。

• 背景——两款文档均原生支持 262,144 个 token，而 Qwen 通过 YaRN 扩展可达到 1,000,000 个 token。Flint 的公告则声称最高支持 512K。从纸面上看，在原生上下文窗口这一项上两者不相上下；但实际上，Flint 在长上下文场景下的吞吐表现是较弱的一环，独立测试报告称，在接近 115,000 个 token 时，其吞吐量会降至大约每秒 9 个 token。

• 多模态——Qwen3.8 27B 除了文本，还能接受图像和视频；它采用混合注意力布局，由 48 层 Gated DeltaNet 线性注意力层与 16 层全注意力层按 3:1 的比例组成，这正是 262K 窗口能够以可承受的成本提供服务的原因。Flint 仅支持文本。

你实际在选择的是什么

• 如果目标是获得最高的编码准确率，并且你具备相应的硬件条件，那么在所有能对两者进行清晰对比的基准测试中，Qwen3.8 27B 都是更强的模型。Recursive 自己的六项测试平均值也表明了这一点。

如果模型必须在笔记本电脑上运行、保持离线、将源代码保留在本机，或者服务量足够大以至于活跃参数主导账单，那么 Flint 会在决定部署的那个维度上胜出。一个以每秒 125 个 token 运行的 2.5B 活跃参数模型，与一个需要 GPU 节点的 27B 稠密模型，是截然不同的产品。

• 如果两者都想要，它们能很好地互补：本地模型负责常规和敏感的工作，托管模型负责困难的任务。这种分工是大多数团队最终会采用的方案，也正是路由层不再只是个细节的地方。

Qwen3.8 27B 是本次对比中 OrcaRouter 直接提供服务的唯一模型——其标识符为qwen/qwen3.8-27b，已列在我们的实时模型列表中，支持文本、图像和视频输入，并具备完整的 262,144 个位置的上下文窗口。由于供应商的标价原样传递，不额外加价，因此阿里巴巴一侧的价格变动当天即会在我们这边生效，而不是等到下一个续约周期。OrcaRouter 不提供 Flint 服务；那个模型需要下载。所以上述混合方案是真正的混合：一条路径通往托管的前沿级模型，另一个本地文件则用于处理所有绝不能离开本机的内容。

没人做过的实验

本文中的每一个数字都来自实验室对自家模型的测量，只有一个例外——PrismML 在 Terminal-Bench 上与阿里巴巴存在 3.3 个百分点的分歧，而这是唯一能说明这些数字在别人掐表计时时会有多大变动的线索。

能定论的做法很直接，而且至今没有发生：两个模型，同一套评测框架，同一组任务，同一台机器，公开的追踪记录。在此之前，站得住脚的立场是那个更窄的：在两家实验室都如实汇报的基准上，Qwen3.8 27B 是更准确的编码模型；在决定一个模型究竟能否跑起来的部署维度上，Flint 是更高效的那个。Recursive 自己先在其发布博文里说了这一点，而这是整场发布中最可信的部分。