OrcaCyber Nano 1.0：在一個沒有評審的委員會中，21 人裡的第一位

OrcaCyber Nano 1.0——27B Mix-13G 版本，磁碟佔用 13.0 GB——在針對 16 GB GPU 的 21 款模型排行榜上位居榜首，得分為100 分中的 89.8 分，達到每秒 60 個 token，運行於單張 Tesla V100 上。該排行榜由第三方 GitHub 儲存庫維護，而非我們。它用程式碼而非 LLM 評審來為每個答案評分。而第二件值得說、但廠商通常會略過的事是：OrcaCyber Nano 1.0 並不是該排行榜上最快的模型。MiniCPM-V 4.7 在那裡達到每秒 93.4 個 token。Nano 贏在七個類別的平均分，而非速度，而最接近的兩個競爭對手——Qwen3.8-27B 的兩種不同社群量化版本——分別落後它 1.2 分和 1.4 分。

以下是依該儲存庫於 2026-10-19 所發布的內容，對該評測所做的解讀，再加上該模型於 2026-10-19 自身公開的中繼資料。若某個數字來自 OrcaRouter 自身的公告，而非第三方排行榜，句子中會註明。以下內容均未經我們重新執行。

董事會，以及由誰經營

這個 V100-LLM 儲存庫打包了 GUI、一組推論引擎與評分套件，用於在 Windows 下於一張 NVIDIA Tesla V100 16 GB 顯示卡上執行本機模型。挑選模型、預設集與引擎，下載缺少的項目，搭配圖片聊天，以及即時查看每秒 token 數，全都會在該 GUI 中進行。評分套件正是產生該排名的部分，而儲存庫在分數旁邊一併公開整套測試框架，這一點相當罕見，值得用這段文字說明。

排行榜的第一套測試套件太簡單了。儲存庫明白指出這點：大多數模型在第一版上得分介於 90 到 100 分之間，這表示它無法區分它們，而那些較舊的結果仍留在儲存庫中，任何人都能查看這次失敗。第二版——困難測試套件——的設計目標是讓沒有任何 16 GB 等級的模型能全部答對。它包含橫跨七個類別的 72 項任務：

• 程式設計，16 項任務 — 一個不使用 eval 的表達式解析器、正則表達式匹配、帶有平局打破機制的 Dijkstra、具 TTL 的 LRU 快取、拓撲排序、編輯距離、羅馬數字、數獨、背包問題、螺旋矩陣、JSON 壓縮器。由隱藏的邊界案例單元測試評分，這些測試會在具有逾時限制的沙箱中對生成的程式碼執行。

• 推理，20 項任務 — 多步驟數學、邏輯、日期、組合數學與應用題。精確答案必須出現在最後一行。

• 指令，12 項任務 — 同時要符合三到五條規則：字數、禁用字母、精確格式、排序、JSON 結構。任務的每一條規則都必須成立，而不是大部分成立。

• 網頁搜尋，8 項任務——多跳問題：你先搜尋、讀取結果，再用找到的內容再次搜尋，有時還要用計算機工具來計算。評分依據是答案是否正確，以及相異搜尋次數是否最少。所謂的「網頁」是一個固定的離線索引，共 13 頁。

• 代理，6 項任務 — 一個小型模擬專案，配有檔案工具與 run_tests：修正錯誤、新增函式、跨檔案重新命名、修正設定檔、建置 CSV 報告。依據最終檔案狀態與專案自身的測試評分。

• 視覺，8 項任務 — 生成的圖像：加總表格的一欄、查找某一列、讀取長條圖、數點、閱讀小字、空間關係、一個指針式時鐘、一張收據。

• 長上下文，2 項任務——一段約 14,000 個詞元的文本，其中三個事實分別藏在相隔很遠的地方，其中一個是分成三部分的保險庫密碼。需精確作答。

「沒有法官」值多少

大多數這個規模的排行榜，都是由語言模型閱讀答案並判斷其好壞來評分。這很便宜，卻讓排行榜無法重現：評審是模型，模型有版本，同一個答案在星期二的分數可能和星期一不同。hard suite 移除了評審，並訂出五條規則，讓分數可以重複。

• 所有內容皆由程式碼檢查。相同的答案永遠會獲得相同的分數。

• 具確定性且可離線運作。溫度為零、停用思考、無法連線網際網路——網頁搜尋類別的網路是 13 頁的固定索引。

• 使用者取得的相同預設設定。每個模型都使用 GUI 建議的預設設定來執行，因此速度和分數就是使用者在安裝後看到的數值，而不是為了取勝而特別調校的設定。

• 每項任務皆已證明可解。 儲存庫為每個程式設計與代理任務保存一份正確的參考解答，並有兩個自我測試腳本檢查這些解答能通過評分程式。計算得出的答案——日期、總和、代碼——會在任務檔案中受到斷言。

• 答案是最後一行。模型可以出聲思考；評分者會讀取最後一行。工具呼叫可接受 OpenAI 格式，以及 Qwen XML tool_call 文字格式。

評分算術同樣不時興。每個類別是通過任務的百分比。總分是七個類別的平均值，每個類別權重相同。速度是執行期間針對 64 個 token 以上回覆的平均生成速率。每次執行都會存成每個模型一個 JSON 檔案，記錄每項任務的答案以及是否通過，因此對分數有爭議時可以查閱紀錄。

OrcaCyber Nano 1.0 究竟落腳何處

七個類別分數（滿分 100）：程式設計 88，推理 95，指令遵循 58，網頁搜尋 100，代理 100，視覺 88，長上下文 100。平均：89.8。

58 才是耐人尋味的數字，也是行銷頁面會四捨五入掉的那個。指令是模型必須同時兼顧三到五個限制條件的類別——字數、禁用字母，以及精確的輸出格式——而 Nano 在那裡的十二項任務中失分五項。其餘項目都在 88 以上。有兩個類別拿到滿分。

最接近的競爭對手是 Qwen3.8-27B，採用 HauhauCS 的 Aggressive IQ3_XS 量化，整體 88.6、每秒 42.2 個 token；第三名是同一模型的 Unsloth UD-IQ3_S 版本，整體 88.4、每秒 52.1 個 token。兩者在程式設計與推理上都達到 94 到 100，在指令遵循上都降到 50——因此，指令遵循能力偏弱是 27B 級別在此壓縮程度下的特性，而非 Nano 獨有的缺陷。區隔第一名與第三名的，是分散得很薄的 1.4 分：只是某個類別裡的少數幾項任務，而非不同層級的模型。

每秒六十個 token，以及為什麼最快的模型在別處

在 32k 上下文下，主打速度為每秒 60 個 token，而該儲存庫對於這個數字究竟代表什麼相當謹慎。這是模型經過調校的 fast-32k 預設在深度 3 進行多 token 預測時的速度，在程式碼上測得每秒 66.6 個 token、在聊天上為 54.0，平均值為 60.3。對所有評估回覆取單純平均則為 56.9。這兩個數字都出現在表格的註腳中，而不是只列出比較好看的那個。

速度會隨著上下文增長而下降，而儲存庫公布了效能階梯：在 96k 時為每秒 57 個 token，160k 時為 32 個，262k 時在填入 20,000 個 token 後為 24 個。短提示詞的提示詞處理速度為每秒 501 個 token。最多到 19,600 個 token，每個預設集都會通過。

榜上最快的模型是另一個。MiniCPM-V 4.7 在 35B-A3B Q3 混合建置中，於 128k 上下文下以每秒 93.4 個 token 運行，而它之所以能做到，是把視覺編碼器移到 CPU 上，讓它的所有專家都留在顯卡上。它的總體排名第四，分數為 87.5。該儲存庫自己的說法是一項取捨，而非全面橫掃：Nano 在那裡被描述為表中最快的稠密 27B，這個說法比「最快的模型」範圍更窄，而且屬實。

測量環境只說明一次，適用於整張表：一台 Tesla V100-SXM2-16GB、一顆 Xeon E5-2660 v4、64 GB DDR4。受測引擎為 PXA、帶有 V100 專用修補程式的 llama.cpp、一個 Prism ML 分支以及 Strata，皆採 MIT 授權；CUDA DLL 則遵循 NVIDIA 的 EULA。模型權重並未隨附——每一個都從其作者在 Hugging Face 上的頁面下載。

從模型自身的中繼資料來看，模型是什麼

Hugging Face 儲存庫 orcarouter/OrcaCyber-Nano-1.0 回報其上下文視窗為 262,144 個 token，並採用一個 圖像-文字到文字 管線（可接受圖像與文字輸入）、GGUF 函式庫，以及英文與中文。此儲存庫設有存取限制：必須登入才能下載。授權欄位顯示 其他，授權名稱為 qwen。截至 2026-10-19，該儲存庫顯示 18,606 次下載與 151 個讚，而其基礎模型欄位標示為 OrcaCyber-Nano-1.0-AI-Defense，關係為 量化 — 開放權重檔案是經國防調校之母模型的量化版本，這才是解讀該欄位的誠實方式。

共有四個檔案，而它們的大小說明了下一節中大部分的部署決策：

• Mix-13G — 12,993,304,352 位元組，得分 89.8 的 13.0 GB 建置版本。

• Mix-15.7G — 15,695,148,832 位元組，是較大的建置版本，仍控制在 16 GB 記憶卡的容量預算之內。

• DFlash2 Q8_0 — 2,056,414,112 位元組，用於推測解碼的草稿模型。

• mmproj F16 — 927,606,848 位元組，視覺投影器，正是它讓八項視覺任務得以實現。

加入引擎後，一個可正常運作的安裝在磁碟上約佔 14 GB：13.0 GB 的權重、約 0.9 GB 的投影器，以及執行環境。

十三 GB 放得進這張卡。二十六萬兩千個 token 卻放不進。

這是兩項不同的說法，而媒體報導往往將它們混為一談。13.0 GB 的權重檔可放入 16 GB 的 VRAM，這就是為什麼該模型能在 V100 上運行，並仍有餘裕容納 32k 上下文的 KV 快取。262,144 token 的最大上下文無法放入顯示卡；它需要將 KV 快取放在系統記憶體中，而該儲存庫的需求列出 262k 預設需要 64 GB 系統 RAM，一般使用則為 32 GB。若推到此上限，速度就是上方階梯表中的每秒 24 個 token。

其餘的硬體需求並不高，而且很明確。任何 Volta 及之後架構的 16 GB NVIDIA 顯示卡都能執行這整套軟體堆疊；驅動程式必須是 R576 系列或更新版本；V100 保持在 TCC 模式下也沒問題。不需要安裝 WSL、Docker、CUDA Toolkit、Visual Studio 或 Python，因為該資料夾自帶引擎與可攜式 Python。每個模型約需 20 GB 可用磁碟空間。

廠商編號，標記為

OrcaRouter 宣布OrcaCyber Nano 1.0 於 2026-10-18 作為緊急發布的開放權重版本推出，並將其置於三模型系列中，與 OrcaCyber Zero 1.5 及 OrcaCyber Ultra 1.0 並列。同一週，該公司向正在積極應對入侵事件的團隊開放其 OrcaCyber 模型的免費優先使用權。隔天的貼文以排行榜結果開頭，並根據廠商自身的初步評估，形容 Nano 是其 16GB 以下級別中最強大的本地模型。

最後那句話是廠商的主張，尚未經過獨立重現。公告中重複提到的基準測試也是如此：SWE-bench Verified 上的 78.4%，與 DeepSeek 所報告的 79.0% 並列，該數字是針對DeepSeek V4 Flash。這兩個數字都是由各自廠商所報告；本刊並未實際執行 78.4 或 79.0 的測試，而這項比較之所以有趣，主要是因為一個 27B 模型在廠商自家的測試框架上，被拿來與一個規模大得多的託管模型相比，差距僅 0.6 個百分點。請將其視為一則公告，而非一項結果。

模型卡本身值得註記的是它沒有包含什麼。它的標籤提到資安、逆向工程、函式呼叫與視覺，但這張卡並未附上任何資安專屬的基準數字——沒有事件應變分數、沒有漏洞偵測率、也沒有 CTF 結果。那些反而放在 Zero 頁面上。而我們資安產品線周邊流傳的 CyberGym 數字，屬於一套組合式設定——Zero 1.0 加上 DeepSeek V4 Flash 再加上自適應路由——並不是任何單一模型單獨跑出的成績。如果你是要為防禦工作挑選這個模型，誠實的證據狀態是：一套由程式碼評分的通用測試套件在 16 GB 顯示卡上讓它在 21 個模型中排名第一，而資安專屬的證據在別處，且屬於其他模型。

它與託管網路模型並列的位置

OrcaCyber Nano 1.0是供本地硬體使用的權重釋出版。你下載 13 GB、自行執行，上方分數就是它在你的顯示卡上的表現。它目前不是我們型錄上的端點，本文任何內容都不應被解讀為相反的意思。型錄確實收錄的是系列其餘版本——OrcaCyber Zero 1.5 和 OrcaCyber Ultra 1.0——與其他 200 多個模型使用相同的金鑰和相同的 OpenAI 相容端點，包括Claude Opus 5.5、GPT-6.1 Sol、Kimi K3、Qwen3.8-Max 和 DeepSeek V4 Flash，且不收取高於供應商定價的 token 加價，並提供跨供應商自動容錯移轉。

那個分法才是值得記在腦中的實用區分。Nano 是你自己擁有、可離線執行的模型，資料不會離開機器——這正是資安模型用於事件應變的重點，因為你最需要檢查的機器，往往正是你無法送去 API 的那些。Zero 1.5 和 Ultra 1.0 則是你會呼叫的模型。本地層級用於氣隙隔離環境的工作，託管層級用於吞吐量，兩者共用同一套模型名稱詞彙。

89.8 該怎麼用，取決於你原本需要它做什麼。如果你一直在等證據，證明 27B 模型在 13 GB 下、於 16 GB 顯示卡上具有競爭力——不只是能跑，而是在全都由可執行程式碼評分的任務上，能與 21 個替代方案競爭——這就是那個證據；它的指令遵循差距在 58 一覽無遺，速度上限則在每秒 60 個 token 一覽無遺。如果你需要的是 V100 上最快的東西，那是在同一張板卡上、93.4 的另一個模型，就在表格中往下一列。