昨天发了一条微博（图1，单看跑分qwen3.5 4b版就已经超过gpt-4o了 ）那么日常使用中会如何呢？会不会只是跑分牛x？N8 Programs做了个评测。用WildChat数据集里的1000个随机问题，让qwen3.5 4b版和gpt-4o都来回答，然后让现在最好的模型Claude Opus 4.6来判断谁回答的更好。
结果是Qwen3.5 4B 在 1000 个提示词中赢得了 499 个，输掉了 431 个，平局了 70 个。当然因为是小模型，在事实准确性问题的回答上，会差一些（图3）。
How I AI
![给我打电话了吧，不然我怎么有这么多陌生人的通话记录呢？[捂脸哭][捂脸哭]](http://image.uczzd.cn/16909082894590173502.jpg?id=0)
