**超越基准测试：小型开源模型能否真正完成编程任务？**

_Beyond Benchmarks: Can Small Open-Weight Models Get Real Coding Work Done?_

> 该研究通过 2026 年 7 月至 10 月的工程实践，揭示了开源模型在编程任务中的实际表现与基准测试存在显著差异。研究发现，模型在工具调用格式、上下文控制及可靠性等方面差异巨大，且直接调用模型与委托量化模型（如 Qwen3-Coder）在任务成功率上各有优劣，同时直接调用模式在成本效益上更具优势。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.34241)