本地模型已经够用：质量差 3 分以内，墙钟 2.5–5.5 倍
25 组配对任务、四个场景，由更强的评审模型盲评：本地部署的 Qwen3.8-27B 在 100 分制上拿到 89.5，云端 deepseek-flash 是 92.6；全部编码任务两边全绿，代价只体现在时间上——2.5–5.5 倍墙钟。本地模型已经够日常使用。
evaluation
2 篇
用 Jev 做技能推荐：一次调用、一个阈值、100 道题
一次 Jev 调用从 141 个候选里挑一个技能，或者告诉你不必挑：首次命中 90.8%，比同题的强生成模型低三个百分点，成本却只有 1/9，速度快 3.6 倍。测量留下两条结论：Choice 必须带 none 选项，而判断型模型很适合做路由。