五个Qwen拼出Fable 5？

五个模型组队，不等于一个模型升级

截至 2026 年 10 月 25 日，开源项目 GVS5H 因一项颇具传播力的实验受到关注：它同时使用五个 Qwen3.8-27B 模型实例，通过 Harness 编排完成任务，并声称组合后的整体能力可以追平 Anthropic 的 Claude Fable 5。

**GVS5H Harness 是一个负责组织多个模型实例完成同一任务的推理与评测框架。**它没有修改 Qwen3.8-27B 的权重，也没有训练出新的 135B 参数模型，而是在推理阶段增加计算量，让多个相同或相近的模型分别生成候选答案、检查错误，再由规则或裁判模型选出最终结果。

**Harness 是控制模型如何接题、使用工具、交换结果和提交答案的外部脚手架。**同一个基础模型接入不同 Harness，最终效果可能相差很大，这一点在代码智能体、网页操作和长链条研究任务中尤其明显。模型相当于大脑，Harness 则更像工作流程、记忆系统和质量控制部门。

这次实验值得关注，但“追平 Fable 5”仍然是一个需要严格限定范围的说法。它更准确的表述应该是：在 GVS5H 选定的任务、提示词、推理预算和聚合规则下，五个 Qwen3.8-27B 实例可能取得了接近 Fable 5 的最终任务成功率，而不是单个 Qwen3.8-27B 已经在通用能力上与 Fable 5 打平。

GVS5H 实际增加的是测试时计算

**测试时计算是指模型参数保持不变，通过生成更多候选、延长推理过程或增加验证步骤来换取更高正确率。**GVS5H 的核心价值并不神秘：一个模型容易在第一条思路上犯错，五个实例则可以尝试不同路径，并通过多数投票、互评或验证器减少偶然失误。

典型的五模型组合可以有三种工作方式：

1. 并行采样：五个实例独立作答，再从五个答案中选择最优结果。
2. 角色分工：不同实例分别承担规划、执行、审查、测试和最终汇总。
3. 迭代辩论：模型先提出方案，再相互质疑，最后根据反馈修订答案。

目前最需要区分的是项目仓库实际实现了哪些机制，以及外界根据“五模型”概念推测出的通用架构。若仓库没有完整披露提示词、路由逻辑、裁判模型和失败样本，就不能把一次结果直接归因于某种特定的多智能体方法。

**五个相同模型能够降低随机错误，却不能自动消除系统性错误。**如果五个实例共享相同权重、相同知识盲区和相似提示词，它们可能非常自信地给出五份近似的错误答案。角色提示可以制造一定的推理多样性，但这种多样性远小于使用不同模型、不同训练数据或独立验证工具带来的差异。

这意味着 GVS5H 更适合解决“多试几次就可能做对”的任务，例如代码修复、数学搜索、结构化规划和带测试环境的工程任务。对于知识缺失、最新事实查询、视觉空间理解或超长上下文定位问题，简单增加五份采样未必有效。

公开数据并不支持单模型全面追平

**现有公开对比仍然显示 Claude Fable 5 在单模型综合能力上领先 Qwen3.8-27B。**参考资料中的 LLM Stats 汇总分为 53.1 对 44.4，Fable 5 领先 8.7 分；若以 Qwen3.8-27B 为基准计算，相对领先约 19.6%。在双方同时提交结果的五项独立基准中，Fable 5 赢下了五项。

下面的数据来自不同评测汇总，不能被视为完全统一口径，但足以说明“单体已经打平”并不是当前最稳妥的结论。

| 对比项目 | Claude Fable 5 | Qwen3.8-27B | 差距与解读 | |---|---:|---:|---| | LLM Stats Score | 53.1 | 44.4 | Fable 5 领先 8.7 分 | | MMLU-Pro | 91.5% | 84.3% | Fable 5 领先 7.2 个百分点 | | 公共编码能力点估计 | 71.3 | 46.4 | Fable 5 领先 24.9 分，但统计置信度有限 | | Agentic Work 点估计 | 75.8 | 63.2 | Fable 5 领先 12.6 分，但不同 Harness 会显著影响结果 | | 共同覆盖的独立基准 | 5 项领先 | 0 项领先 | Fable 5 在五项共同结果中全部胜出 | | 最大输入上下文 | 1,000,000 tokens | 262,144 tokens | Fable 5 约为 Qwen 的 3.81 倍 | | 最大输出长度 | 128,000 tokens | 262,144 tokens | Qwen 约为 Fable 5 的 2.05 倍 |

**MMLU-Pro 是一个面向高难度、多学科推理的选择题基准。**91.5% 与 84.3% 之间的 7.2 个百分点差距并不小，尤其是在高分区间，每提升一个百分点通常都比中低分阶段更困难。不过，MMLU-Pro 衡量的仍是标准化答题能力，不能直接代表代码仓库修改、浏览器操作或长期任务执行能力。

**Agentic Work 是对工具使用、多步骤执行和任务闭环能力的统称。**这类评测最容易受脚手架影响：是否允许重试、能否运行测试、工具报错后如何恢复、每个任务分配多少 token，都会改变最终排名。因此，GVS5H 即使在某些代理任务中打平 Fable 5，也不能反向证明两个基础模型的原始能力相同。

另一个需要谨慎处理的数据是 Qwen3.8 预览阶段被提及的 Artificial Analysis Intelligence Index 56.6 分。该成绩对应的是 Qwen3.8 系列预览信息，不能在缺乏模型卡和独立榜单记录的情况下，直接套用到 Qwen3.8-27B，更不能与五实例组合成绩混为一谈。

真正有吸引力的是经济账

**Qwen3.8-27B 的最大优势不是单次回答更强，而是用较低成本购买更多推理机会。**参考资料给出的估算是，在输入与输出 token 按 3:1 混合计算时，Qwen3.8-27B 的单 token 成本约比 Claude Fable 5 低 19 倍。

如果五个 Qwen 实例消耗完全相同的 token，最粗略的计算是把单模型成本乘以 5。即便如此，组合系统的理论 token 成本仍约为 Fable 5 的 5/19，也就是 26.3%；换一种说法，在理想条件下仍可能便宜约 3.8 倍。

| 部署方式 | 相对 token 成本 | 计算资源需求 | 理论优势 | 主要代价 | |---|---:|---:|---|---| | 单个 Qwen3.8-27B | 1 | 1 份 | 最低成本、可本地控制 | 能力上限较低 | | 五个 Qwen3.8-27B 并行 | 5 | 接近 5 份 | 候选更多，可交叉验证 | 吞吐成本接近 5 倍 | | 五个 Qwen3.8-27B 串行协作 | 5 或更高 | 可复用部分硬件 | 能逐轮修订 | 延迟可能接近线性增加 | | 单个 Claude Fable 5 | 约 19 | 服务端托管 | 单次成功率、长上下文更强 | 单 token 成本更高 |

这笔账成立需要三个前提：五个实例没有无限制地相互对话，裁判阶段没有再次消耗大量 token，并且 Qwen 的单次输出长度与 Fable 5 基本接近。一旦 Harness 采用多轮辩论，每个候选都读取其他四个模型的完整答案，token 消耗会呈阶梯式增长，而不只是简单的五倍。

**并行执行可以控制延迟，却无法消除计算成本。**五个实例同时启动时，用户等待时间通常接近最慢实例的生成时间，再加一次聚合时间，而不是单次延迟乘以五；但服务端仍然要完成五份前向计算，吞吐量和显存带宽压力不会凭空消失。

Qwen3.8-27B 的全精度权重约为 55GB，这基本符合 270 亿参数使用 BF16 或 FP16 存储时的体量。55GB 只是模型权重，还没有计算 KV Cache、运行时缓冲区和并发请求，因此全精度部署明显属于服务器场景。五个逻辑实例可以共享同一份权重并进行批处理，不一定需要复制五份 55GB 文件，但高并发生成仍会显著增加显存占用。

参考资料还称，Qwen3.8-27B 的量化版本在发布三周后达到 730 万次下载。这个数字说明社区关注度很高，却不能等同于 730 万名独立用户或 730 万套生产部署；模型仓库的重复下载、自动化构建和多种量化格式都会抬高计数。

上下文差异决定了两者不是同一种产品

**Claude Fable 5 的 100 万 token 输入窗口，使它在大型代码库和超长文档任务中更占优势。**Qwen3.8-27B 的输入上限为 262,144 tokens，只有前者的约 26.2%，这意味着面对跨数百个文件的代码审查、超长法律材料或全年日志时，Qwen 组合系统仍然需要先做检索、切片和摘要。

**Qwen3.8-27B 的 262,144 token 最大输出则更适合一次生成超长结果。**它的标称输出上限是 Fable 5 的 128,000 tokens 的约 2.05 倍，不过标称上限不代表实际任务中应该追求如此长的回答。输出越长，成本、延迟和前后矛盾概率都会上升，工程系统通常更需要结构化分段和可恢复执行。

上下文窗口也不能简单相加。五个 262,144 token 的实例不会自然变成一个拥有 1,310,720 token 连续上下文的模型，因为每个实例看见的内容可能不同，最终聚合器也未必能同时读取全部材料。分片可以扩大信息覆盖面，但会损失跨分片关联，这与单个模型直接关注完整上下文不是一回事。

“追平”至少需要一套可复现证据

**一个可信的组合模型结论必须同时公开模型、任务、预算和裁判四个层面的配置。**只公布最终胜率或少数成功案例，很难排除任务筛选、提示词偏置和额外计算预算造成的影响。

GVS5H 若要证明五个 Qwen3.8-27B 确实能稳定匹配 Fable 5，至少应提供以下信息：

• 明确的仓库 commit、模型版本与权重量化格式；
• 完整系统提示词、角色提示词和结果聚合规则；
• temperature、top-p、最大输出长度与随机种子；
• 每道题的总 token 预算、重试次数和工具调用上限；
• Fable 5 是否获得相同的工具、时间和重试预算；
• 裁判使用人工评审、规则测试还是另一个语言模型；
• 全量任务成绩、失败样本与置信区间，而不只是平均分；
• 五实例系统的端到端延迟、吞吐量和实际计算成本。

**公平比较的关键是按总任务预算对齐，而不是只按模型调用次数对齐。**如果 Qwen 一道题可以生成五份答案并进行两轮互评，而 Fable 5 只能一次作答，那么实验验证的是“廉价模型加更多计算能否追上昂贵模型”，而不是两个模型本身谁更强。

这种比较并非没有价值，反而非常贴近真实生产环境。企业真正关心的是完成一个合格任务要花多少钱，而不是模型在绝对公平、单次采样条件下能拿多少分。只是报道和项目标题应当明确：被比较的是系统，不是裸模型。

哪些场景值得用五个 Qwen

**代码修复是 GVS5H 这类方案最可能产生实际收益的场景。**五个实例可以分别定位问题、提出补丁、运行测试、审查副作用和整理最终提交，只要测试用例足够可靠，系统就能用外部反馈过滤语言模型的幻觉。

**高价值且可验证的任务最适合增加推理副本。**例如 SQL 生成可以用数据库执行结果验证，数学问题可以通过符号工具检查，配置文件可以用解析器校验，网页任务可以根据最终页面状态判定成功。这些场景有明确的奖励信号，五次尝试通常比一次尝试更稳。

**低价值、高并发请求不适合默认启动五模型编队。**客服分类、短摘要、关键词提取和简单改写通常不需要五份候选，让所有请求都消耗五倍计算只会降低吞吐量。更合理的做法是先由单个模型处理，仅在置信度低、测试失败或任务价值较高时升级到多模型流程。

**超长上下文与复杂视觉空间任务仍更依赖基础模型能力。**参考资料中的实际体验也显示，Qwen3.8 在部分摄像机角度、交互控制和可玩性要求较高的生成任务上落后于 Fable 5。此类问题往往不是多生成四个答案就能解决，而是模型缺乏稳定的空间表示或交互规划能力。

OpenAI Hub 判断：这是系统工程胜利，不是模型反超

**GVS5H 最有价值的结论是“推理编排可以缩小模型差距”，而不是“Qwen3.8-27B 已经等于 Fable 5”。**五个 27B 模型实例通过候选生成、交叉审查和结果选择，确实可能在一部分可验证任务中达到昂贵闭源模型的最终成功率，而且理论成本仍有优势。

**公开基准暂时不支持 Qwen3.8-27B 单体能力追平 Fable 5。**综合分、MMLU-Pro、编码点估计、Agentic Work 和输入上下文规模目前都更偏向 Fable 5，五项共同基准由 Fable 5 全部领先也是不能忽略的反证。

**开发者真正应该测试的是单位成功任务成本。**如果五个 Qwen 实例花费 Fable 5 四分之一左右的成本，就能在你的代码库中达到相同修复率，那么 GVS5H 已经具备生产价值；如果它需要多轮讨论、十几倍 token 和复杂裁判，最后仍无法处理长上下文与难例，那么“追平”就只是特定 Harness 下的漂亮数字。

这场比较也释放了一个更重要的信号：下一阶段模型竞争不会只发生在参数和榜单上，Harness、路由器、验证器与推理预算将共同决定系统上限。便宜模型不必在每道题上都比昂贵模型更聪明，只要它足够便宜，能够多想几次，并且有可靠方法选出正确答案，就可能在真实工作流中赢得一部分市场。

参考来源

• GVS5H 项目仓库：本次五个 Qwen3.8-27B 组合评测及 Harness 实现的主要项目来源，具体配置与后续复现实验应以仓库最新提交为准。