小模型崛起：35B 参数本地生图跑赢 Opus 4.7最近一直在做我的 CatReader，就是订阅源+知识库的一个产品，读了不少 blog，这两天，作者 Simon Willison 做了一个很有意思的小实验：让模型画“一只骑自行车的鹈鹕”。一边是跑在自己笔记本上的 Qwen3.6-35B-A3B，一边是 Anthropic 的 Claude Opus 4.7。结果出人意料，赢的是本地运行的 Qwen：Qwen3.6-35B-A3B 为我画了一只比 Claude Opus 4.7 更好的鹈鹕。这当然不是什么严肃基准，更像一次带点幽默感的临场测试。以前大家谈模型能力，云端模型天然领先，本地部署更多是发烧友的游戏。现在看有点松动。Qwen3.6-35B-A3B 只有 35B 参数，却已经能在消费级设备上跑起来，还能在具体任务里交出比旗舰云端模型更好的结果。这说明了本地 AI 开始进入可用的阶段。以前说本地跑模型，总给人一种“演示”的偷感。要么模型太弱，要么硬件要求太高，要么部署过程复杂。如今情况变了。一个开源模型，可以装进笔记本，可以离线运行，可以处理真实任务，效果还不差。就像我之前写过的 给 iPhone 装个“最强本地大脑”：Google 开源模型 Gemma 4。这个变化一旦成立，很多应用场景都会被重写。最直接的，就是隐私和成本。数据放在本地，很多敏感内容就不必上传。没有网络的时候，AI 依然能工作。调用成本也从按 token 计费，变成一次性硬件投入。对开发者、企业用户、甚至很多重度个人用户来说，这都是巨大的吸引力。尤其是代码辅助、文档处理、知识库问答这类高频任务，本地模型一旦够用，选择就会迅速发生倾斜。今天模型的进步，蒸馏、量化、推理优化、MoE 架构，都在让更小的模型释放出更强的能力。很多任务里，决定体验的关键，已经变成谁更贴近场景，谁更擅长把有限资源用到刀刃上。复杂推理、长程规划、超长上下文这些任务上，毫无疑问属于顶级云端模型，就像我昨天写的 4.7 Claude Opus 4.7 确实变强...但本地模型则可能赢下一些具体场景。所以一个合理的判断可能是：新的分工开始出现。日常任务交给本地模型，低延迟、低成本、隐私友好。复杂长任务交给云端大模型，去处理那些更重、更长、更综合的问题。这种混合架构，很可能会成为接下来 AI 产品的主流形态。其实现在云端大模型的使用就已经分层了，我就有好几个账户，不同模型应对不同场景的使用。Opus 编程、MiniMax 养虾，豆包的模型做企业应用等等。模型的场景化会越来越丰富，只用一个基模显然是不够的。这样的变化才刚刚开始。