通义千问3-4B代码生成体验：实测写Python脚本，效果超预期

本文介绍了如何在星图GPU平台上自动化部署通义千问3-4B-Instruct-2507镜像，实现高效Python代码生成。该镜像能够快速生成可直接运行的脚本，如数据处理、网络爬虫等实用功能，显著提升开发效率，特别适合快速原型开发和自动化任务场景。

鸟看世界

535人浏览 · 2026-04-01 04:46:32

鸟看世界 · 2026-04-01 04:46:32 发布

通义千问3-4B代码生成体验：实测写Python脚本，效果超预期

1. 引言

1.1 代码生成的新选择

作为一名长期与代码打交道的开发者，我一直在寻找能够提升编程效率的工具。最近，阿里开源的40亿参数小模型通义千问3-4B-Instruct-2507引起了我的注意。这个号称"4B体量，30B级性能"的模型，特别强调了对代码生成的支持。

与动辄上百亿参数的大模型不同，这个仅4GB大小的模型可以在普通笔记本电脑甚至树莓派上运行，这让我非常好奇：它的代码生成能力究竟如何？能否真正帮助开发者提高工作效率？

1.2 测试目标与方法

本文将聚焦Python脚本生成这一常见场景，通过一系列实际测试来评估：

基础代码片段生成能力
完整脚本的连贯性
对复杂需求的响应能力
代码质量与可读性
实际运行效果

所有测试都在本地RTX 3060显卡上完成，使用Ollama框架部署模型，确保响应速度和数据隐私。

2. 环境准备与模型部署

2.1 硬件与软件配置

测试环境采用以下配置：

CPU: Intel i7-12700K
GPU: NVIDIA RTX 3060 (12GB显存)
内存: 32GB DDR4
操作系统: Ubuntu 22.04 LTS

软件依赖：

Ollama 0.1.20
Python 3.10
必要的Python库（根据生成的代码需求安装）

2.2 模型部署步骤

通过Ollama部署通义千问3-4B-Instruct-2507非常简单：

# 拉取模型（社区提供的GGUF量化版本）
ollama pull qwen3-4b-instruct-2507-gguf

# 运行模型
ollama run qwen3-4b-instruct-2507

模型加载后，会显示类似如下的提示：

>>> Send a message (/? for help)

此时就可以开始与模型交互，测试代码生成能力了。

3. 基础代码生成测试

3.1 简单函数生成

首先测试最基本的函数生成能力。我给模型如下提示：

请帮我写一个Python函数，计算两个数的最大公约数

模型生成的代码如下：

def gcd(a, b):
    """
    计算两个数的最大公约数
    使用欧几里得算法
    """
    while b != 0:
        a, b = b, a % b
    return a

# 示例用法
print(gcd(48, 18))  # 输出: 6

评估：

正确实现了欧几里得算法
包含清晰的注释和示例用法
代码风格符合PEP8规范
时间复杂度为O(log min(a,b))，是最优解

3.2 数据处理脚本

接下来测试一个稍微复杂些的场景：数据处理脚本。

提示：

我需要一个Python脚本，读取CSV文件，计算每列的平均值，并输出结果

生成的代码：

import csv

def calculate_column_averages(csv_file):
    """
    计算CSV文件中每列的平均值
    """
    with open(csv_file, 'r') as file:
        reader = csv.reader(file)
        header = next(reader)  # 读取表头
        data = list(reader)
    
    # 初始化统计结果
    column_sums = [0.0] * len(header)
    column_counts = [0] * len(header)
    
    # 计算每列总和和计数
    for row in data:
        for i, value in enumerate(row):
            try:
                num = float(value)
                column_sums[i] += num
                column_counts[i] += 1
            except ValueError:
                continue
    
    # 计算平均值
    averages = []
    for col_sum, col_count in zip(column_sums, column_counts):
        if col_count > 0:
            averages.append(col_sum / col_count)
        else:
            averages.append(None)
    
    # 输出结果
    for col_name, avg in zip(header, averages):
        if avg is not None:
            print(f"{col_name}: {avg:.2f}")
        else:
            print(f"{col_name}: 无有效数值")

# 示例用法
calculate_column_averages('data.csv')

评估：

完整实现了需求功能
处理了非数值数据的异常情况
输出格式清晰易读
添加了适当的注释
可以直接运行使用

4. 复杂场景测试

4.1 网络爬虫脚本

测试更复杂的网络爬虫场景：

提示： """ 请写一个Python脚本，爬取豆瓣电影Top250的电影名称、评分和评价人数，并将结果保存到CSV文件中要求使用requests和BeautifulSoup库，添加适当的异常处理和延迟 """

生成的代码：

import requests
from bs4 import BeautifulSoup
import csv
import time
import random

def scrape_douban_top250(output_file='douban_top250.csv'):
    """
    爬取豆瓣电影Top250信息并保存到CSV
    """
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
    }
    
    base_url = 'https://movie.douban.com/top250'
    
    all_movies = []
    
    for start in range(0, 250, 25):
        url = f"{base_url}?start={start}"
        try:
            print(f"正在抓取: {url}")
            response = requests.get(url, headers=headers)
            response.raise_for_status()
            
            soup = BeautifulSoup(response.text, 'html.parser')
            items = soup.find_all('div', class_='item')
            
            for item in items:
                title = item.find('span', class_='title').text
                rating = item.find('span', class_='rating_num').text
                votes = item.find('div', class_='star').find_all('span')[-1].text
                votes = votes.replace('人评价', '').strip()
                
                all_movies.append({
                    'title': title,
                    'rating': rating,
                    'votes': votes
                })
            
            # 随机延迟1-3秒，避免被封
            time.sleep(random.uniform(1, 3))
            
        except Exception as e:
            print(f"抓取{url}时出错: {e}")
            continue
    
    # 保存到CSV
    with open(output_file, 'w', newline='', encoding='utf-8-sig') as f:
        writer = csv.DictWriter(f, fieldnames=['title', 'rating', 'votes'])
        writer.writeheader()
        writer.writerows(all_movies)
    
    print(f"数据已保存到 {output_file}")

if __name__ == '__main__':
    scrape_douban_top250()

评估：

完整实现了爬虫功能
添加了User-Agent和随机延迟等反爬措施
包含完善的异常处理
代码结构清晰，函数封装合理
可以直接运行使用

4.2 Flask Web应用

测试生成一个简单的Web应用：

提示： """ 请用Flask创建一个简单的待办事项应用，包含以下功能：

添加任务
标记任务完成
删除任务
查看所有任务使用SQLite作为数据库 """

生成的代码：

from flask import Flask, render_template, request, redirect, url_for
import sqlite3
from pathlib import Path

app = Flask(__name__)

# 初始化数据库
def init_db():
    db_path = Path('todo.db')
    if not db_path.exists():
        conn = sqlite3.connect('todo.db')
        c = conn.cursor()
        c.execute('''CREATE TABLE tasks
                     (id INTEGER PRIMARY KEY AUTOINCREMENT,
                     content TEXT NOT NULL,
                     done BOOLEAN NOT NULL DEFAULT 0)''')
        conn.commit()
        conn.close()

@app.route('/')
def index():
    conn = sqlite3.connect('todo.db')
    c = conn.cursor()
    c.execute('SELECT * FROM tasks ORDER BY id DESC')
    tasks = [{'id': row[0], 'content': row[1], 'done': row[2]} for row in c.fetchall()]
    conn.close()
    return render_template('index.html', tasks=tasks)

@app.route('/add', methods=['POST'])
def add_task():
    content = request.form['content']
    if content.strip():
        conn = sqlite3.connect('todo.db')
        c = conn.cursor()
        c.execute('INSERT INTO tasks (content) VALUES (?)', (content,))
        conn.commit()
        conn.close()
    return redirect(url_for('index'))

@app.route('/done/<int:task_id>')
def mark_done(task_id):
    conn = sqlite3.connect('todo.db')
    c = conn.cursor()
    c.execute('UPDATE tasks SET done = 1 WHERE id = ?', (task_id,))
    conn.commit()
    conn.close()
    return redirect(url_for('index'))

@app.route('/delete/<int:task_id>')
def delete_task(task_id):
    conn = sqlite3.connect('todo.db')
    c = conn.cursor()
    c.execute('DELETE FROM tasks WHERE id = ?', (task_id,))
    conn.commit()
    conn.close()
    return redirect(url_for('index'))

if __name__ == '__main__':
    init_db()
    app.run(debug=True)

同时，模型还自动生成了对应的HTML模板：

<!-- templates/index.html -->
<!DOCTYPE html>
<html>
<head>
    <title>Todo App</title>
    <style>
        .done { text-decoration: line-through; color: #888; }
        .task { margin: 10px 0; }
    </style>
</head>
<body>
    <h1>Todo List</h1>
    <form action="/add" method="post">
        <input type="text" name="content" placeholder="Add new task" required>
        <button type="submit">Add</button>
    </form>
    <ul>
        {% for task in tasks %}
        <li class="task {% if task.done %}done{% endif %}">
            {{ task.content }}
            {% if not task.done %}
            <a href="/done/{{ task.id }}">✓ Done</a>
            {% endif %}
            <a href="/delete/{{ task.id }}">✕ Delete</a>
        </li>
        {% endfor %}
    </ul>
</body>
</html>

评估：