一、0.6B 凭什么和 8B、20B 同台？

“参数量差两个数量级，直接不用比了”——这是很多人的第一反应。但小思框架（Xiaothink）最新发布的 Xiaothink-T17-RWKV5-MLA-Instruct-Pro（≈0.6B）却在一次 6 领域盲测中和 8B 的 llama、20B 的 gpt-oss 甚至云端旗舰同台竞技，还在指令遵循这个硬指标上拿了全场第一。这篇文章把盲测实录完整摆出来，用数据说话。
模型在线Demo体验（首次进入若跳转到主页请重进链接）

二、盲测是怎么做的？

• 裁判：DeepSeek-V4-Flash（开启深度思考），负责对照评分
• 评测领域：6 个 1B 定制中文领域——古诗生成、古诗赏析、前端页面生成、通用知识、指令遵循、长文本处理
• 题目数量：每个领域 3 题，共 18 题
• 评分维度：准确性 30% + 关联性 30% + 创造性 40%；页面生成任务改用“样式艺术感 40% + 内容与功能丰富度 40%”
• 评分方式：把本模型与所有静态模型对同一问题的回答匿名编号，一次性交给裁判对照打分，降低偏见
• 本模型采样：温度梯度 [0.68, 0.92] 共 2 个梯度点 × 3 次重复 = 每题 6 次对照评分，取最高分；静态模型取平均分
• 对照模型：Qwen3-0.6B、llama-3-8B-instruct、gpt-oss-20B、DeepSeek-V4-Flash

三、分领域成绩单

领域	T17-Instruct-Pro（0.6B）	Qwen3-0.6B	llama-3-8B	gpt-oss-20B	DeepSeek-V4-Flash
古诗生成	74.0	36.4	57.4	43.4	92.4
古诗赏析	67.0	72.6	71.6	71.8	91.7
前端页面生成	25.0	34.9	50.1	67.6	93.7
通用知识	85.0	69.5	83.6	90.6	87.7
指令遵循	90.7	78.2	89.7	80.6	77.5
长文本处理	50.0	85.0	76.5	93.0	89.6
总体平均	65.3	62.8	71.5	74.5	88.8

四、亮点逐条看

1. 指令遵循 90.7，全场第一。这个领域考的是“会不会听指令”：说输出一句话就一句话、说 30 字内就 30 字内。本模型 90.7 分，超过了 llama-3-8B（89.7）、gpt-oss-20B（80.6）、Qwen3-0.6B（78.2），甚至超过云端 DeepSeek-V4-Flash（77.5）。指令微调带来的格式服从能力，在 0.6B 上体现得相当扎实。

2. 通用知识 85.0，越过 8B。本模型 85.0，比 llama-3-8B 的 83.6 还高，逼近 20B 的 gpt-oss-20B（90.6），而 Qwen3-0.6B 只有 69.5。

3. 古诗生成 74.0，0.6B 级断档领先。Qwen3-0.6B 只有 36.4，差距明显；本模型甚至超过 llama-3-8B（57.4）和 gpt-oss-20B（43.4），仅次于 DeepSeek（92.4）。中文韵律和意象的建模能力是它的强项。

4. 总体 65.3，反超同尺寸 Qwen3-0.6B（62.8）。在同参数量级内做到了更好的中文综合表现。

五、也得实事求是一下

前端页面生成 25.0 是全部模型里最低的——原因很明确：这个模型是在 t17_rwkv5_mla_instruct_frontend 基础上继续微调的，微调重心放在了中文自然语言上，代价就是前端（WF）生成能力相比 frontend 版明显下降。需要前端页面生成请选用 t17_rwkv5_mla_frontend；需要自然语言对话、创作、指令任务，本模型是更合适的选择。这也是一次清晰的“能力再分配”实验。

六、总结

1. T17-RWKV5-MLA-Instruct-Pro（0.6B） 在 6 领域盲测中总体 65.3，超过同尺寸 Qwen3-0.6B；
2. 指令遵循 90.7 全场第一、通用知识 85.0 越过 8B、古诗生成 74.0 断档领先同尺寸；
3. 前端生成 25.0 是微调取舍的代价，选型时按任务场景二选一。

数据来自真实的 DeepSeek-V4-Flash 对照盲测。欢迎交流讨论！

模型下载（ModelScope）：Xiaothink-T17-RWKV5-MLA-0.6B-Instruct-Pro