我的测试环境配置为:1 块 RTX 5070 12GB 显卡 + 1 块 RTX 5060 Ti 16GB 显卡(共 2 块),内存 64GB;所用模型为 Qwen3.8-Flash-Next IQ3_S,上下文长度限制分别为 128K 和 256K。
・与 v0.2.15 版本文本完全一致的情况:在 128K 上下文限制下为 3/13,在 256K 下为 4/13。
・即便在同一版本中,回答也会随每次运行而产生波动。
・涉及三个不同位置事实的问题:两种情况下均全部回答正确。
・所有回答均完整生成,未出现中途截断的情况。
由于即便在同一版本中,回答每次也会发生变化,因此文本不一致并不能证明版本之间存在差异。反过来说,这种测量方法也无法得出“回答没有变化”的结论。
若要验证这一点,似乎需要一种能够固定各项设置(确保回答不会产生波动)的测量方法,然后再进行 Token 比对。