Mac mini6 32G 上 Qwen3.8 27B 完成 Pi 子任务能力实测

摘要

这次测试要回答一个具体问题：mini6 上的 qwen3.8:27b-mlx 能否在上级智能体拆解任务后，借助最少的 Pi 工具完成有边界的工作？八项有效用例覆盖计算、文档提取、代码诊断、临时文件修改、图表理解、中文 OCR 和表格读数，均达到预设答案；单次墙钟耗时为 10.08–35.92 秒。另有一次故意保留的接入失败：Pi 模型目录未声明图像输入时，模型根本没有收到图片，不能把那次猜错归因于视觉能力。

结论限于这批短任务：它可以承担受控子任务，由上级智能体决定工具、提供上下文并验收结果。复杂多文件工作、长期自主规划、真实拍照文档及手写 OCR 尚未由本次测试证明。

测试环境与计时口径

推理设备：mini6，M6、32 GB 统一内存；Ollama 模型 qwen3.8:27b-mlx，MLX runner。
调用端：本机 mini4，Pi 1.2.0，经已配置的 Ollama OpenAI 兼容接口访问 mini6。
可见过程：Herdr wx 工作区的测试泳道 w2F:p2，各用例串行执行。
统一关闭 Pi 扩展、MCP、技能、提示模板和项目上下文文件；每项使用独立的 --no-session 单轮请求，并设置 --thinking off。
耗时由 /usr/bin/time -p 的 real 记录，包含 Pi 启动、请求和生成答案；不包含准备测试图及人工核对。每题仅测一次，未控制模型冷热状态或其他设备负载，数字不能视为稳定延迟或吞吐量基准。

调用骨架如下；<工具>按题目替换为 --no-tools 或 --tools read 等，图片用 @图片路径作为附件传入：

/usr/bin/time -p pi --provider ollama --model qwen3.8:27b-mlx \
  --no-extensions --no-mcp --no-skills \
  --no-prompt-templates --no-context-files \
  <工具> --no-session --thinking off --print \
  '任务指令'

--no-context-files 会跳过项目指令文件。因此分派真实工作时，必须由上级智能体把相关约束写入指令，或有选择地加载必要上下文。

一、文本与工具任务

用例	给 Pi 的工具	题目与预期	实际结果	real
定量推理	`--no-tools`	甲车 60 km/h 先行 35 分钟，乙车 90 km/h 同向追赶；问乙车出发后几分钟追上。标准答案：70 分钟。	仅输出 `70`，正确。	10.88 秒
文档提取	`--tools read`	读取现有的 Hermes 本地模型测试记录，提取 Qwen 的正确率、平均每题耗时、工具题耗时及每轮预填充量。	`6/6`、`63 秒`、`60 秒`、约 `3.2 万 token`，均与源文一致。	17.41 秒
代码诊断	`--tools read,bash`	检查 `primes.py` 的 `sieve(0)`，要求最小复现、解释原因与修法，不修改文件。	正确指出长度为 1 的列表被写入索引 1，抛出 `IndexError`；建议在 `limit < 2` 时提前返回 `[]`。	35.92 秒
小范围修改	`--tools read,edit`	只修改 `/tmp` 中的 `primes.py` 副本，使 `limit < 2` 返回空列表。	仅在函数开头增加两行守卫；原项目文件未改。	25.22 秒

修改结果另做了独立检查：副本与原文件的 diff 只有 if limit < 2: return [] 两行；sieve(0)、sieve(1) 返回 []，sieve(2) 返回 [2]，sieve(10) 返回 [2, 3, 5, 7]，1000 以内仍有 168 个素数。代码诊断题的最终答案称已运行复现，但本次没有保存结构化工具调用日志，因此该题的评价依据是诊断内容与源代码、独立检查一致，不对调用步骤另计分。

工具选择遵循题目所需的最低权限：纯推理无需工具；读取资料只给 read；需要执行复现才加 bash；只需改现有文件时给 read,edit，不必顺手开放 write 或 bash。

二、视觉接入故障与修正

Ollama 的模型列表显示 qwen3.8:27b-mlx 具备 vision 能力，但本机原 Pi 模型条目只有 id。第一次将下图作为 @图片附件提问时，Pi 未把图片交给模型；模型明确说“无法查看图片”，依据文件名猜测子图项数，猜成“1、5、10、20”等，耗时 32.97 秒。这是接入配置失败，不是一个有效的识图成绩。

方波级数四子图

为隔离验证，在临时 Pi 配置中明确写入图像输入类型，未改动原有用户配置：

{
  "providers": {
    "ollama": {
      "baseUrl": "<mini6 的 Ollama OpenAI 兼容地址>/v1",
      "api": "openai-completions",
      "apiKey": "ollama",
      "models": [
        {"id": "qwen3.8:27b-mlx", "input": ["text", "image"]}
      ]
    }
  }
}

随后用 PI_CODING_AGENT_DIR=<独立配置目录>调用 Pi。四项视觉任务均使用 --no-tools；图片附件不需要 read 工具。要正式复用视觉能力，应给专用 Pi 配置或主模型条目加入 "input": ["text", "image"]，并用一张已知答案的图片验证实际送达。

三、识图与 OCR 用例

用例	标准答案与判定点	实际结果	real
图表理解	四幅子图分别是 1、3、10、40 项；蓝线逐步逼近方波，跳变处有过冲/振荡（吉布斯现象）。	三个判定点均正确。	19.49 秒
清晰中文记录 OCR	逐行转写标题、送检单位、编号、日期、温湿度、结论和验证码，共 7 行。	7 行的文字和关键字符均正确；仅空格数量不作为错误。	15.45 秒
表格 OCR 与计算	四行零件、编号、实测值和判定；找出不合格件，计算合格件实测值均值。	四行均正确；不合格编号 `LN-106`；`(99.6+98.7+101.4)/3=99.9%`，正确。	23.67 秒
轻度退化图片 OCR	将同一记录缩至 850×425，旋转 2.2°、轻微模糊，再以 JPEG 55 质量保存；仍逐行转写。	7 行及编号、验证码、温湿度均正确。	10.08 秒

OCR 测试图使用虚构内容，不对应任何真实单位或业务记录。图片及标准答案保存在本文旁边，便于人工复核。

中文混排记录

清晰中文记录

标准答案：

样品标签核对单
送检单位：示例实验室
编号：LAB-2610-A47
核对日期：2026年10月16日
环境温度：22.6℃    相对湿度：48%
结论：标签清晰；暂未发现异常。
验证码：7Q4B-29XK

轻度退化版本：

缩小倾斜并压缩后的记录

表格读取和基于图片的计算

抽检记录表

零件	编号	实测值（%）	判定
A件	LN-104	99.6	合格
B件	LN-105	98.7	合格
C件	LN-106	93.2	不合格
D件	LN-107	101.4	合格

四、结论与使用方式

可以作为受控子智能体。 八项有效短任务均得到正确结果，包括一次真正修改临时文件且经独立检查通过。上级智能体适合把界限清楚的计算、资料提取、代码局部诊断与修改、清晰图片识读及印刷体 OCR 交给它，并负责验收、合并和最终决策。它也确实能在精简 Pi 中运行；问题是重配置下的提示词和工具负担，以及复杂长任务尚未得到本次验证，不能概括为“完全不能跑 Pi”。

暂不据此放手长期独立执行。 本次只有单轮或少数工具调用，没有测试复杂多文件修改、长会话上下文累积、失败恢复、真实手机照片、手写字或密集小字。涉及金额和关键编号时，OCR 输出仍应与原图或其他来源复核。

分派原则：先选任务，再选工具；默认零工具，按需添加 read、edit、bash。把输入控制在相关片段内，给出明确交付格式与完成条件，结果由上级智能体验收。视觉任务还必须确认模型目录声明了图像输入，并在首次使用时用已知图片做送达检查。

与此前重配置测试的关系

此前 Hermes 或插件较多的 Pi 测试曾出现长提示词、首字等待和超时。本次精简方案的短任务在 10–36 秒内完成，说明Agent 包装层的固定开销会显著影响可用性；但两批测试的任务、模型缓存和运行环境没有严格配平，不能用这两组墙钟时间计算精确加速倍数，也不能据此宣称长任务性能问题已经消失。

可复核材料

Herdr 泳道：wx / w2F:p2，保留了每条调用的终端输出与 real 计时。
本文附带四张实测图片；其中方波图来自 wx 项目，其余图片为本次生成的虚构测试材料。
文本任务分别引用 wx 项目中的 Hermes 测试记录和 primes.py；修改只发生在临时副本，原项目未更动。
本次没有多次重复取均值、没有固定模型缓存状态，也没有留存结构化 Pi 工具事件日志；上述结论仅覆盖已列出的测试条件。