四款本地模型跑同一张脏表格，15次没一次找到最便宜显卡

四款小模型，同一张表格，十五次运行，没有一个找到那张最便宜的16GB显卡。这不是段子，是一次实测的结果。

测试用的表格是故意做脏的硬件价格追踪表：存储单位混着写，条目看着重复，价格有缺失，不同地区用不同货币，中间还夹着小计行。四款模型拿到的是完全相同的六个问题，每个问题都开新对话，CSV作为附件传进去，工具和联网全关，推理也关掉，保证条件一致。

硬件环境是一台主力台式机，RTX 4070 Ti Super 16GB，锐龙5 7600X，32GB DDR5-6000内存。四款模型都跑在llama.cpp上，Q4_K_M量化，16K上下文，全部卸载到GPU，问题通过内置网页界面输入。每次提问前都检查了请求负载，确认整个文件以纯文本形式送达。

评分标准事先定好：1000GB算1TB；英镑价格不算美元条目；TBD和N/A单元格排除；小计行不算产品；问产品加价格的题，答对产品即得分，货币符号写反了也算过，因为模型确实定位到了正确的行。至于表格里根本没有答案的两道题，只有干净利落地拒答才算通过，先承认数据缺失、再编一个数字出来的，一律判失败。

采样参数没有强行统一，而是按各家模型卡上Hugging Face的推荐值来。Gemma的温度是1.0，所以每题跑三次；两个Ministral和Phi的温度在零附近，各跑两次。两个Ministral多次生成结果完全一致，Phi不是，后面会说到。模型卡没写min-p值的，统一设为0。

Gemma 4 E4B：错得最少，但不等于对

Gemma读数据最忠实，尤其是固态硬盘那几道题，每次都正确挑出SK Hynix P41是最便宜的那块。两道无数据题，三次运行都没有编造数字。

它没拿满的数据题里，GPU均价只对过一次，常见错误是把七个正确价格相加时差了10美元。三次运行中，它一次也没找到9060 XT是最便宜的16GB显卡，每次都退回到英镑价格或建议零售价上。

Ministral 3 3B：行选对了，加不起来

3B模型在GPU均价那道题上，两次运行都稳定选出了正确的七张卡，然后分别算出466.14美元和480.43美元，正确答案是539美元。

16GB显卡和1TB固态那两道题，它直接选错了产品，两次都把英镑计价的卡和盘排成了最便宜。数据定位倒是很稳，其余数据分析题里只答对一道，是2TB固态的去重计数。

Phi-4 Mini：同一个问题，两个完全不同的错答案

Phi两次跑GPU均价，给出584.33美元和403美元，取数的集合根本不一样。GPU上的贪心解码并非逐位确定，运行之间有漂移可以理解，但这个幅度的漂移不行——同一个提示词，两次从完全不同的数字集合里取数。温度设成0，重复性远没有这个设置暗示的那么高。

它的失败方式还包括把建议零售价和实际售价混着用，并且数完英伟达的行就停了，AMD和英特尔一张卡都没算进去。数据定位同样扎实，两道表格答不了的题都干净拒答了。

Ministral 3 8B：最大的那个，最不敢信

加这个模型是为了看小模型的失败是不是单纯因为规模不够。它和上面的3B同属一个家族，是最接近的放大对照。

变大确实修掉了一些毛病：它把1000GB读成1TB，也正确挑出SK Hynix P41是最便宜的1TB固态。但算GPU均价时漏了459美元的5060 Ti、1149美元的RTX 5080和629美元的9070 XT，最后拿四张卡算出384美元。

更大的问题出在那道问2022年第二季度均价、而表里根本没有的题上。它自己编了一个英镑兑美元的汇率，算出一个"假设性"的575美元。第二次运行先拒答了，然后照样编出一段RTX 30系列在2022年的定价历史。

按不同运行次数归一化后，Gemma和Phi-4 Mini同为67%，只看数据题，四款里有三款正好卡在50%。拉开差距的不是读表能力，是表格答不了的时候肯不肯承认。

有一个结果在全部十五次运行里完全一致：没有任何一个模型指出RX 9060 XT 16GB、369美元那张卡是最便宜的16GB显卡。每一次返回的都是RTX 5060 Ti，要么是建议零售价，要么是英镑价。正确答案就明明白白躺在同一列里，任何规模的模型一次都没找到。

这些测试能推出的结论有限：只测了四款模型、单一量化、一张布满陷阱的表格。换12B或14B的更大模型、换提示词结构、换更干净的数据集，结果都可能更好。但至少在这类数据上，这些小型本地模型算出来的数，不自己复核一遍是不敢用的。