【2026 最新】Axion 1.0-35B 值得換嗎？社群重現與 Qwen 基底的公平評測教學

你看到 Axion 1.0-35B 的成績圖，想把現在的本機模型換掉，卻發現下載頁寫著 Reproduction。這份權重和論文裡受測的模型是同一個嗎？和它的基底相比，進步究竟在哪裡？先認對考生，再讀成績，會比立刻下載更有用。

這篇寫給第一次比較開放權重、願意記錄設定的新手。你會學會查發布者與版本、拆開不同評測口徑，再準備一份可重跑的小考卷。有 GPU 環境的人可接著啟動服務；一般筆電先完成身分與評分工作表，也能做出下一步決定。

以下依 2026 年 11 月 8 日查閱的一手文件整理。本文沒有執行模型推論；論文與模型卡的結果各自標明來源，後面的題組是待執行的評估設計。

先說結論：先驗身分，再比基底

換模型的證據＝權重身分＋公平對照＋合格交件成本。像買同款食譜做出的麵包：食譜得獎，不表示每一家照做的成品都已拿到同一張獎狀。社群重現值得試，但要拿它自己的成績單。

• 先把「論文模型」「社群重現」「你實際下載的量化檔」分成三個對象。
• 基底先選 Qwen3.6-35B-A3B；固定執行器、精度、工具與預算，再逐題配對。
• 看到提升先查題目、工具與計分方式；決定切換，則看自己的工作能否穩定交件。

一、Axion 1.0-35B 是什麼？先分清模型與執行層

依 官方程式庫，Axion 的 35B 研究模型由 Qwen3.6-35B-A3B 出發，經兩階段 SFT（用示範答案繼續訓練）與 RL（依結果回饋調整行為）。可把它想成原本受過教育的研究助理，再練習解題、找資料與使用工具；不是從空白開始教。

MoE（混合專家）像有許多小組的公司，每處理一個 Token，選部分小組參與。35B 總參數與約 3B 活躍參數描述不同事情；載入權重、上下文快取與執行器都要占資源，不能拿活躍參數直接當記憶體需求。MoE 的基本概念可先當作補充。

模型負責提出下一句話或工具呼叫；Harness（執行層）負責真的查網頁、接收結果、繼續回合與停止。像研究助理和辦公室的分工：助理說「查這個網址」，仍要有人把網頁帶回來。Agent Harness 入門把這個迴圈解釋得更完整。

二、Axion 1.0-35B 權重身分：四步查清下載的是誰

①「認發布者」：官方連結，不等於官方權重

怕名稱相同就當成同一份？先看 官方 Models 段落：它推薦 Axion1-0 帳號的社群重現，同時明確說這不是官方 Axion checkpoint。Checkpoint 是某次訓練保存下來的權重快照。官方推薦可以作為來源線索，不能抹去重現身分。

②「鎖版本」：把會移動的 main 換成提交碼

到 模型卡讀標題的 Reproduction，再開 Files and versions 查看 commit。本文查閱的 Axion 快照是 d4fdb2d6d284ecc24359bfa161a58b835a63c754；基底快照是 345d467b117d1fd5eda9b879a5988de9ae5f47a7。這些是版本識別，不是品質認證。

先在空白練習資料夾執行下列指令，只保存這份文字模型卡，不下載大權重。打開檔案，確認標題、Usage 與 Performance；把來源網址也存進工作表。Hugging Face 版本下載文件說明如何以完整 commit 固定檔案。

curl --fail-with-body --location --output axion-model-card.md \
  https://huggingface.co/Axion1-0/Axion-1.0-35B/raw/d4fdb2d6d284ecc24359bfa161a58b835a63c754/README.md

③「認成品」：原精度與量化另開一列

若選別人轉出的 GGUF 或低位元權重，再記轉檔發布者、原始模型版本、檔名、精度與檔案 SHA-256。雜湊像檔案指紋，幫你確認兩次拿到相同內容；它不替發布者背書，也不代表檔案安全或能力相同。下載前先核對授權與容量。

④「認成績」：每個數字都接回同一個考生

模型卡把 Paper 與 Reproduction 分列。之後自己的紀錄應再加一層「本次下載檔＋本次設定」。讀者在量化版跑出的結果，不能直接改標成 BF16 原權重；論文、重現者與你自己，三份證據各自保留。

三、基底其實有對照：先看對表，再看差距

想知道後訓練有沒有幫助？先翻技術報告 Table 2。它沿著基底、兩階段 SFT、RL 列出結果；HLE 欄使用 130 題純文字子集。主表 Table 1 的 HLE 則是完整題集，限制部分網站存取。兩個欄名相近，考卷不同。

論文的設定是每項多次執行後報單次最佳分數；多數 benchmark 三次，BMB 五次。這和「所有回合平均」回答不同問題。依評測協定，跨來源的工具權限與設定也可能不同；圖上的高低適合產生候選，不足以替你的工作做採用決定。

社群模型卡的完整 HLE 數字，不能與論文基底的 HLE-130 相減當作提升。訓練階段表也是連續 checkpoint 比較，不是移除單一元件的因果實驗。白話說，看到助理上完幾堂課後進步，可以肯定這段訓練路徑值得研究；仍要另做實驗，才能拆出每堂課的獨立效果。

四、先固定測試桌：Axion 與基底共用五項條件

第一次只換模型。原訊息文字與工具定義相同，但各自保留正確的 chat template（把對話轉成模型輸入的格式），並保存版本或雜湊；硬套同一個不合適模板，反而可能把格式問題測成能力差。若遇到轉檔或 Runtime 差異，先參考本機模型 A/B 排查。

工作表先記：模型完整 ID／revision、執行器版本、權重精度、硬體、模板、reasoning parser、tool-call parser、system prompt、採樣參數、context 上限、每次輸出及整題總預算、工具回傳快照。每次請求的上限，和整題跑十輪的總量，是兩筆帳。

有已備妥的八 GPU vLLM 環境，再參考下列模型卡範例；八張是示範配置，不是最低硬體需求。本機資源不足就先完成考卷，不必為了這篇練習租機或訓練模型。依Axion 推論指南與Qwen 基底模型卡核對相容版本，先用 python -m pip show vllm 記下版本。

vllm serve Axion1-0/Axion-1.0-35B \
  --revision d4fdb2d6d284ecc24359bfa161a58b835a63c754 \
  --served-model-name candidate --host 127.0.0.1 --port 8000 \
  --tensor-parallel-size 8 --dtype bfloat16 --max-model-len 131072 \
  --generation-config vllm \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice --tool-call-parser qwen3_coder

測完 Axion，先停止原服務並確認資源釋放，再將命令的模型換成 Qwen/Qwen3.6-35B-A3B，--revision 換成前述基底提交碼，其餘本輪條件維持相同。--generation-config vllm 讓兩組從執行器的預設起步；每個請求仍明寫採樣與輸出上限。vLLM serve 參數文件可核對版本選項。若任一組啟動失敗，記「環境未通過」，先排錯，不把它填成答題零分。

先用 curl --fail-with-body http://127.0.0.1:8000/v1/models 核對服務，再依模型卡的 Chat Completions 範例問「2＋3」。算出 5 只證明最小文字管線可用。工具呼叫文件說明解析出的呼叫格式；真正執行工具、加入工具訊息與繼續請求，仍由你的 Harness 處理。

curl --fail-with-body http://127.0.0.1:8000/v1/chat/completions   -H 'Content-Type: application/json'   -d '{"model":"candidate","messages":[{"role":"user","content":"What is 2 + 3?"}],"temperature":0.6,"top_p":0.95,"max_tokens":4096}'

五、跟著走一題：先寫答案本，再觀察完整回合

先做三類、每類四題的小考：公開文件查找、固定數字計算、查找後再計算，共十二題。每題預先寫答案、證據位置、容許格式與停止條件；保留部分新題，最後才拿來驗收。這是起步用的教學題數，不是可靠度認證。AI Evals 入門可補上題目、評分器與保留集的觀念。

完整例題可以這樣設計：「讀取固定網址的來源卡，找出 Stage I 與 Stage II 的示範數，加總後輸出總數與網址。」先由你把官方 README 存為唯讀文字快照，記原網址、commit 與檔案雜湊；工具只准取得這份快照，計算器只准相加兩個數，不開任意 Shell、帳號或付款權限。

依該版 README，答案本先填 10,819＋7,544＝18,363。這是示範軌跡數的加總，不是獨立題目數或 Token 數。預期可接受的路徑是：要求讀取 → 工具回來源 → 提取兩數 → 計算 → 交出 18,363 與正確網址；模型可以用其他合格順序，不必逐字模仿。

你的紀錄則逐輪寫實際發生什麼：模型選哪個工具、參數是否有效、工具回什麼、最後答案是否符合條件。它若找到兩數卻提前說完成，就記未完成；若參數無法解析，記格式錯；若工具斷線，另記環境錯並按預先規則補跑。不要只留下最後那句漂亮答案。

每題各組先跑三次，全數保留，並輪替哪組先跑；十二題乘兩模型乘三次，共 72 個任務回合。這個數字是測試設計，不是已完成的測量。各次開新對話、重設工具狀態；冷啟動與暖機後延遲分欄，避免快取或載入順序替其中一組加分。

六、怎樣決定換？品質、故障與總帳各看一欄

先寫採用門檻，後看結果。例如你可規定：來源、數字與工具權限錯誤都要逐題檢查；新模型至少維持基底的合格表現，且總等待與資源符合預算。門檻是你對工作訂的規則，不是本篇保證 Axion 能達成的數值。

• 品質：全題成功率＝合格任務回合÷全部實際執行回合；工具錯與提前完成保留在分母，另列原因。
• 配對：逐題列「都對、都錯、只有 Axion 對、只有基底對」；重跑共享題目，不能當成很多獨立新題。
• 成本：累計所有輪次輸入／輸出 Token、工具費、重試與牆鐘時間，再除以合格交件數；合格交件數為零時，記為未定義。
• 環境：服務中斷按同一預先規則重跑，仍保存原始事件；同時報原始全流程結果與有效模型比較，避免悄悄刪敗例。

自己託管時，Token 是資源線索，不等於一張固定單價的帳單；還要記 GPU 使用時間或實付租機費。若只量任務開始到結束，就稱為整題等待時間；工具網路、排隊與推論分開，才知道慢在哪裡。需要更完整的系統紀錄，可接著讀最小 Agent Harness 實作。

決策順序：身分未釐清 → 先補來源；管線未跑通 → 先排環境；品質未達門檻 → 保留基底；品質達標、總成本也可接受 → 小範圍試用並留回復路徑。若兩者擅長不同題型，也可分工，不必把一次試驗變成全面替換。

常見問題：八個先講答案的判斷

1. 官方 GitHub 推薦，就能叫它官方權重嗎？

不能。本文查閱的 README 明確稱它為社群重現，並區分官方 checkpoint 身分。

2. 論文完全沒比基底嗎？

有。Table 2 列出基底及連續訓練階段；要注意 HLE-130 與完整 HLE 的區別。

3. Reproduction 的分數可以套到 GGUF 嗎？

先驗你下載的檔。模型卡結果對應它發布的重現，換精度或執行器後，另外留下品質與設定紀錄。

4. 約 3B 活躍，就只要載入 3B 權重嗎？

不要這樣估。活躍參數描述每步計算，記憶體還涉及完整權重、快取與執行策略。

5. 開了 tool-call parser，就會自動上網嗎？

還要接工具執行迴圈。解析、執行、回傳工具訊息與停止，各自檢查一次。

6. 三次裡挑最好一次，就能估日常成功率嗎？

那是最佳單輪表現。日常穩定性應保留全部回合，報合格率、失敗型態與時間分布。

7. 沒有 GPU，今天還能做什麼？

可以完成身分查核、固定文字來源、手算答案與工作表。模型成績先留空，等合適環境再填。

8. 現在值得換成 Axion 嗎？

值得列入科學推理與工具研究候選；是否切換，取決於同條件下你的合格交件和成本。本文未跑出採用勝負。

給新手的三個重點

• 先認成品：同一名稱、配方與推薦連結，仍需查發布者與精確版本。
• 先讀同一張考卷：完整 HLE、HLE-130、最佳單輪與全輪平均各自標清楚。
• 先做配對：固定桌面條件、留下每個工具回合，再決定在哪些工作保留或切換。