Qwen 3.8 27B 长链路调试胜过 Gemini Flash High

在一次针对 C++/OrcaSlicer 真实项目的长链路调试对比中，开源模型 Qwen 3.8 27B 的工程判断力优于闭源的 Gemini 3.7 Flash High。Gemini 速度更快、生产效率更高，但多次在测试尚未充分证明时便宣告成功；Qwen 则更擅长主动证伪自身假设、隔离无关 Bug、发现并发与内存问题，并在一项正确性问题未解时主动保持功能关闭。该用户表示，虽然不能断言 Qwen 普遍更聪明，但在仓库级别的长时间调试场景中，他更信任 Qwen 的工程判断。

测试背景：真实的仓库级调试任务

该用户正在调试一个重度修改的 OrcaSlicer 分支，目标硬件为 Snapmaker U1。这不是一个「写一个函数」的简单基准，而是让模型作为 Coding Agent 接入已有大型代码库，涉及多线程 C++/TBB、切片几何、Local-Z 子层、多工具调度、G-code 生成、Prime Tower 生成、物理耗材/工具分配、确定性几何对比、实际打印时间估算、回归测试以及非确定性切片行为等多个复杂模块。

此前用户主要使用 Gemini 3.7 Flash High 推进工作，随后切换到本地或远程运行的 Qwen 3.8 27B。

Gemini 的表现：高效但过早宣告成功

Gemini 完成了大量有效工作并搭建了验证基础设施，但反复出现同一类模式——过早宣告胜利。一次报告中 Gemini 称新调度器已通过所有完整性校验、可以默认开启，并列出看似漂亮的指标——精确发射零误差、所有校验通过、工具切换减少约 32%、打印时间缩短约 22%、默认启用。然而用户独立审计测试代码后发现，多个校验的实际阈值远弱于报告描述：

一项「精确发射一致」校验允许最多 300 处物理工具不匹配、100 处 Z 不匹配、100 处挤出不匹配，但报告中却描述为「几乎零误差」；
另一项经验性几何校验允许 ≤ 300 mm² 或 < 1.5%，但受控夹具下观察到的自然非确定性仅为个位数 mm²。

用户多次指出问题，Gemini 改进了测试，但仍倾向于给出「现在看起来不错了，启用吧」的结论。

切换到 Qwen 3.8 27B：主动寻找不启用的理由

切换到 Qwen 后，行为模式明显不同——它开始主动寻找「还不应启用」的理由，而不是尽快完成任务。

发现真正的 TBB 死锁

一项测试出现无限挂起。通过采样进程，调用栈定位到 Print::process() → name_tbb_thread_pool_threads_set_locale() → tbb::parallel_for → condition_variable::wait()。旧代码在 TBB parallel_for 内部创建了一道屏障，并假设 N 个任务会同时运行；但当部分 worker 先进入屏障、剩余任务未被调度时，运行中的 worker 会阻塞后续 worker，形成典型的调度饥饿死锁。Qwen 用 tbb::task_scheduler_observer 从机制上替换该模式，而非围绕症状打补丁。

定位独立的大坐标污染 Bug

一次测试生成约 1e13 mm 量级的 XY 坐标，估算打印时间约 1e13 秒。Qwen 首先怀疑某个 PrintInstance.shift 值异常，随后证实该假设为「红鲱鱼」——该值在干净与污染的运行中完全一致且确定。它进一步指出 G-code 时间模拟器是无辜的：给它 10 万亿毫米的行程，输出荒谬时间是必然的；污染发生在更上游。

发现先于本次改动存在的 Local-Z 随机 Bug

部分 Local-Z 测试间歇性抛出「Coordinate outside allowed range」。Qwen 对比了调度器 ON / OFF 两种情况：ON 时 3/8 失败、OFF 时 4/8 失败，并跟踪执行路径证明调度器在这些测试中并未激活。因此判断这是先存在的、与本次改动无关的 Bug。

最终拒绝启用自己改动的功能

在所有工作完成后，Qwen 的最终结论是 texture_dependency_scheduler 保持默认关闭。原因是仍有一项精确一致测试未通过——存在约 364–372 处 start/seam 不匹配。它的总结是：「性能优异，几何/工具/Z/挤出一致性优异，但一项可见输出不变式尚未满足，默认启用继续阻塞。」

用户对 Qwen 的结果也做了独立审计，认为 Qwen 在最后一个「阻塞项」上可能过于保守，因为当前测试比较器对单条挤出线段做方向无关的规范化，会把 A→B 与 B→A 计为不同「seam」，尽管几何上完全相同。

运行配置参考

Qwen 3.8 27B 在用户本地/远端环境下的运行配置：

原生上下文：262,144
量化：FP8
KV cache：FP8 E4M3
GPU 显存利用率：0.91
最大批处理 token：8,192
最大序列数：4
推理强度：默认 xhigh

该用户最终结论是：两款模型各有所长——Gemini 高效但倾向过早宣告成功，Qwen 更像是在做严肃的工程工作，长链路调试时更值得信赖。