Qwen3.8-27B 评测表里的 CI 是什么：model card 全文从未展开

2026-08-16

读评测表最容易出事的地方，不是数字看错行，而是遇到一个自己”好像知道”的缩写。Qwen3.8-27B 的 model card 在 VL Performance 那张表里，把三行分数拆成了 “Without CI” 和 “With CI” 两个口径分开报。看到 CI 两个字母，不少人脑子里会立刻蹦出一个展开，而且不同的人蹦出来的多半不是同一个。麻烦就在这里：换一个展开，这三行分数该怎么读、能跟谁比，结论就完全不一样。

问题在于：这份 model card 里没有任何一处告诉你它是哪一个。

我们采集的是 Hugging Face Qwen/Qwen3.8-27B 仓库，快照 1d4bf0f2ff6012fd82039f2fa52739d0dd7c60c0，核对日 2026-08-16。下面的行号都是我们在这份快照的 README.md 里实读出来的。

CI 一共出现在哪几行

先把范围钉死。README.md 全文 583 行、原始 65,012 字节（换行为 CRLF）。带 “With CI” 或 “Without CI” 字样的行只有四行：

行号	是什么
`README.md:203`	VL 表 `MathVision` 数据行
`README.md:204`	VL 表 `BabyVision` 数据行
`README.md:205`	VL 表 `CharXiv (RQ)` 数据行
`README.md:213`	VL 表脚注第 1 条

也就是说，CI 只活在 VL Performance 这张表里的三行数据、外加一条脚注。Text Performance 那张表（README.md:70–README.md:174）一次都没出现过。

这三行原表的数值是这样的（列名照抄 README.md:192，加粗表示原表该单元格带 <strong>）：

评测集	Qwen3.8-27B	Qwen3.6-27B	Qwen3.7-Plus	Muse Glimmer-30B	Opus4.6 Max
`MathVision`	Without CI 90.0 With CI 94.6	Without CI 85.1	Without CI 90.3	—	Without CI 65.5
`BabyVision`	Without CI 65.7 With CI 85.6	Without CI 28.9	Without CI 64.7 With CI 70.4	—	Without CI 12.6
`CharXiv (RQ)`	Without CI 83.7 With CI 90.2	Without CI 78.4	Without CI 85.8 With CI 85.9	78.8	Without CI 66.0

这些数字全部是 model card 自述的评测结果，我们没有复现过任何一项，评测方法与环境以官方说明为准。

那条脚注解释的是格式，不是缩写

README.md:213 是 VL 表八条脚注里的第一条，原文是：

MathVision, BabyVision, and CharXiv (RQ): Where both settings are available, cells report “Without CI” and “With CI” separately; otherwise, only the available setting is shown. A small number of incorrect ground-truth annotations in MathVision and CharXiv (RQ) were corrected following manual verification, and all reported scores on those benchmarks were computed using the corrected annotations.

把这段话拆开看，它交代了两件事：一是呈现规则——两种设置都有的时候分开报，只有一种就只报那一种；二是 MathVision 与 CharXiv (RQ) 这两个评测集的标注被人工修正过，表里的分数是按修正后的标注算的。引用这两行分数时，这句限定必须一起带上。

它没交代的那件事，恰恰是最要命的：CI 是什么的缩写，“设置”具体设置的是什么，两种设置之间差在哪。脚注把 CI 当成一个读者已经知道的词用了。

一条可复现的检索命令

不要靠肉眼扫。判断一个缩写在文档里到底有没有被解释，最省事的办法是把两三种最可能的展开写成正则、大小写不敏感地全文扫一遍。我们扫的是这两种：

python -c "
import io,re
lines=io.open('README.md',encoding='utf-8').read().split('\n')
hits=[(i,l) for i,l in enumerate(lines,1) if re.search(r'code interpreter|Code Interpreter|confidence interval',l,re.I)]
print(hits if hits else 'NO DEFINITION OF CI FOUND')"

输出是 NO DEFINITION OF CI FOUND，零处命中。命令在 model card 所在目录里执行，python 是 Windows 上的 Python 3；Linux 与 macOS 上把 python 换成你环境里的 Python 3 解释器即可，脚本本身不用改。

零命中的意思很朴素：这份文件里既没有把 CI 展开成前一种，也没有展开成后一种。它不告诉你 CI 是什么，我们也就不知道 CI 是什么——这个位置只能留白，不能填。

留白比填空值钱

我知道有人会想，猜一下又不会怎么样，反正上下文摆在那儿。但这三行的读法会因为猜法不同而彻底翻转。

同一格里的 “With CI” 与 “Without CI” 是两个不同设置下报出来的数，这两个设置差在哪、哪一个能和别的模型的哪一个放在一起看，全都系在 CI 到底指什么上面。脚注只说了「两种设置都有就分开报」，至于设置本身是什么，model card 一个字都没给。补一个自己的展开进去，下游读者接下来的每一步比较都会站在这个补出来的前提上，而且不知道它是补的。

所以稳妥的写法只有一种：原样保留 “Without CI” / “With CI” 这两个标签，引用哪一格就写清哪一格。比如要引 CharXiv (RQ) 上 Qwen3.8-27B 的分数，得写成”model card 自述其 With CI 为 90.2、Without CI 为 83.7”，不能只丢一个 90.2 出去。

顺带说个更普遍的坑：这份表里的数字撞号撞得很凶。90.3 这个数在文件里至少出现在三个不同位置——Text 表 LiveCodeBench v6 行的 Qwen3.8-27B（README.md:167）、Text 表 GPQA Diamond 行的 Qwen3.7-Plus（README.md:153）、VL 表 MathVision 行 Without CI 的 Qwen3.7-Plus（README.md:203）。写”某模型得了 90.3 分”这种句子，读者根本没法回原文核对是哪一格。评测集名、模型列名、指标标签，三样缺一不可。

第三行还有一处标签不齐

CharXiv (RQ) 这一行（README.md:205）除了 CI 本身没解释，还有一处值得单独标出来：同一行里其余四列都写成 “Without CI xx” 的形式（其中两列还多一个 “With CI xx”），只有 Muse Glimmer-30B 那一格是裸的 78.8，前面既没有 “Without CI” 也没有 “With CI”。

而脚注（README.md:213）给的规则是 “otherwise, only the available setting is shown”——按字面读，只有一种设置可用时会只显示那一种，但没说这种情况下标签要不要省。文件里就是这个状态，两处的写法对不上。我们只陈述这处差异，不推断原因，也不由它去评价什么。

引用这一格的时候，老老实实写成”Muse Glimmer-30B 在该行的数值为 78.8，原表未标注 CI 设置”，别自作主张给它补一个 “Without CI”。

同一份文件里还有一个没展开的词

CI 不是孤例。Text 表第一行的评测集名写作 Terminal Bench 2.1 (Terminus)（README.md:76），括号里的 Terminus 在整份 README 里也没有任何解释，它只在那一行的评测集名里出现过一次。同样的处理办法：照抄，不展开，不猜。

顺着这条线还能看到更大的一片留白。VL 表的十三个评测行里，有五个评测集（OSWorld-Verified、AndroidWorld、OmniDocBench 1.5、RealWorldQA、ERQA）在八条脚注里完全没有对应说明；Text 表也有六个评测集没有脚注。有脚注的评测集，方法说明也只覆盖到脚注写了的那部分——评测执行日期、硬件、推理框架版本、随机种子、置信区间与方差，整节里都没有记载。这不是缺陷判断，只是在说：读表时能核到哪一层，取决于文件里写了哪一层。

什么情况说明不是这个问题

最后划个边界，免得把这套判断用错地方。

如果你手里的 model card 不是快照 1d4bf0f2ff6012fd82039f2fa52739d0dd7c60c0，先重新跑一遍上面那条检索命令。上游随时可能补上一句解释，届时零命中就会变成有命中，这篇的结论也就随之失效。
如果你要引的分数在 Text Performance 那张表里，那和 CI 没关系——CI 一次都没出现在表一，表一的多指标行是 Agents' Last Exam 的 Pass@1 与 Score（README.md:133–README.md:138），标签体系完全不同。
如果你看到的格子里是 --，那也不是 CI 的事。脚注对它的定义是 “Empty cells (—) indicate that results are not yet available or not applicable.”（README.md:184、README.md:220），照抄这句定义即可，别读成 0 分、别读成”不支持”。VL 表里这样的格子共 13 个。
如果分歧出在采样参数上，那属于另一条线：评测脚注里写的是 temp=1.0, top_p=0.95（README.md:177、README.md:179），而 model card 给使用者的推荐值、以及仓库里 generation_config.json 的实读值又各有各的写法，三处口径不完全相同，需要分别标明是哪一处，和 CI 无关。

一份 model card 里出现没展开的缩写，这在工程上是个很常见的状态。真正会出问题的不是缩写本身，而是引用的人替它做了决定，还没告诉下游读者这是自己补的。文件里查不到，就写”文件里查不到”，把行号和检索命令一起给出去——下一个人两分钟就能验证你说的对不对，这比一个看起来完整的展开有用得多。

延伸阅读

本文依据 Hugging Face 仓库 Qwen/Qwen3.8-27B 的 model card 与随仓配置文件（config.json、generation_config.json、preprocessor_config.json、chat_template.jinja 等）整理，核对日 2026-08-16，对应仓库快照 1d4bf0f。本文内容为 model card 与配置文件口径，我们没有下载权重、没有部署、也没有推理过这个模型，因此不涉及生成质量、推理速度与显存占用的任何描述；文中所有评测数字均为 model card 自述，我们没有复现。模型仓库内容随上游更新而变动，请以官方最新说明为准。