10月4日，開發者 Simon Willison 喺本地硬件（一台 DGX Spark）上，重做一個兩年前的實驗。呢個實驗最初由 Colin Frasier 喺約兩年前用 GPT-4o 做過：俾模型做大數加法，但要求佢計完把答案用詞語答出嚟，而數字由小到大、越嚟越大。
呢次 Willison 將 Frasier 的原圖貼入一碼 Codex Remote 會話（GPT-6 Astra），令其用 Qwen3.8-27B 嘅量化版本（Qwen3.8-27B-Q4_K_M.gguf）重跑同一實驗。
測試分兩次。第一次：每組組合跑 30 次、推理（reasoning，即模型作答前先逐段「想」）關。Willison 話佢有信心 GPT-4o 當時冇偷用計算機，「尤其是佢錯咗咁多計算」。第二次：開推理。因為開推理後每對數處理好慢，每個方格只跑一次，即每格只係 100% 或 0%。結果：169 次嘗試答對 167 次。Willison 特別指出呢啲係 one-shot（一次過），再跑一次結果會唔同。
最有意思嘅，係報告入面附咗幾題大數嘅推理軌跡（reasoning traces）。模型喺入面寫「Wait, let me redo this more carefully.」（等我重新做、做細心啲），然後將兩個長串數字對齊，由右至左逐位相加、逐位進位（「write 5, carry 1」）。即人拿筆做數嗰種逐位進位。
呢類「答詞語」實驗嘅價值，正正就係迫模型離開「背答案」——答案要用詞語拼出，要真係逐位處理。但必須講清楚：開推理嘅 167/169 係 one-shot 結果，樣本細、唔穩定，唔構成對 Qwen3.8-27B 能力嘅一般性結論。
模姐驗嚇貨：本地硬件、量化模型、完全受控環境，呢啲係做推理實驗嘅正確姿勢。真正有價值嘅唔係個分數，而係你睇到佢點樣做：逐位對齊、逐位加、進位、發現錯就「等我再算一次」。呢種可檢查嘅推理軌跡，比一個跑唔到嘅跑分都透明。模型幾大幾快係第二層；第一層，係佢可唔可以畀你睇到佢點算嘅。
