最近看到讯飞出了上下文能到 1M 的 Spark-X2.5-4B 和 Spark-X2.5-1.7B，很高兴有国内厂商在研究长上下文的小模型，于是立马下载下来研究了一下。正当我考虑要不要分享经验的时候，正好看到有论坛网友在问 讯飞Spark-X2.5-4B ，于是决定再多测一点，然后写成一篇帖子吧。
上下文
小模型存在的意义是在个人的设备里也能跑。但即便是小模型， 1M 的上下文会有很大的 KV cache，实际上对显存的要求还是很高的。我的显卡是 5070 Ti 16GB，根据我的测试，如果要把 KV cache 保留在显存中的话（这样速度更快），1.7B 上下文可以到 450K：
4B 上下文可以到 170K ：
如果拉满1M上下文，默认配置下 1.7B 至少需要 31.12 GB 显存，4B 需要 52.55 GB。
安装
尽管官方的演示里用的是 LM Studio，但这并不代表一下载下来就能用。还是需要根据官方的指南进行编译才能使用。我是在 Windows 下用 AI Agent 帮我编的，过程中看到踩了不少坑。我让 Agent 把相关资料输出成文档。如果大家本地尝试遇到坑的话，或许可以为 Agent 提供启发。
AI-编译笔记.txt (11.0 KB)
另外，官方还有 SGLang Docker 的配置，但根据我实测，现在官方文档里的配置可能少了一些参数。即使修了这些参数，显存的效率似乎还是不如 LM Studio。
输出速度
1.7B 模型的输出速度非常快：
上下文对输出速度有一定影响。4B 上下文设为 131072 时是这个速度：
170k 时是这样：
除了模型本身的原因，系统本身的占用可能也会造成挤压。
模型能力
首先我用 Obsidian 的 YOLO 插件接入做了一下测试。这个插件是平时用来帮助我整理笔记的，如果能在本地就解决的话可以避免隐私泄露。为了测试工具调用又不泄露我的个人信息，就搞了个收集新闻的任务。
4B 模型（上下文 131072）有比较大的概率能够正常完成任务：
这一轮下来，大概用了一半的上下文：
1.7B 模型输出非常畅快，但有概率会出现理解错误、自循环、唐突停止等情况：
这时我想到，之前端侧小模型比较有名的还有 Gemma E4B，也拉来测了一下：
因为输出比较少，上下文也用得比较少：
可以看出 Gemma E4B 也能完成我要的任务，token 输出的速度更快，还支持视觉（这里没测）。但这个模型上下文最高是 131072，不能更高了（之前选择这个值也是为了方便对比）。至于完成的水平，就交给大家判断了。
顺便一提，谷歌家还有一个更强的 Gemma 4 26B A4B QAT，但这个模型需要把一部分的负载卸到 CPU 上才能在 16GB 显存比较顺畅地跑长上下文，相对比较折腾就没有跑。
考虑到官方宣称的指标里有明显提升，但这个比较简单的任务还没办法看出模型之间的差距，于是我想干脆测一个更难的：不如直接原汤化原食，把这个小模型接到 opencode，自己完成自己的 LM Studio 库的编译试试看。
我使用的提示词是：
为了运行这个模型 XHToken/Spark-X2.5-4B · Hugging Face
能不能帮我重新编译一下用于 LM Studio 的库
可以参考这个：AI-编译笔记.md
获得编译产物就行了，不用安装进去
可以看出 Spark-X2.5-4B 开局不错：
仓库也都成功地克隆下来了。但后来碰到编译报错的问题，还是陷入了循环思考：
我后面经过多次测试，模型的行为有一定波动，但终究还是没能跨过这道坎。（可能 Windows 的情况还是太复杂了吧）
而 Gemma E4B 总是会唐突自己停止：
甚至都没有走到规划任务这一步。经过多次测试后，有一定概率能把仓库拉下来，但之后就马上停了。而且似乎还有一些奇怪的安全限制，拒绝执行一些明明有权限运行、也并不危险的命令。这几个模型的配置基本上都是一样的，不知道是不是需要做特殊的配置，还是这个模型本来就没有特别考虑过长程任务的执行能力。
总结
总的来看，讯飞 Spark-X2.5 是一个有点意思的模型。
虽然 1.7 B 还太不稳定，但 4B 已经有一些 Agent 的能力了。
如果想纯本地跑 Agent 的话，可以玩玩。
