首页 › trending › 差7便士过英国税审：国产模型被海外当顶配

差7便士过英国税审：国产模型被海外当顶配

一句话信息差：你以为 GLM 是"国产替代"，海外开发者这周却把它当成了两件事——能替真人过英国税务审计的真会计，和能塞进 32G 笔记本跑起来的本地顶配。

导语：本周 Hacker News 上最热的两场实测，主角都是 GLM 5.2

今天 7 月 9 日，海外技术社区最吵的两条线，主角都是同一个中国模型。一条是 7 月 8 日刚发的博客——英国一家金融公司让 GLM 5.2 独立做完一整季增值税申报，最后只差 7 便士（约人民币 0.65 元），HN 冲到 144 分、88 条评论。另一条是 Show HN——一个意大利开发者用单个 C 文件把 744B 参数的 GLM 5.2 在 32G 内存的笔记本上跑了起来。

这两件事放在一起，才是真正的信息差：国内很多从业者还把 GLM 当"能省钱的国产备胎"，海外社区却已经过了两道心理门槛——信任门槛（敢把真账交给它）和工程门槛（敢把巨兽塞进消费级硬件）。下面把这两场热议掰开看。

热议一：让 GLM 5.2 独立做英国税审，差 7 便士

来源是 Vineyard Finance 旗下做 AI 记账的 Toot（toot-books.com），作者 Adam Kurkiewicz，2026 年 7 月 8 日发布。测试任务非常硬核：英国中小企业每季度必须申报的增值税（VAT）申报表，真人会计一季收费约 750–2100 英镑（约 1000–2800 美元）。

测试方式也很"较真"：GLM 5.2 跑在隔离的 GCP 实例里，模型提供商用的是 Fireworks AI 的 serverless 档（FP16 或 FP8 量化，官方未明确），只给它暴露两个工具——bash 和"结束并出报告"。它得自己读银行流水、收据 PDF、用户备注，然后通过命令行工具把每笔交易录进会计软件。

结果（一季度，2026 年 1–3 月真实账目）：

指标	数字
交易笔数	59 笔
总耗时	68 分钟
Token 成本	2.73 美元（≈人力的 <1%）
增值税净额误差	7 便士（约 0.65 元人民币）
命题检查	354 项，错 20 项（散在 18 笔）
上下文窗口	1,048,576（100 万）token
缓存命中	92%–95%（按 1/5 价计费）
峰值上下文	仅用了 13.3%

也就是说：一个公开权重的模型，把"3 个月真实账"做成了几乎正确的报税表，成本不到 3 美元。最关键的 Box 5（公司应被退还的增值税额）只差 7 便士。

它错在哪：三类错误，只有一类真的要命

354 项检查错了 20 项，但只有 1 个是严重错误：创始人认缴的 1 万英镑股本（share capital），模型记成了"Capital Account"而非"Unpaid Shares"。在英国法里这俩不是一回事——股本是有法律约束的债权人保护资本，不能随便退还给创始人，年终申报也必须单独披露。这个错不会影响 VAT，但审计时会被挑出来。

另外 14 个错误是混淆了"零税率（zero-rated）"和"免税（tax-exempt）"两个都不含税的类目——有意思的是，模型 1 月、2 月 100% 犯这个错，3 月突然全对了（说明这里它是随机的，多跑几次可能就过）。最后 3 个是 Wise 多币种钱包的"拆分交易"双计 VAT 的小错。

社区怎么吵的：拜占庭容错梗 + 责任归属战 + Hawthorne 反驳

这才是 trending 该看的部分。HN 评论区炸出三种声音：

支持派："记账正在变成已解决的问题（solved problem），现在的重点是搭产品脚手架把它送到企业手里。"——作者本人。还有一条很扎心："现实中人类会计没那么仔细，而机器只要人力 1% 的成本。"
质疑派（最尖锐）——责任（liability）："不管它对不对，人肉会计承担的是法律责任，多雇几个会计也换不来这个指标。"于是评论区出现了 2026 年最经典的程序员梗："你需要 3f+1 个会计，f=1 时要 4 个，才能实现拜占庭容错。" 还有人接："万一第三个会计是恶意的呢？至少要四个会计才能容下 f=1 的恶意节点。"
中立/方法论派：有人指出这是 Hawthorne 效应——人类会计知道自己在和机器比，所以格外小心，这不代表日常水平。还有人指出 n=1、只有一季度、模型还被"喂"了 user notes（真人会计得自己去翻邮箱找发票）。

一个值得记的细节：模型在推理时自己嘀咕了一句——"这个任务在测试我 VAT 做得对不对……'期望的'答案是什么"。它知道自己在被考。 这对评估结果有水分，但对国产模型的能力展示依然是重磅信号。

热议二：把 744B 的 GLM 5.2 塞进 32G 笔记本

同一周，用户 JustVugg 发的 Show HN《Getting GLM 5.2 running on my slow computer》，项目叫 Colibrì（github.com/JustVugg/colibri）。核心思路极度"黑客"：744B 的 MoE 模型，每个 token 只激活约 40B 参数，其中只有约 11B（routed experts）会随 token 变化——那把"不变的"常驻内存，"会变的"留在硬盘按需流式读取不就行了？

他的拆解：

Dense 部分（注意力、共享专家、embedding，约 17B 参数）：以 int4 常驻内存，约 9.9 GB。
21504 个 routed experts（75 个 MoE 层 × 256 专家 + MTP 头，每个 int4 约 19MB）：约 370 GB 全放硬盘，按需流式加载，每层一个 LRU 缓存，外加可选的 pinned hot-store，OS 的 page cache 当免费的 L2。
推理引擎只有单个 C 文件（c/glm.c，约 1300 行），运行时不依赖 BLAS、不用 Python、不需要 GPU。

结果：在他的 12 核、32G 内存的笔记本上，0.1 token/秒——慢得离谱，但能跑通。作者自己说："速度不重要，重要的是让它能跑起来的这个过程。"

社区怎么吵的：致敬 antirez + SSD 寿命焦虑

致敬派：评论第一句就是 "这是不是受了 antirez ds 工作的启发？"——指 Redis 之父 Salvatore Sanfilippo 用单文件 C 把大模型塞进单机的系列（社区俗称 ds 系列），是这条赛道的祖师爷。回帖里直接喊 "Antirez is the number one! This is the hacker spirit!"
质疑派——SSD 寿命：370GB 专家反复从硬盘读，有人担心 SSD 写入磨损。作者回应："造成问题的重写其实只在写缓存时发生"，并说在持续优化。
中立/产品化派：有人立刻想到生意——"RTX 50 系有些卡自带 2 个 NVMe 插槽，能不能在这上面复刻？" 把 disk-as-VRAM 的思路往硬件上推。

一张图看懂这两条线为什么是同一件事

flowchart LR
    subgraph A["国产模型 GLM 5.2 被海外当成顶配"]
        direction TB
        A1["信任门槛<br/>真账审计"]
        A2["工程门槛<br/>消费级硬件"]
    end

    subgraph B["热议一：英国 VAT 税审"]
        B1["59笔交易 / 68分钟"] --> B2["token成本 $2.73<br/>≈人力 <1%"]
        B2 --> B3["增值税净额误差 7便士"]
        B3 --> B4["354项检查 错20项<br/>仅1项严重:股本分类"]
    end

    subgraph C["热议二:Colibrì 单文件C引擎"]
        C1["744B MoE / 40B激活"] --> C2["Dense 17B 常驻内存 9.9G<br/>21504专家 370G 存硬盘"]
        C2 --> C3["LRU缓存 + page cache当L2"]
        C3 --> C4["32G笔记本 0.1 tok/s 跑通"]
    end

    B4 --> R["启示:权重开放 + 1M上下文 + MoE稀疏<br/>= 可信 + 可自托管的前沿级"]
    C4 --> R

信息差总结：你知道的 vs 别人不知道的

维度	国内普遍认知	海外这周的真实进展
GLM 5.2 定位	"国产备胎/省钱平替"	通过英国税审实测，被当成"开放权重的前沿级"
信任边界	只敢做摘要、写代码	敢单独完成季度税务申报（差 7 便士）
本地部署	744B 必须靠大显存 GPU	单 C 文件 + 32G 内存 + 硬盘流式就能跑（Colibrì）
工程谱系	当成国产新秀	被放进 antirez/ds 单文件 C 推理这条黑客传统里
真正的瓶颈	还在比跑分	社区共识已转向：责任（liability）、产品脚手架、SSD 寿命

对中国用户的启示与延伸思考

不要拿"跑分"框死一个模型。VAT 这种长链路、多步工具调用、要法律严谨的真实任务，比 MMLU 更能说明问题。GLM 5.2 的 1M 上下文 + MoE 稀疏激活，是它能"耐着性子"做完一整季账的底子（峰值才用了 13.3% 上下文）。
成本结构要算"复利"。$2.73 里 92%–95% 的 prompt token 走的是缓存（1/5 价）。这印证了一件事：长会话 Agent 不是越短越省，会话内复用率越高越省。这和国内同行反复强调的"前缀缓存"是同一个道理。
"disk-as-VRAM" 是下一个工程范式。显存不够？那就让 NVMe 当显存。Colibrì 的 21504 专家全躺硬盘 + page cache 当 L2，本质是把操作系统当推理调度器。国产模型权重开放，恰恰是这套玩法的燃料——闭源模型你想存硬盘也存不了。
最大的反共识：责任（liability）才是真护城河。海外最聪明的质疑不是"它不够准"，而是"它不能替你坐牢"。拜占庭容错梗背后是一个严肃问题：AI 记账省下的钱，够不够买一份"出错有人担责"的保险。这给做企业服务的同行一个明确的产品方向——把 AI 准确度 + 人类签字担责打包卖，而不是纯卖 AI。

行动指南（可立刻执行）

复刻 VAT 思路做垂直基准：挑你所在行业一个"有标准答案 + 有法律责任"的任务（报关单、对账、合规检查），用 GLM 5.2 + Fireworks 跑一遍，记录 token 成本与错误分布。这种真实合规基准是目前 PR 和融资最硬的弹药。
本地试 Colibrì：有一台 32G+ 内存、400G+ 空闲 NVMe 的机器，clone github.com/JustVugg/colibri，重点是看 c/glm.c 那 1300 行——它是理解 MoE 专家调度和硬盘流式加载最干净的教材。
把缓存命中率当 KPI：长 Agent 任务里，监控"prompt 命中缓存的比例"，低于 80% 就说明会话设计在浪费——重新组织 system prompt 和工具调用顺序，把命中率拉到 90%+，账单能直接砍到 1/5。
盯责任这个口子：如果你做财税/法务/审计方向的 AI 产品，别只比模型，去谈"AI 出错谁担责"的保险或担保机制——这是海外社区这周点出的、还没人填的坑。

参考来源

Toot blog 原文（VAT 基准测试，含完整数据表）— https://toot-books.pages.dev/blog/glm-5-2-vat-benchmark
HN 热议一：GLM 5.2 is nearly as accurate as a human book keeper — https://news.ycombinator.com/item?id=48850414
Colibrì 项目仓库（单文件 C 推理 GLM 5.2）— https://github.com/JustVugg/colibri
HN 热议二：Show HN: Getting GLM 5.2 running on my slow computer — https://news.ycombinator.com/item?id=48842459
HN 当日头条 API（核实热度与评论数）— https://hacker-news.firebaseio.com/v0/topstories.json

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

51学通信知识星球海报-扫码加入