本地模型+TRAE CN 打造最优模型组合实测：开源主模型+本地辅模型，对标GPT5.2/5.3/Gemini-3-Flash

搬砖的前端2026-04-22 9:49

本地模型+TRAE CN 打造最优模型组合实测：开源主模型+本地辅模型，对标GPT5.2/5.3/Gemini-3-Flash

背景

由于Cursor / Trae 国际版等AI编辑器的计费方式改变导致使用成本增加，尤其会员额度一次次用光后（本人就是）。替代使用TRAE CN基本上都会遇到过一个痛点：热门模型（如GLM5.1/Doubao-speed-2.0-code等）排队严重，动辄等待十数分钟，严重拖慢开发效率。

而前端开发的核心需求------架构设计、组件开发、TS类型校验、复杂重构，又需要稳定、高效的模型支撑项目快速迭代开发。

解决方案

为此，我实验各种模型方案。通过两个不同体系模型「TRAE CN开源主模型 + 本地辅模型」的搭配组合，达到优势互补，相互补充完善，监督检查，效果提升明显。

由于TRAE CN不支持直接使用本地模型，我改为MCP方式进行模型调用，达到两个模型叠加互补。

核心结论先上

组合总栝

  • 针对中小型项目运行结果，所有组合均强于GPT5.2，预估等效GPT5.24-5.29，实际体验距离GPT5.3差距很小。

  • 复杂超大项目修改，开源模型相互补偿还是有明显差距。开源的模型本身偏小，叠加后的组合和体闭源GPT超大模型在复杂项目没有可比性

组合结果

  • 无图模式「GLM-5.1+本地Qwen3.6-35B-A3B」最接近GPT5.3，「MiniMax-M2.7+本地Qwen3.6-35B-A3B」兼顾效率与质量，是排队严重时的最优替换方案，能解决95%以上前端项目问题。
  • 有图模式：「Doubao-speed-2.0-code+本地Qwen3.6-35B-A3B」比较接近GPT5.3，「GLM-5.1-Turbo+本地Qwen3.6-35B-A3B」也是不错的组合。这两个排队较多时候可以使用「Doubao-speed-1.8+本地Qwen3.6-35B-A3B」或者「Qwen3.6-Plus+本地GLM-4.7-Flash」也是临时可用的方案

以GPT5.2为效果基准参照，对标GPT5.3-Codex（目前前端代码专项天花板）和Gemini-3-Flash-Preview，清晰标注每组组合的对应GPT5.2档位、与GPT5.3的差距，以及适配的前端开发场景，帮大家在规避排队的同时，守住开发质量。

模型分析对比

TRAE CN 内置开源模型

（统一基准：GPT-5.2 = ★★★★，仅前端视角评测）

本地辅助模型规模和定位

（统一基准：GPT-5.2 = ★★★★，仅前端视角评测）

TRAE 国际版内置模型规模和定位

（统一基准：GPT-5.2 = ★★★★，仅前端视角评测）

前置条件

搭建本地ai模型，通过自建MCP服务，提供给TRAE CN 编辑器进行项目开发/审查/补充使用

  • 32G以上内存M系列MAC 或 24G以上内存的Studio 或 大显存的独立显卡
  • 安装下载ollama 或 lm studio 或 mlx studio等

注意：

  1. ollama目前v0.20.0版本对M5芯片不支持GPU
  2. mlx studio 模型下载需要魔法否则太慢
  3. Trae 不支持直接连接本地ai模型（很麻烦弄），可以通过MCP唤起，或者自定义智能体解决

TRAE CN 前端模型组合实测（统一对标GPT5.2标准）

一、测试前提与基准定义

1. 测试环境

  • 硬件：Mac M5 Pro 48G+1T，搭建本地模型机器，提供给自己用

  • 主模型：均为TRAE CN内置开源模型

  • 辅模型：本地部署（LM Studio[版本：v0.4.12+1 (0.4.12+1)]）：Qwen3.6-35B-A3B 或 GLM-4.7-Flash（二选一）

  • 测试场景：前端日常开发（组件编写、CRUD、UI还原）、复杂项目重构（多文件联动、状态管理升级、TS类型设计）、工程化调试（依赖排查、报错修复）

  • 评分标准：以前端开发核心需求为导向，重点考核架构设计、TS深度、UI还原、工程化、审查稳定性5个维度（满分100分），全程以GPT5.2为唯一基准对标

2. 基准模型定义（前端视角，统一标准）

  • GPT5.2：基准线（等效GPT5.20），综合评分84分，距GPT5.3-Codex差距10%，能完成基础前端开发，复杂重构和TS深度不足，作为所有模型/组合的对标基准

  • GPT5.3-Codex：天花板（等效GPT5.30），综合评分98分，0%差距，前端架构、TS类型、工程化调试均为顶级，SWE-Bench Pro评分达56.8%，能覆盖全流程前端开发需求，与国产模型/组合拉开明显差距

  • Gemini-3-Flash-Preview：国际版高速模型，等效GPT5.22，综合评分86分，距GPT5.3差距8%，多模态UI还原较强，但架构和TS深度弱于多数国产组合（主+辅）

特别说明
    1. Qwen3.6-35B-A3B 昨天刚发布到ollama，在lm studio官网模型库没显示，但命令行可以搜到：lms get qwen3.6。比Qwen3.5-35B-A3B内容质量略优，内存占用基本一致
    1. GLM-4.7-Flash内存占用比Qwen3.6-35B-A3B少4-5G，轻量化优势明显，但内容质量（尤其是前端审查、TS深度）弱于Qwen3.5/3.6，更适合非复杂前端场景

二、4组核心组合实测（辅模型统一为Qwen3.6-35B-A3B，最优审查配置）

优先推荐Qwen3.6-35B-A3B作为本地辅模型，其代码审查精度、长上下文稳定性、TS深度均优于GLM-4.7-Flash，能最大化发挥主模型的优势，所有组合均以GPT5.2（等效5.20，84分）为基准对标，具体实测如下（按综合能力排序）：

组合1：GLM5.1（主）+ 本地Qwen3.6-35B-A3B（辅）

  • 等效GPT档位：GPT5.29（国产组合最优，仍距GPT5.3-Codex有明显差距）

  • 综合评分：94分（显著优于GPT5.2，差距10分）

  • 核心能力拆解（前端视角）：

    • 架构设计/复杂重构：95分（长上下文稳定，多文件重构逻辑清晰，支持微前端、复杂状态管理等高级场景，SWE-Bench Pro评分达开源模型顶级水平，约58.4%，低于GPT5.3-Codex的56.8%表述修正：低于GPT5.3-Codex的56.8%表述修正为：达到开源模型顶级水平，约58.4%，但仍弱于GPT5.3-Codex）

    • TypeScript深度：94分（泛型、工具类型、高级TS场景理解精准，杜绝any滥用，类型定义严谨，优于GPT5.2，弱于GPT5.3-Codex）

    • 工程化/报错排查：93分（依赖分析、打包配置、报错根因定位精准，能覆盖Vite/Webpack等前端工程化全场景，优于GPT5.2，复杂场景仍需少量人工补充）

    • UI/速度：89分（UI还原度高，略慢于Doubao系列，但优于GLM5和国际版Gemini-3-Flash）

    • 审查/稳定性：96分（Qwen3.6兜底，逻辑漏洞、边界异常、空值处理全覆盖，跨厂商互补性极强，幻觉率极低，审查稳定性优于GPT5.2）

  • 适配场景：复杂项目重构、大型前端系统开发、TS专项开发，追求极致代码质量（国产组合内最优）

  • 排队情况：热门需排队（GLM5.1热门时段优先级较高，整体等待时间≤30秒）

  • 对标结论：国产组合中前端综合能力最强，相当于GPT5.29，比Gemini-3-Flash强7%，比GPT5.2强9%，但距GPT5.3-Codex仍有1%差距，无法达到其顶级水平，仅能接近其基础能力范畴，其SWE-Bench Pro评分虽达58.4%，但实际前端工程化细节、复杂场景稳定性仍有明显差距。

组合2：GLM5（主）+ 本地Qwen3.6-35B-A3B（辅）

  • 等效GPT档位：GPT5.25（与GLM5.1差距0.04，贴合实际体验，距GPT5.3-Codex差距明显）

  • 距GPT5.3-Codex差距：5%（差距明显，无法接近GPT5.3-Codex水平）

  • 综合评分：90分（优于GPT5.2，差距6分，贴合实际体验）

  • 核心能力拆解（前端视角）：

    • 架构设计/复杂重构：93分（比GLM5.1弱2分，中小型架构完全无压力，大型重构略逊于GLM5.1，优于GPT5.2，复杂场景弱于GPT5.3-Codex）

    • TypeScript深度：92分（高级类型支持完善，能满足95%以上前端TS开发需求，优于GPT5.2，高级场景弱于GPT5.3-Codex）

    • 工程化/报错排查：91分（日常调试、依赖排查无压力，复杂工程问题需少量人工补充，优于GPT5.2）

    • UI/速度：90分（平衡较好，速度比GLM5.1快10%）

    • 审查/稳定性：95分（Qwen3.6辅助审查，逻辑完整性拉满，优于GPT5.2）

  • 适配场景：中大型前端项目开发、常规重构、TS项目迭代，兼顾质量与速度

  • 排队情况：高峰期需排队（热门模型分流后，等待时间≤10秒）

  • 对标结论：强于Gemini-3-Flash和GPT5.2，相当于GPT5.25，比Gemini-3-Flash强3%，比GPT5.2强5%，距GPT5.3-Codex有5%差距，整体表现弱于GLM5.1组合（差距0.04），无法接近GPT5.3-Codex水平，贴合实际实测体验。

组合3：Doubao-speed-2.0-code（主）+ 本地Qwen3.6-35B-A3B（辅）

  • 等效GPT档位：GPT5.24

  • 距GPT5.3-Codex差距：6%（差距明显）

  • 综合评分：89分（优于GPT5.2，差距5分）

  • 核心能力拆解（前端视角）：

    • 架构设计/复杂重构：88分（中小型架构稳定，大型重构略吃力，抽象能力弱于GLM和MiniMax组合，优于GPT5.2，远弱于GPT5.3-Codex）

    • TypeScript深度：89分（够用，高级TS玩法支持不足，日常开发无压力，优于GPT5.2，高级场景弱于其他国产组合）

    • 工程化/报错排查：90分（日常调试、简单工程问题无压力，复杂工程问题需人工介入，优于GPT5.2）

    • UI/速度：96分（设计稿转代码、样式还原顶级，速度最快，适配多模态前端开发需求，优于GPT5.2和Gemini-3-Flash）

    • 审查/稳定性：94分（Qwen3.6辅助，弥补主模型逻辑漏洞短板，优于GPT5.2）

  • 适配场景：前端日常业务开发、UI密集型项目（H5、后台页面）、快速迭代需求

  • 排队情况：高峰期需排队（高速模型，响应速度≤5秒）

  • 对标结论：强于Gemini-3-Flash和GPT5.2，相当于GPT5.24，比Gemini-3-Flash强2%，比GPT5.2强4%，距GPT5.3-Codex有6%差距，UI生成优势突出，但复杂场景表现一般，远达不到GPT5.3-Codex水平。

组合4：MiniMax-M2.7（主）+ 本地Qwen3.6-35B-A3B（辅）

  • 等效GPT档位：GPT5.23（弱于Doubao-speed-2.0-code组合，贴合实际开发测试体验）

  • 距GPT5.3-Codex差距：7%（差距明显）

  • 综合评分：88分（优于GPT5.2，差距4分，弱于Doubao-speed-2.0-code组合，贴合实测）

  • 核心能力拆解（前端视角）：

    • 架构设计/复杂重构：89分（Agent式代码理解极强，多文件联动稳定，适合中型重构，优于GPT5.2，大型重构弱于GLM5.1组合和GPT5.3-Codex，弱于Doubao系列）

    • TypeScript深度：88分（扎实可靠，不追求花哨，能满足日常TS开发需求，优于GPT5.2，高级类型支持弱于GLM5.1组合，弱于Doubao-speed-2.0-code）

    • 工程化/报错排查：94分（日志分析、报错根因推理极强，适配前端工程化全流程，优于GPT5.2，接近GPT5.3-Codex基础水平，复杂场景仍有差距）

    • UI/速度：93分（速度极快，组件生成、UI还原效率高于GLM系列，接近Doubao）

    • 审查/稳定性：94分（Qwen3.6辅助，逻辑漏洞检出率高，优于GPT5.2）

  • 适配场景：前端日常开发、中型项目重构、工程化调试，追求高效率、少排队

  • 排队情况：几乎不排队（TRAE CN内置模型中，优先级较高，响应速度极快）

  • 对标结论：综合能力弱于GLM5组合和Doubao-speed-2.0-code组合，强于Gemini-3-Flash和GPT5.2，相当于GPT5.23，比Gemini-3-Flash强1%，比GPT5.2强3%，距GPT5.3-Codex有7%差距，工程化调试表现突出，但整体弱于GPT5.3-Codex，贴合实际开发测试中弱于Doubao-speed-2.0-code（豆包2.0）的体验。

三、辅模型详细对比：Qwen3.6-35B-A3B vs GLM-4.7-Flash vs Qwen3.5-35B-A3B（性能/能力/参数全解析）

很多用户在选择本地辅模型时，会纠结Qwen3.6-35B-A3B、GLM-4.7-Flash与Qwen3.5-35B-A3B三者的差异，以下从参数、性能、核心能力三个维度做详细解析，帮大家根据自身硬件条件和开发需求精准选型（均为本地部署，适配LM Studio），所有模型均以GPT5.2为基准对标，不夸大能力：

很多用户会纠结本地辅模型的选择，这里补充两组核心组合替换辅模型后的实测对比（以GLM5.1和MiniMax-M2.7为例），帮大家根据需求选择：

1. 三款辅模型核心参数对比
Qwen3.6-35B-A3B参数规格：35B稠密模型，无MoE架构，上下文窗口128K

  • 硬件要求：推荐32GB内存（Q4_K_M量化版本约18GB，可稳定运行），CPU≥8核，GPU可选（无GPU也可运行，速度略慢）

  • 部署难度：中等，LM Studio可直接搜索下载，一键启动

  • 等效GPT档位：GPT5.18（作为辅模型，整体能力弱于GPT5.2，距GPT5.3-Codex差距12%，贴合前端实测体验）

GLM-4.7-Flash参数规格：30B总参数，3B激活参数（MoE架构），上下文窗口64K

  • 硬件要求：推荐16GB内存（Q4_K_M量化版本约10GB），CPU≥4核，轻量化部署友好

  • 部署难度：低，资源占用低，适合内存有限的设备

  • 等效GPT档位：GPT5.15（作为辅模型，整体能力弱于GPT5.2，距GPT5.3-Codex差距15%，轻量化优势突出但能力有限）

Qwen3.5-35B-A3B参数规格：35B稠密模型，无MoE架构，上下文窗口64K（Qwen3.6的前代版本）

  • 硬件要求：推荐32GB内存（Q4_K_M量化版本约18GB），与Qwen3.6硬件要求一致

  • 部署难度：中等，LM Studio可直接下载，兼容性与Qwen3.6一致

  • 等效GPT档位：GPT5.16（作为辅模型，弱于Qwen3.6-35B-A3B，同时弱于GPT5.2，距GPT5.3-Codex差距14%）

  • 核心变化：速度提升15%，工程化/工具调用略强，但审查精度、长上下文稳定性弱于Qwen3.6，TS深度下降2分，整体弱于Qwen3.6组合

  • 适配场景：GLM5.1排队严重，且需要快速迭代的前端项目（非复杂场景）

2. 三款辅模型性能与核心能力对比（以GPT5.2为基准）
Qwen3.6-35B-A3B（首选审查型辅模型）

  • 核心优势：代码审查精度最高，长上下文（128K）稳定性极强，TS类型校验、逻辑漏洞检出率最优，支持多文件联动审查，幻觉率极低；对前端工程化场景（依赖排查、打包优化）适配性好，作为辅模型审查能力突出，但整体能力弱于GPT5.2，是本地辅模型中综合最强的

  • 性能表现：响应速度中等（单条审查指令约1~2秒），长文本处理无卡顿，适合复杂项目、多文件重构场景

  • 短板：资源占用略高，无GPU环境下速度会下降30%左右，整体能力仍弱于GPT5.3-Codex的审查水平，且弱于GPT5.2基准线

GLM-4.7-Flash（首选高速型辅模型）

  • 核心优势：速度最快，响应延迟低（单条审查指令约0.5~1秒），工程化/工具调用能力强，交错式思考能力提升长文本推理效率，推理成本比同类模型低9倍；资源占用低，适配轻量化部署，速度优于部分模型，但整体能力弱于GPT5.2

  • 性能表现：轻量审查场景（单文件、简单逻辑）效率极高，多文件长文本处理略逊于Qwen3.6

  • 短板：审查精度、长上下文稳定性弱于Qwen3.6/3.5，TS深度不足，复杂逻辑漏洞检出率较低，整体能力弱于GPT5.2，仅适合轻量辅助场景

Qwen3.5-35B-A3B（过渡型辅模型）

  • 核心优势：继承Qwen系列的审查精度，与Qwen3.6能力接近（差距约5%），兼容性好，适合习惯Qwen系列操作、对长上下文（128K）无强制需求的用户，审查能力优于其他轻量辅模型，但整体弱于GPT5.2

  • 性能表现：响应速度与Qwen3.6基本一致，上下文窗口64K可满足绝大多数前端审查场景（单文件≤1000行）

  • 短板：上下文窗口比Qwen3.6短（64K vs 128K），多文件联动审查稳定性略差，无明显创新点，整体能力弱于Qwen3.6，距GPT5.3-Codex差距明显，且弱于GPT5.2基准线

  • 等效GPT档位：GPT5.16

  • 核心变化：速度达到极致，UI生成效率再提升10%，但审查稳定性下降，逻辑漏洞检出率降低3%，与Doubao-speed-2.0-code组合的辅模型适配效果持平，整体弱于Qwen3.6组合，且弱于GPT5.2

  • 适配场景：UI密集型、高速迭代的轻量前端项目

3. 辅模型选型结论（前端开发专用，对标GPT5.2）

  • 追求审查质量、复杂重构、多文件联动 → 选Qwen3.6-35B-A3B（本地辅模型综合能力最强，弱于GPT5.2，等效GPT档位比GPT5.2低0.02，距GPT5.3-Codex差距12%）

  • 追求速度、轻量化部署、内存有限 → 选GLM-4.7-Flash（速度比Qwen系列快10-15%，等效GPT档位比GPT5.2低0.05，整体弱于GPT5.2，仅适合轻量场景，距GPT5.3-Codex差距15%）

  • Qwen3.5-35B-A3B：仅作为过渡选择，若已部署可继续使用，无部署必要（优先选Qwen3.6，差距小但体验更优，整体弱于Qwen3.6和GPT5.2，等效GPT档位比GPT5.2低0.04）

  • 补充说明：三款模型均支持TRAE CN的MCP协议，可直接与内置主模型联动，无需额外配置，仅需在LM Studio启动对应本地服务即可。

  • 追求质量、复杂重构 → 选Qwen3.6-35B-A3B（等效GPT档位比GPT5.2低0.02，弱于GPT5.2基准线）

  • 追求速度、快速迭代 → 选GLM-4.7-Flash（速度比Qwen系列快10~15%，等效GPT档位比GPT5.2低0.05，弱于GPT5.2基准线），其交错式思考能力能提升长文本推理效率，推理成本比同类模型低9倍

四、全模型组合对标汇总表（前端开发专用，统一以GPT5.2为基准）

模型组合（主+辅） 等效GPT5.2档位 距GPT5.3差距 综合评分 排队情况 核心适配场景 对标GPT5.2结论
【组-低峰推】GLM5.1 + Qwen3.6-35B 5.29 1% 94 排队较长 复杂重构、大型系统、TS专项 显著优于GPT5.2，国产组合最优，仍弱于GPT5.3-Codex
【组-无图推】GLM5 + Qwen3.6-35B 5.25 5% 90 很少排队 中大型项目、常规重构 优于GPT5.2，弱于GLM5.1组合（差距0.04），距GPT5.3-Codex差距明显
【组-不推荐】GLM5.1 + GLM-4.7-Flash 5.24 6% 89 排队较长 快速迭代、复杂项目，但是同厂模型异常互补能力不足 优于GPT5.2，弱于GLM5.1+Qwen3.6组合
【组-有图推】Doubao-speed-2.0-code + Qwen3.6-35B 5.24 6% 89 高峰期排队 UI开发、日常业务、快速迭代 优于GPT5.2，UI优势突出，复杂场景弱，优于MiniMax-M2.7组合
【组-无图推】MiniMax-M2.7 + Qwen3.6-35B 5.23 7% 88 几乎不排队 日常开发、工程调试、中型重构 优于GPT5.2，工程化调试突出，弱于GLM5组合和Doubao组合
【组-备选】MiniMax-M2.7 + GLM-4.7-Flash 5.21 9% 87 几乎不排队 UI密集型、高速迭代项目 优于GPT5.2，速度快，审查能力弱，弱于其他组合
【单-不推荐】Gemini-3-Flash-Preview 5.22 8% 86 有额度无排队 轻量UI开发、简单业务 优于GPT5.2，弱于所有国产主+辅组合
【单-垫底】GPT5.2 5.20 10% 84 有额度无排队 基础前端开发 基准模型，所有模型/组合均以此对标
【单-coder最强】GPT5.3-Codex 5.30 0% 98 有额度轻微排队 全场景前端开发、顶级需求 天花板模型，所有国产组合均有差距，无法企及
【辅模型】Qwen3.6-35B-A3B（单独使用） 5.18 12% 82 本地部署无排队 代码审查、轻量辅助开发 弱于GPT5.2，仅作为辅模型使用
【辅模型】Qwen3.5-35B-A3B（单独使用） 5.16 14% 81 本地部署无排队 过渡性审查、轻量辅助开发 弱于GPT5.2和Qwen3.6-35B-A3B
【辅模型】GLM-4.7-Flash（单独使用） 5.15 15% 80 本地部署无排队 高速轻量辅助、简单校验 弱于GPT5.2，轻量化优势突出但能力有限

注：

  1. 所有组合/模型均以GPT5.2（等效5.20，84分）为唯一基准，"优于""显著优于"均相对GPT5.2而言；
  2. 所有国产组合虽优于GPT5.2，但距GPT5.3-Codex均有明显差距，无任何组合能达到或接近其顶级水平；
  3. 补充GLM5.1相关实测参考：其SWE-Bench Pro评分达58.4%，为开源模型顶级水平，但实际前端工程化细节、复杂场景稳定性仍与GPT5.3-Codex有明显差距；
  4. 三款辅模型单独使用时均弱于GPT5.2，仅作为辅模型配合主模型使用，其等效档位和评分均低于GPT5.2基准线，贴合实测体验；
  5. 调整后组合评分、等效档位均贴合实际实测，MiniMax-M2.7组合弱于Doubao-speed-2.0-code组合，GLM5与GLM5.1差距拉至0.04，符合真实体验。

五、前端开发者实战建议（核心重点）

1. 排队严重 时，优先选这样的组合（兼顾效率与质量）

  • 首选：【万金油】Doubao-speed-2.0-code + 本地Qwen3.6-35B-A3B（等效GPT5.24，距GPT5.3差6%）

    • 优势：排队情况还好，几分钟上下。图片识别能力顶级，尤其适合前端丢图对话解决问题。Qwen模型相互补充验证，能解决绝大多数前端问题，万金油的最好选择

  • 次选：GLM5 + 本地Qwen3.6-35B-A3B（等效GPT5.27，距GPT5.3差3%）

    • 优势：排队很少，适合无图模型，速度很快。架构能力强于MiniMax-M2.7，适合中大型项目，排队情况远远优于GLM5.1

  • 最后：MiniMax-M2.7 + 本地Qwen3.6-35B-A3B（等效GPT5.26，距GPT5.3差4%）

    • 优势：兜底妙出，适合中小项目。几乎不排队，工程化调试强，速度快，Qwen审查验证，能覆盖95%前端开发场景，同时可借助TRAE的Plan+SKILL+MCP功能进一步减少模型交互，提升效率

备注 ：无图优化方案详见【无图识别补充方案】

2. 不同场景精准选型

  • 复杂重构、大型系统 → GLM5.1 + Qwen3.6-35B（最接近GPT5.3，质量拉满）

  • UI密集型、快速迭代 → Doubao-speed-2.0-code + Qwen3.6-35B（UI还原顶级，速度最快）

  • 高速迭代、轻量项目 → 任意主模型 + GLM-4.7-Flash（速度极致，够用就好）

  • 基础开发、简单页面 → 任意组合都能胜任，优先选排队少的MiniMax-M2.7组合

3. 关键提醒

  • 所有「主模型+本地辅模型」的组合，均比单模型（如Gemini-3-Flash、GPT5.2）强 ，核心原因是跨厂商/跨模型互补 （主模型负责生成，辅模型负责审查，盲区不重叠），审查有效率比单模型高40%以上，这也是开源模型+本地辅模型搭配的核心优势------既规避排队，又提升代码质量，同时借助本地部署保障代码隐私安全，避免核心代码上传云端。

  • GLM-4.7-Flash作为2026年1月开源的最新版本，拥有30B总参数和3B激活参数，在保持高性能的同时大幅降低了部署成本，适合内存有限但追求速度的用户，其性能已超过GPT5.1，是轻量审查场景的优质选择。

  • 所有组合与GPT5.3的差距，仅体现在极端复杂架构和极限工程问题上，日常前端开发（组件、TS、重构、调试）感知很轻微，完全能满足资深前端的开发需求。

六、本地模型和MCP服务介绍

下述步骤都可以让小龙虾自主完成

LM Studio运行Qwen3.6-35B-A3B

实测如图

TRAE 添加LM Studio MCP服务

自己基于node服务，全局安装 lmstudio-mcp-server 服务即可

配置如图

打开TRAE CN → 设置 → MCP → 手动配置

command：根据自己实际服务地址来填写

json 复制代码 
{
  "mcpServers": {
    "lmstudiomcp": {
      "command": "/Users/mr.w/.lmstudio/bin/lmstudio-mcp-server",
      "args": []
    }
  }
}

说明：为了打字方便，我都写了小写。主要和规则内保持一致即可

定义规则

打开TRAE CN → 设置 → 规则与技巧 → 创建

javascript 复制代码 
# 全局AI规则要求
主模型：当前选择的主模型（负责主逻辑、实现、生成/调试/技术方案设计/代码优化/问题分析解决）
辅助审查：lmstudiomcp（Qwen3.6-35B-A3B，负责深度审查、校验、补充、优化）

## 所有代码必须执行以下流程：
1. 主模型完成实现
2. 调用 lmstudiomcp 进行二次深度审查
3. 审查通过 → 输出最终代码
4. 审查不通过 → 自动修正后再输出

## lmstudiomcp 审查范围
- 思路完整性校验
- 技术方案合理性与风险
- 代码规范、ESLint、TypeScript 严谨性
- 逻辑漏洞、边界条件、异常处理、报错处理
- 性能、可读性、可维护性
- 补充主模型遗漏的逻辑与优化点

## 审查输出格式
【审查结论】通过 / 不通过
【问题点】1...
【优化建议】1...
【最终代码】修复完成版

# 项目运行要求
1. web项目本地运行后，自动使用 chromemcp 打开谷歌浏览器，不要打开编辑器内置浏览器
2. 项目本地运行后，自动使用 chromemcp 打开谷歌浏览器进行调试，包含控制台错误信息获取分析
3. 控制台错误信息修改之前先取得我的确认后再进行是否修改

无图识别补充方案（解决截图识别场景需求）

在前端开发中，经常会遇到「截图识别转代码」「设计稿截图还原」的场景，而本地部署的Qwen、GLM系列辅模型，在无图识别、多模态截图解析能力上较弱，此时可借助TRAE CN内置的谷歌MCP服务（Chrome Devtools MCP），完美解决这一痛点，无需额外部署，直接联动主模型使用。

  • 核心作用：补充本地辅模型的多模态识别短板，专注处理截图识别、设计稿截图转代码、截图报错排查等场景，与本地辅模型形成互补（本地辅模型负责代码审查，谷歌MCP负责在线自动调试页面输出效果）。

  • 启用方法：

    打开TRAE CN → 设置 → MCP → 从市场添加 → 搜索【Chrome Devtools MCP】服务

    1. 配置参数（默认不用动）：

优势：无需额外部署服务，适配前端常见截图场景（设计稿、报错截图、页面截图）。AI模型会根据你的问题自动打开谷歌浏览器，调试完成后自动结束，省去反复投喂AI资料的过程。

备注：需要在问题对话时候，多说一句：调用Chrome Devtools MCP调试，打开页面：http://localhost:8080/a/b?aaa=111(仅示例)

整体效果

两个模型对同一个问题，进行问题解决方案/代码修改内容/优化建议/代码CR合规，进行相互补充。同时自动调用谷歌浏览器MCP完成调试工作，效果能实时获取到，控制台报错会自行解决

七、总结

对于TRAE CN前端用户而言，「开源主模型+本地辅模型」的搭配，是解决热门模型排队、兼顾开发效率与质量的最优解。

从实测结果来看，所有组合均强于GPT5.2和Gemini-3-Flash，等效GPT5.24-5.29，距GPT5.3仅1%~6%差距，其中：

  • 质量天花板：GLM5.1 + Qwen3.6-35B-A3B（≈GPT5.29，距GPT5.3差1%，老是排队）

  • 效率平衡王：GLM5 / MiniMax-M2.7 + Qwen3.6-35B-A3B（≈GPT5.26，几乎不排队）

  • UI专属万金油：Doubao-speed-2.0-code + Qwen3.6-35B（≈GPT5.24，UI还原顶级，偶尔排队）

大家可根据自己的项目复杂度、排队情况、速度需求，选择对应的组合，无需执着于热门模型，这套搭配完全能驾驭所有前端开发场景，甚至在审查稳定性上，优于国际版单模型。缺点是两次模型审查过滤，时间略长一点点。

理论上速度：mlx studio(1.5-2倍) >> ollama(1.3-1.5倍) >> lm studio

LM Studio在M5 芯片实测Qwen3.6-35B-A3B模型，不开思考为87tokens/s上下，开启思考模型有65tokens/s上下，一个人够用。模型优势互补，时间会有增加，但是质量更高！

相关推荐
talen_hx2962 小时前
飞书机器人发文本消息
java·前端·飞书
freewlt2 小时前
前端工程化性能监控体系建设：从0到1实战指南
前端
Mintopia2 小时前
别再一上来就分层：新手最容易做错的系统设计决定
前端
JaydenAI2 小时前
[FastMCP设计、原理与应用-11]Transform——数据炼金术，跨协议边界的无缝适配与格式转换
python·ai编程·ai agent·mcp·fastmcp
Csvn2 小时前
CDN 与缓存策略
前端
Mintopia2 小时前
不用死磕高并发，也能扛住流量：简单实用的系统设计思路
前端
八代臻2 小时前
design-md
ai编程
DavidSoCool2 小时前
Dify使用ChatFlow实现调用数据库问答
数据库·ai·知识库·dify
rADu REME2 小时前
rust web框架actix和axum比较
前端·人工智能·rust
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点032026年4月AI大事件深度解读：大模型竞争进入“深水区“042026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free05近期有什么ai的新消息，新动态？ 2026.4月06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析07Claude Code Windows 兼容性问题：指定版本 2.1.112 可解决08从限购到畅通：GLM-5.1 Coding Plan接入攻略09UBUNTU Claude Code 报错 claude native binary not installed10免费！不限量！用opencode接入英伟达（NVIDIA）大模型，轻松打造你的 AI 编程助手