21 个测试对象 · 30 道真实工作场景题 · 只统计有结果或有测试报告的对象。同一道题多次执行时,取该对象表现最好的一次作为最终结果:先比得分,得分相同再比耗时。所有结论只对本批测试记录成立。
| 名次 | 测试对象↕ | 总得分↕ | 有效得分↕ | 总时间消耗↕ | 输入 Token↕ | 输出 Token↕ | 缓存 Token↕ | 总 Token↕ | 详情 |
|---|---|---|---|---|---|---|---|---|---|
| 1 | claude-opus-5-51 次运行 · 30 道题有成绩 | 88.2满分 100 | 89.9 | 2h 11m | 4,820,228 | 527,229 | 0 | 5,347,457 | 查看 → |
| 2 | claude-sonnet-5.51 次运行 · 30 道题有成绩 | 85.1满分 100 | 89.2 | 2h 22m | 7,676,302 | 712,997 | 0 | 8,389,299 | 查看 → |
| 3 | qwen4-max1 次运行 · 29 道题有成绩 | 84.8满分 100 | 90.8 | 3h 30m | 9,926,594 | 469,123 | 8,884,224 | 10,395,717 | 查看 → |
| 4 | claude-fable-5-13 次运行 · 18 道题有成绩 | 84.4满分 100 | 89.7 | 2h 07m | 2,028,079 | 233,519 | 1,505,672 | 2,261,598 | 查看 → |
| 5 | gpt-6.1-sol1 次运行 · 30 道题有成绩 | 83.0满分 100 | 87.0 | 1h 37m | 4,234,103 | 214,563 | 3,649,290 | 4,448,666 | 查看 → |
| 6 | mimo-v2.6-pro-ultraspeed 仅报告测试报告 · 30 道题有成绩 | 82.9满分 100 | 88.7 | 3h 21m | 12,071,970 | 759,959 | 0 | 12,831,929 | 查看 → |
| 7 | gpt-6-astra1 次运行 · 30 道题有成绩 | 79.4满分 100 | 86.5 | 2h 14m | 3,581,423 | 178,184 | 3,026,183 | 3,759,607 | 查看 → |
| 8 | Qwen3.8-Flash(xhigh) 仅报告测试报告 · 30 道题有成绩 | 78.8满分 100 | 88.6 | 7h 04m | 15,882,638 | 968,848 | 0 | 16,851,486 | 查看 → |
| 9 | deepseek-v4.1-flash-1017 仅报告测试报告 · 30 道题有成绩 | 75.7满分 100 | 87.5 | 4h 35m | 11,983,547 | 684,335 | 0 | 12,667,882 | 查看 → |
| 10 | spark-x2.61 次运行 · 30 道题有成绩 | 72.2满分 100 | 85.3 | 2h 45m | 3,900,036 | 461,313 | 3,269,568 | 4,361,349 | 查看 → |
| 11 | kimi-k3.1-pro4 次运行 · 30 道题有成绩 | 71.8满分 100 | 87.0 | 4h 26m | 15,351,687 | 666,814 | 13,586,966 | 16,018,501 | 查看 → |
| 12 | GLM 5.3 仅报告测试报告 · 30 道题有成绩 | 71.0满分 100 | 87.1 | 7h 04m | 11,616,517 | 1,088,595 | 0 | 12,705,112 | 查看 → |
| 13 | GLM-5.3-Flash 仅报告测试报告 · 30 道题有成绩 | 70.5满分 100 | 86.5 | 7h 50m | 4,698,839 | 689,194 | 0 | 5,388,033 | 查看 → |
| 14 | Qwen3.8-Max(xhigh) 仅报告测试报告 · 30 道题有成绩 | 67.2满分 100 | 87.9 | 7h 04m | 11,532,644 | 689,893 | 0 | 12,222,537 | 查看 → |
| 15 | gemini-4-carbon1 次运行 · 30 道题有成绩 | 65.1满分 100 | 79.7 | 28m 37s | 1,322,942 | 84,636 | 10,240 | 1,407,578 | 查看 → |
| 16 | LongCat-2.51 次运行 · 30 道题有成绩 | 64.2满分 100 | 85.5 | 5h 48m | 14,286,515 | 1,117,795 | 12,673,920 | 15,404,310 | 查看 → |
| 17 | step-5-preview1 次运行 · 30 道题有成绩 | 62.5满分 100 | 84.4 | 4h 20m | 10,028,311 | 827,977 | 7,782,656 | 10,856,288 | 查看 → |
| 18 | Hy42 次运行 · 30 道题有成绩 | 62.1满分 100 | 87.1 | 5h 36m | 15,873,289 | 707,694 | 13,791,360 | 16,580,983 | 查看 → |
| 19 | MiniMax-M3.1-Flash2 次运行 · 30 道题有成绩 | 59.7满分 100 | 87.5 | 3h 22m | 22,258,361 | 970,678 | 20,363,447 | 23,229,039 | 查看 → |
| 20 | ernie-5.5-flash-preview1 次运行 · 28 道题有成绩 | 57.1满分 100 | 87.9 | 1h 38m | 14,811,099 | 840,745 | 12,946,176 | 15,651,844 | 查看 → |
| 21 | Kimi-K3(max) 仅报告测试报告 · 30 道题有成绩 | 47.6满分 100 | — | 5h 28m | 4,863,934 | 166,065 | 0 | 5,029,999 | 查看 → |
claude-opus-5-5 总得分 88.2 分,领先第二名 3.1 分,是唯一突破 88 分的对象;紧随其后的 claude-sonnet-5.5、qwen4-max、claude-fable-5-1 都在 80 分以上。
Kimi-K3(max) 总得分 47.6 分,与榜首相差 40.6 分;它有 24 道题低于 60 分,差距主要来自低分题偏多,而不是某一道题。
总 Token 最高的 MiniMax-M3.1-Flash(23,229,039)总得分 59.7 分,而排第一的 claude-opus-5-5 只花了 5,347,457 就拿到 88.2 分。资源消耗与得分几乎不成正比,说明这批评测里“会不会做”比“肯不肯花”更关键。