# 19款大模型实测对比（2026年第47周）：写代码、抽数据、写文案哪款更强？

> 问：现在哪个大模型最好用？各家大模型实际干活的表现对比怎么样？

2026 年 11 月第 47 周，我们用同一套 8 道日常开发和文案题实测了 19 款大模型。总分前九名在五道脚本判分题上全部满分，名次差距全部出在三道写作类盲评题上。claude-opus-5-5-high 和 gemini-4-neon-high 并列第一（77.75 分），flash 档的 deepseek-v4.1-flash 以 77.5 分排第三，平均每题只要 8.2 秒，是这轮最划算的选择。

## 测了哪 8 道题

题目都来自我们自己日常开发和写稿时真实遇到的活：T1 修好一个和 docstring 说明不符的 Python 函数；T2 读一份两行合并表头的 Excel 门店数据并汇总；T3 读需求文档，回答 5 个问题并输出 JSON；T4 只用给定事实写一段家装产品介绍；T5 把客户的口语需求整理成分端功能清单；T6 把一段套话改写成平实口语；T7 从邮件里抽字段输出 JSON；T8 算一次多轮写稿的 token 用量。

T1、T2、T3、T7、T8 由脚本按标准答案判分；T4、T5 由两位评委在看不到模型名的情况下盲评；T6 脚本规则和盲评各占一半。每题 10 分，满分 80。

## 实测总榜

| 模型 | T1 | T2 | T3 | T4 | T5 | T6 | T7 | T8 | 总分 | 平均用时(秒) |
|---|---|---|---|---|---|---|---|---|---|---|
| claude-opus-5-5-high | 10 | 10 | 10 | 8.5 | 10 | 9.25 | 10 | 10 | 77.75 | 12.1 |
| gemini-4-neon-high | 10 | 10 | 10 | 8.5 | 10 | 9.25 | 10 | 10 | 77.75 | 28.2 |
| deepseek-v4.1-flash | 10 | 10 | 10 | 8.5 | 10 | 9 | 10 | 10 | 77.5 | 8.2 |
| claude-sonnet-5-5-high | 10 | 10 | 10 | 7.5 | 10 | 9.5 | 10 | 10 | 77.0 | 10.2 |
| kimi-k3.1-pro | 10 | 10 | 10 | 8 | 10 | 9 | 10 | 10 | 77.0 | 27.9 |
| gemini-4-argon-high | 10 | 10 | 10 | 8 | 9 | 9.25 | 10 | 10 | 76.25 | 99.1 |
| gemini-4-hydrogen-high | 10 | 10 | 10 | 8 | 10 | 8.25 | 10 | 10 | 76.25 | 20.0 |
| glm-5.3-flash | 10 | 10 | 10 | 8 | 9 | 9.25 | 10 | 10 | 76.25 | 13.0 |
| mimo-v2.6-pro | 10 | 10 | 10 | 8 | 8.5 | 9.5 | 10 | 10 | 76.0 | 16.4 |
| gemini-3.8-flash-high | 10 | 10 | 8 | 7.5 | 10 | 9 | 10 | 10 | 74.5 | 27.8 |
| deepseek-v4-pro | 10 | 10 | 10 | 6.5 | 9.5 | 7.5 | 10 | 10 | 73.5 | 12.8 |
| minimax-m3.1-flash | 10 | 8 | 10 | 8 | 10 | 7.5 | 10 | 10 | 73.5 | 9.5 |
| qwenflash | 10 | 10 | 10 | 6 | 8.5 | 8.25 | 10 | 10 | 72.75 | 2.6 |
| qwen27b | 10 | 10 | 8 | 2.5 | 10 | 9.25 | 10 | 10 | 69.75 | 15.2 |
| glm-5.2 | 10 | 10 | 10 | 8 | 10 | 9 | 10 | 0 | 67.0 | 16.2 |
| glm-5.3 | 10 | 10 | 0 | 8 | 10 | 8.75 | 10 | 10 | 66.75 | 13.2 |
| kimi-k2.8-preview | 10 | 10 | 8 | 8 | 9 | 7.5 | 10 | 0 | 62.5 | 12.2 |
| minimax-m2.7 | 10 | 8 | 10 | 7 | 7.5 | 8.75 | 10 | 0 | 61.25 | 7.3 |
| hunyuan-chat | 0 | 7 | 6 | 6 | 8 | 8.25 | 10 | 0 | 45.25 | 10.0 |

## 头部几款差在哪

并列第一的两款逐题分数一模一样，区别只在速度：claude-opus-5-5-high 平均 12.1 秒，gemini-4-neon-high 要 28.2 秒。做在线对话、用户在屏幕前等结果的场景，这十几秒很明显；夜里批量跑任务就无所谓。

deepseek-v4.1-flash 只在 T6 比头两名少 0.25 分，其余逐题持平，速度在前五名里最快。claude-sonnet-5-5-high 的 T6 拿了 9.5，是这道题的最高分，可 T4 只有 7.5，总分落到 77.0，和 kimi-k3.1-pro 并列。

再往下三款并列 76.25，丢分位置各不相同。gemini-4-argon-high 平均 99.1 秒，全表最慢，分数却和 13.0 秒的 glm-5.3-flash 一样。用时长不等于答得好。

## 哪几道题拉开了差距

T7 邮件抽取 19 款全是满分，T1 修函数也只有 hunyuan-chat 没做对。照着格式抽信息、照着说明修 bug，主流模型已经很稳。

差距主要出在三个地方：

| 题目 | 怎么拉开的 | 典型例子 |
|---|---|---|
| T8 token 计算 | 只有全对和全错，4 款拿 0 分 | 多轮对话里前文会反复计入输入，漏算这一层整题就错。glm-5.2 其余七题都不差，因为这题总分掉到 67.0 |
| T3 需求问答 | 要求只输出 JSON，脚本对字段卡得很严 | glm-5.3 这题 0 分，总分 66.75，反而比上一版 glm-5.2 低 |
| T4、T6 写作 | 没有一款满分，T4 从 2.5 到 8.5 | T4 只许用给定事实，不能编功能和用户评价。qwen27b 别的题不弱，T4 只拿 2.5，总分停在 69.75 |

另外 T2 合并表头也有小幅分化，两款 minimax 都是 8 分，hunyuan-chat 7 分。

## 怎么按任务选

如果你的活以抽取、计算、改代码为主，对文字要求不高，qwenflash 平均 2.6 秒、五道脚本题全满，很够用。要兼顾文案质量又在意成本和速度，deepseek-v4.1-flash 这轮表现最均衡。对写作质量要求最高、又不想让用户久等，claude-opus-5-5-high 更合适。

还有两个值得留意的现象。flash 档不等于排名靠后：glm-5.3-flash 76.25 分，比同系列的 glm-5.3 高出近 10 分。版本号新也不代表分数更高：glm-5.3 和 glm-5.2 各在一道脚本题上吃了 0 分，剩下的差别只有 T6 的 0.25 分。一道题全错对总分的影响，远大于写作题上零点几分的差距。

我们自己做 [AI 应用](/services/ai-app/) 和 [多智能体系统](/services/multi-agent/) 时，也是按这种办法给不同环节挑模型：写稿用写作分高的，审稿和抽字段用快而稳的，再拿真实任务复测。

## 常见问题

### 这份榜单能直接拿来决定用哪个模型吗？

当参考可以，当定论不行。这一轮只有 8 道题，前九名总分都挤在 76.0 到 77.75 之间，换一套题名次很可能会变。最稳的做法是挑三四款候选，用你自己的真实任务各跑十几条，再看分数和耗时。

### 盲评题是怎么打分的？

T4、T5、T6 交给两位评委模型打分，评委看到的答案不带模型名，两位的分数综合后作为该题得分。T6 一半看脚本规则、一半看盲评。脚本题则直接和标准答案比对，没有人为判断。

### 以后还会更新吗？

会。我们每周用同样的方法再跑一轮，题库会逐步扩充，新模型上线后会尽快加进来，结果继续发在 [问答栏目](/wenda/)。
