首页 / 常见问题

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?

龙虾AGI通用实验室2026.11.22约 2582 字Markdown 原文

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?

答

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 和 多智能体系统 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。

Contact · 联系合作

说说你想做什么

微信扫码或发邮件,简单说明需求即可:要做什么、给谁用、大概什么时候要。加微信时请注明来意。

Email
guoy0701@gmail.com
公众号
龙虾AGI通用实验室
微信二维码
加我微信 · 请注明来意
Next · 下一题找人做软件去哪里找?四种找法的区别,和怎么判断靠不靠谱→