模型分析与测试口径

档位	模型	均分	中位数	范围	0 分轮
S	GPT-5.6 Sol	69.95	82.71	1.38–98.82	0
S	Claude Fable 5	62.39	71.47	3.76–98.88	0
A	Grok 4.6	58.57	63.70	17.50–99.84	0
A	Qwen 3.8 Max	58.08	51.61	36.36–85.41	0
A	Kimi K3	54.55	62.38	7.20–95.89	0
A	Claude Opus 5	53.91	50.29	0.00–97.90	2
A	GLM-5.3	52.32	56.98	0.00–98.88	1
B	DeepSeek V4 Pro	45.07	38.03	10.85–89.07	0
B	DeepSeek V4 Pro 正式版	42.62	46.06	12.52–84.09	0
B	Grok 4.5	41.87	41.50	14.35–99.27	0
B	DeepSeek V4 Flash 正式版	41.25	30.03	12.12–80.42	0
C	Qwen 3.7 Max	37.97	26.62	0.00–90.88	1
C	GPT-5.6 Luna	36.62	46.79	0.00–93.77	4
C	GLM 5.2	36.44	17.50	11.27–91.08	0
D	Step 3.7 Flash	29.11	20.80	0.00–89.46	1
D	Doubao Seed Evolving	28.70	31.42	0.00–80.67	2
D	MiMo 2.5 Pro	22.81	22.29	0.00–72.40	2
D	LongCat 2.0	18.45	10.25	0.00–52.07	1
E	ERNIE 5.1	2.23	0.00	0.00–8.89	6

S

1. GPT-5.6 Sol

本批总分第一、上限最高，但两轮低尾说明它仍不是“每轮都稳”的交付机。

均值 69.95中位 82.71区间 1.38–98.82性价比 6.69

10 轮分布与稳定性

1.38 / 61.25 / 97.53 / 83.29 / 98.82 / 89.42 / 96.24 / 71.66 / 17.83 / 82.12。低于 10 分 1 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 6.26 分钟/任务；10 任务 175 次调用；5.95M token；按官方价格与本批 token 反算，估算 ¥86.500。

scorer / 产物观察

＋ scorer 在 10/10 轮确认加载图数据身份完全一致；离线运行、最短路径与统计准确性均有 9/10 轮满分。
＋有 6 轮超过 80 分，其中 r3、r5、r7 均超过 96 分，证明在成功收口时能覆盖数据、算法、交互与视觉的完整交付链。
－节点详情与邻居检查有 5 轮为 0；类型筛选、空间可读性、缩放重置各有 2 轮为 0。
－ r1 与 r9 分别只有 1.38 和 17.83；scorer 记录 2 次图谱空白、2 次关系未渲染，以及 1 次浏览器主线程无响应 cap。

适用推断

适合需要冲击高完成度、可接受逐轮验收与失败重跑的复杂前端工程任务。

风险提示

不能只看 69.95 的均分；低尾会把一次性、无人值守交付的风险显著放大。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

S

2. Claude Fable 5

头部得分能力强，但筛选、详情与画布落地的跨轮稳定性仍明显波动。

均值 62.39中位 71.47区间 3.76–98.88性价比 4.47

10 轮分布与稳定性

17.68 / 17.50 / 87.36 / 98.88 / 70.82 / 3.76 / 97.95 / 67.54 / 72.11 / 90.29。低于 10 分 1 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 8.58 分钟/任务；10 任务 207 次调用；8.36M token；按官方价格与本批 token 反算，估算 ¥188.164。

scorer / 产物观察

＋加载数据身份与统计准确性各有 9/10 轮满分，搜索状态 8/10 轮满分，最短路径 8/10 轮满分。
＋ r3、r4、r7、r10 均超过 87 分，成功轮通常能把数据和主要交互一并交付。
－类型筛选有 6 轮为 0，节点详情有 5 轮为 0；scorer 还记录 3 次图谱空白、3 次关系未渲染和 2 次视觉不稳定。
－ r1、r2、r6 均低于 18 分，均值 62.39 明显高于这些低尾，部署前仍需逐项回归。

适用推断

适合重视数据正确性和搜索/路径主流程，同时有自动化回归兜底的工程团队。

风险提示

高分轮不能代表筛选与节点详情必然可用；这两个交互是本批最频繁的失分源。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

A

3. Grok 4.6

Grok 4.6 进入 A 档前三，成功轮上限很高，但低分轮仍然明显，不能把均分当作无人工复核的稳定交付保证。

均值 58.57中位 63.70区间 17.50–99.84性价比 10.75

10 轮分布与稳定性

18.48 / 99.84 / 99.28 / 17.50 / 98.01 / 19.99 / 87.72 / 74.03 / 53.36 / 17.50。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 5.38 分钟/任务；10 任务 87 次调用；1.89M token；按官方价格与本批 token 反算，估算 ¥15.657。

scorer / 产物观察

＋ r2、r3、r5、r7、r8 均超过 74 分，其中 r2、r3、r5 超过 98 分，成功收口时覆盖度很强。
＋ 10 轮全部有 score 产物，平均耗时 5.38 分钟、87 次调用，资源消耗低于多数 A 档模型。
－ r1、r4、r6、r10 低于 20 分，均分 58.57 与中位数 63.70 之间仍有明显低尾风险。
－低分轮说明节点交互、画布和最终收口仍会跨轮失守；正式发布前应保留逐轮截图验收。

适用推断

适合追求较高完成度、同时能接受自动化 scorer 与人工抽检的复杂前端工程任务。

风险提示

高分上限不能替代稳定性验证；无人值守一次性交付仍需为低尾轮次准备重跑策略。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

A

4. Qwen 3.8 Max

正式版在本批表现最均衡：没有 0 分轮，核心数据与算法检查全轮通过，但视觉稳定性仍是主要短板。

均值 58.08中位 51.61区间 36.36–85.41性价比 4.65

10 轮分布与稳定性

71.73 / 36.36 / 38.42 / 45.13 / 36.52 / 42.75 / 85.41 / 58.08 / 80.99 / 85.40。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 13.27 分钟/任务；10 任务 180 次调用；6.91M token；按调用日志与官方单价核算，实付口径 ¥38.218。

scorer / 产物观察

＋数据身份、离线运行、最短路径、统计准确性均为 10/10 轮满分，节点详情 9/10 轮满分。
＋ 10 轮均在 36.36–85.41 之间，4 轮 task_success，低尾显著少于同档高波动模型。
－ visual_instability cap 出现 8 次，incomplete_node_render 出现 4 次；类型筛选和缩放平移各有 3 轮未通过 gate。
－均值 58.08、耗时 13.27 分钟，说明完整性较好，但视觉收敛与交付速度并不占优。

适用推断

适合把数据、路径、统计和节点详情正确性放在首位，并愿意单独打磨布局动画的任务。

风险提示

“核心检查全过”不等于最终视觉稳定；应保留截图回归和动画收敛检查。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

A

5. Kimi K3

能做出接近满分的完整交付，但 7.20–95.89 的跨度暴露出很强的轮次波动。

均值 54.55中位 62.38区间 7.20–95.89性价比 3.67

10 轮分布与稳定性

54.06 / 89.90 / 31.85 / 95.89 / 78.58 / 14.35 / 7.20 / 85.38 / 70.69 / 17.63。低于 10 分 1 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 15.17 分钟/任务；10 任务 248 次调用；7.05M token；按调用日志与官方单价核算，实付口径 ¥42.737。

scorer / 产物观察

＋数据身份、离线运行、统计准确性均为 10/10 轮满分，最短路径 9/10 轮满分。
＋ r2、r4、r8 分别达到 89.90、95.89、85.38，成功轮的综合覆盖非常强。
－节点详情、类型筛选各有 4 轮为 0，搜索、空间可读性、缩放重置各有 3 轮为 0。
－ scorer 记录 3 次图谱空白、3 次关系未渲染与 4 次视觉不稳定；r6、r7、r10 均低于 18 分。

适用推断

适合可多轮择优、重视核心数据与算法正确性的复杂原型或工程实现。

风险提示

中位数 62.38 高于均值 54.55，但最低仅 7.20；一次性交付前必须验收完整交互。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

A

6. Claude Opus 5

成功轮上限很高，但两轮无入口得 0 分，且本批资源消耗最高，形成明显的稳定性与成本双重风险。

均值 53.91中位 50.29区间 0.00–97.90性价比 2.84

10 轮分布与稳定性

69.71 / 0.00 / 47.76 / 0.00 / 97.90 / 51.68 / 48.89 / 78.58 / 46.67 / 97.89。低于 10 分 2 轮，0 分槽位 r2、r4；runner 失败无。

交付效率

平均墙钟 16.80 分钟/任务；10 任务 478 次调用；37.32M token；按官方价格与本批 token 反算，估算 ¥273.123。

scorer / 产物观察

＋在 8 个有可评分入口的轮次中，数据身份、离线运行、最短路径和统计准确性全部满分。
＋ r5、r10 接近 98 分，r1、r8 也达到 69.71、78.58，说明成功产物具备高完成度。
－ r2、r4 因 no_html_entrypoint 得 0 分；节点详情检查在 6 轮为 0。
－ 10 任务共 478 次调用、约 3732 万 token、估算 ¥273.123，均为本批最高一档。

适用推断

适合质量上限优先、允许人工把关与重跑、且预算充足的高价值任务。

风险提示

不能用两轮接近满分掩盖无入口失败；高调用与 token 也会放大重跑成本。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

A

7. GLM-5.3

GLM-5.3 以 52.32 分进入 A 档，核心正确性有高分轮支撑，但 Coding Plan 接入下的交互稳定性仍然波动。

均值 52.32中位 56.98区间 0.00–98.88性价比 3.52

10 轮分布与稳定性

98.88 / 67.70 / 0.00 / 61.78 / 36.36 / 29.58 / 94.09 / 11.22 / 52.18 / 71.39。低于 10 分 1 轮，0 分槽位 r3；runner 失败无。

交付效率

平均墙钟 12.69 分钟/任务；10 任务 287 次调用；12.19M token；按官方价格与本批 token 反算，估算 ¥38.191。

scorer / 产物观察

＋ r1、r2、r4、r7、r9、r10 均超过 52 分，最高 98.88，成功轮能完成较完整的图谱工程交付。
＋ 10 轮均完成 runner，平均耗时 12.69 分钟；数据与算法正确性在高分轮中有明确产物证据。
－ r3 得 0 分，r6 为 29.58、r8 为 11.22；中位数 56.98 不能掩盖交互与画布低尾。
－类型筛选、节点详情和视觉收敛仍需逐轮回归；Coding Plan 没有可直接核验的按量 API 成本。

适用推断

适合已有 GLM Coding Plan、能保留 scorer 验收并允许人工复核交互细节的工程任务。

风险提示

本榜成本为 GLM-5.2 token 价格代理估算，不是 Coding Plan 的实付账单，性价比结论需按套餐周期复核。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

B

8. DeepSeek V4 Pro

成本低且没有 0 分轮，但类型筛选几乎系统性失守，适合“核心正确、交互补做”的用法。

均值 45.07中位 38.03区间 10.85–89.07性价比 4.40

10 轮分布与稳定性

66.56 / 45.12 / 16.45 / 89.07 / 27.40 / 30.28 / 10.85 / 81.27 / 52.74 / 30.94。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 7.65 分钟/任务；10 任务 262 次调用；16.59M token；按调用日志与官方单价核算，实付口径 ¥3.749。

scorer / 产物观察

＋数据身份与离线运行 10/10 轮满分，统计和最短路径各 9/10 轮满分。
＋最低 10.85、最高 89.07，10 轮均产生可评分结果；实付成本仅 ¥3.749。
－类型筛选有 9 轮为 0，节点详情有 4 轮为 0；视觉不稳定 cap 出现 5 次。
－图谱空白与关系未渲染各出现 2 次，缩放与重置 gate 也分别多次失败。

适用推断

适合预算敏感、数据与算法正确性优先、后续有人补齐交互的工程任务。

风险提示

若验收标准包含可用筛选、节点详情和稳定画布，必须安排二次实现或严格回归。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

B

9. DeepSeek V4 Pro 正式版

DeepSeek V4 Pro 正式版位于 B 档中段，10 轮全部完成且没有 0 分，但高低轮差距仍然较大。

均值 42.62中位 46.06区间 12.52–84.09性价比 7.41

10 轮分布与稳定性

48.35 / 12.52 / 14.35 / 79.77 / 51.29 / 84.09 / 15.59 / 57.39 / 43.77 / 19.10。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 7.93 分钟/任务；10 任务 178 次调用；5.45M token；按官方价格与本批 token 反算，估算 ¥2.371。

scorer / 产物观察

＋ r4、r5、r6、r8 达到 51.29–84.09，说明成功收口时可以完成数据、交互和视觉链路。
＋ 178 次调用、平均 7.93 分钟，按 DeepSeek 正式价审计约 ¥2.371，资源消耗处于低位。
－ r2、r3、r7、r10 低于 20 分；中位数 46.06 仅略高于均分，稳定性仍需关注。
－低分轮主要暴露最终交互收口和视觉细节的不确定性，不能只依据无 0 分判断稳定。

适用推断

适合成本敏感、允许 scorer 验收和必要重跑的图谱工程试跑。

风险提示

该正式版与旧榜同属 DeepSeek Pro 系列，发布时必须使用完整版本名，避免混淆两次快照。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

B

10. Grok 4.5

本批综合性价比第一：速度、调用与 token 都很省，但布局和画布失败让质量上限不稳定。

均值 41.87中位 41.50区间 14.35–99.27性价比 11.02

10 轮分布与稳定性

29.78 / 52.01 / 52.11 / 52.95 / 14.35 / 99.27 / 17.52 / 17.68 / 51.93 / 31.07。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 3.28 分钟/任务；10 任务 64 次调用；1.35M token；按官方价格与本批 token 反算，估算 ¥11.893。

scorer / 产物观察

＋数据身份、离线运行、最短路径和统计准确性全部 10/10 轮满分，视觉稳定检查 9/10 轮满分。
＋平均仅 3.28 分钟、64 次调用、约 135 万 token；r6 达到 99.27，证明低消耗下也能产出完整高分轮。
－ layout_hairball_collapse 出现 6 次、layout_edge_stacking 4 次；另有 3 次图谱空白和 3 次关系未渲染。
－节点详情、类型筛选各有 4 轮为 0，空间可读性与缩放重置各有 3 轮为 0。

适用推断

适合快速迭代、成本敏感、能接受对布局与交互进行专项验收的任务。

风险提示

性价比指数是按本批排序计算，不代表任意价格或任意任务下都占优。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

B

11. DeepSeek V4 Flash 正式版

API 成本最低且有多轮高分，但数据身份与视觉稳定性不像 Pro 版那样持续可靠。

均值 41.25中位 30.03区间 12.12–80.42性价比 5.69

10 轮分布与稳定性

12.12 / 80.42 / 28.75 / 20.63 / 60.34 / 17.76 / 31.30 / 17.63 / 69.18 / 74.33。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 6.94 分钟/任务；10 任务 245 次调用；9.98M token；按调用日志与官方单价核算，实付口径 ¥1.056。

scorer / 产物观察

＋最短路径 9/10 轮满分，统计 8/10、搜索 8/10 轮满分；r2、r5、r9、r10 均超过 60 分。
＋ 10 任务实付 ¥1.056，为本批最低成本，平均耗时 6.94 分钟。
－ visual_instability cap 出现 7 次，节点详情有 5 轮为 0；数据身份也有 2 轮完全失败。
－图谱空白和关系未渲染各 2 次，类型筛选与缩放平移多轮未通过。

适用推断

适合低预算批量探索、允许挑选结果并做数据一致性复核的任务。

风险提示

极低价格不能替代身份校验；出现 loaded_graph_identity_mismatch 时产物不应直接进入发布链。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

C

12. Qwen 3.7 Max

能产生 90.88 的高分轮，但视觉不稳定与筛选失败频繁，且末轮无入口归零。

均值 37.97中位 26.62区间 0.00–90.88性价比 3.55

10 轮分布与稳定性

19.83 / 56.38 / 27.71 / 44.61 / 90.88 / 73.89 / 15.35 / 25.52 / 25.48 / 0.00。低于 10 分 1 轮，0 分槽位 r10；runner 失败无。

交付效率

平均墙钟 6.85 分钟/任务；10 任务 215 次调用；10.75M token；按调用日志与官方单价核算，实付口径 ¥20.700。

scorer / 产物观察

＋在 9 个可评分轮次中，数据身份、离线运行、统计准确性全部满分；关系渲染 8 轮满分。
＋ r5、r6 达到 90.88、73.89，说明其能力上限仍可覆盖较完整的图谱实现。
－ r10 因 no_html_entrypoint 得 0 分；visual_instability cap 出现 8 次，类型筛选有 6 轮为 0。
－缩放、重置和视觉稳定 gate 各有 5 轮未通过，均值被高分轮明显抬高。

适用推断

适合已有回归脚本、愿意多轮择优并重点修正视觉与筛选的任务。

风险提示

中位数仅 26.62；不能把少数高分轮外推为稳定工程交付。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

C

13. GPT-5.6 Luna

非零轮速度快、价格低，但连续 4 轮无 HTML 入口，稳定性不足以支持无人值守交付。

均值 36.62中位 46.79区间 0.00–93.77性价比 7.71

10 轮分布与稳定性

64.10 / 59.42 / 44.33 / 55.31 / 0.00 / 0.00 / 0.00 / 0.00 / 49.25 / 93.77。低于 10 分 4 轮，0 分槽位 r5、r6、r7、r8；runner 失败无。

交付效率

平均墙钟 5.72 分钟/任务；10 任务 130 次调用；3.45M token；按官方价格与本批 token 反算，估算 ¥5.003。

scorer / 产物观察

＋ 6 个可评分轮次中有 5 轮超过 44 分，r10 达到 93.77；平均耗时 5.72 分钟、估算成本 ¥5.003。
＋非零轮显示它能完成主要数据与交互链路，且资源消耗显著低于 Sol。
－ r5–r8 连续 4 轮触发 no_html_entrypoint 并得 0 分，10 轮 task_success 为 0。
－在可评分轮中，节点详情仍有 4 轮为 0，搜索状态也有 2 轮为 0。

适用推断

适合低成本试跑、有人检查入口产物并允许重试的探索性任务。

风险提示

性价比排名第二建立在低消耗之上，不会消除 40% 轮次无入口的交付风险。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

C

14. GLM 5.2

核心数据和算法很稳，但交互与画布频繁失守，使均值远高于中位数。

均值 36.44中位 17.50区间 11.27–91.08性价比 2.90

10 轮分布与稳定性

15.51 / 91.08 / 17.50 / 34.60 / 82.25 / 63.98 / 14.23 / 11.27 / 17.50 / 16.45。低于 10 分 0 轮，0 分槽位无；runner 失败无。

交付效率

平均墙钟 11.24 分钟/任务；10 任务 230 次调用；9.46M token；按调用日志与官方单价核算，实付口径 ¥33.126。

scorer / 产物观察

＋数据身份、离线运行、最短路径、统计准确性均为 10/10 轮满分。
＋ r2、r5、r6 分别达到 91.08、82.25、63.98，证明核心正确性可以转化为高分成品。
－类型筛选有 8 轮为 0、节点详情 6 轮为 0；图谱空白与关系未渲染各出现 4 次。
－中位数 17.50，空间可读性和缩放重置各有 4 轮为 0，典型低尾来自交互与画布。

适用推断

适合数据处理和算法正确性优先、UI 交互可由后续工程阶段接手的任务。

风险提示

不能用 36.44 均分概括典型体验；本批更具代表性的中位轮只有 17.50。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

D

15. Step 3.7 Flash

偶有高分，但数据身份、离线性和核心交互都出现重复失败，整体更适合受控试验。

均值 29.11中位 20.80区间 0.00–89.46性价比 2.93

10 轮分布与稳定性

50.47 / 23.29 / 0.00 / 7.21 / 6.09 / 4.11 / 38.87 / 18.31 / 53.32 / 89.46。低于 10 分 4 轮，0 分槽位 r3；runner 失败无。

交付效率

平均墙钟 5.42 分钟/任务；10 任务 289 次调用；13.98M token；按调用日志与官方单价核算，实付口径 ¥6.875。

scorer / 产物观察

＋ r9、r10 分别达到 53.32、89.46，视觉稳定检查有 7 轮满分。
＋平均耗时 5.42 分钟、实付 ¥6.875，资源消耗处于中低位。
－ r3 得 0 分；类型筛选和缩放平移各有 8 轮未通过，节点详情 7 轮未通过。
－数据身份有 3 轮完全失败，并记录 2 次 external_network_dependency，违反离线交付要求。

适用推断

适合快速原型和受控环境试验，不适合作为无需复核的离线成品生成器。

风险提示

数据身份或离线性 gate 失败属于硬风险，即使视觉看起来完成也不能直接发布。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

D

16. Doubao Seed Evolving

速度和调用量尚可，但两轮归零与视觉波动拉低了可预测性。

均值 28.70中位 31.42区间 0.00–80.67性价比 4.19

10 轮分布与稳定性

32.54 / 4.55 / 46.76 / 80.67 / 19.25 / 36.94 / 30.30 / 0.00 / 35.94 / 0.00。低于 10 分 3 轮，0 分槽位 r8、r10；runner 失败无。

交付效率

平均墙钟 5.44 分钟/任务；10 任务 179 次调用；4.54M token；按调用日志与官方单价核算，实付口径 ¥13.178。

scorer / 产物观察

＋冻结口径下均分 28.70、179 次调用、实付 ¥13.178；最高一轮达到 80.67。
＋在 8 个有 score 产物的轮次中，离线运行全部满分；数据身份、最短路径和统计准确性各有 7 轮满分。
－ r8 缺少 score.json 按 0 分计，r10 无 HTML 入口得 0 分；visual_instability cap 出现 5 次。
－缩放平移 gate 有 5 轮未通过，节点详情和类型筛选各有 3 轮为 0。

适用推断

适合对成本和速度有要求、且能保留 scorer 与入口完整性检查的迭代任务。

风险提示

发布时必须保持 28.70、179 次调用与 ¥13.178 三项冻结数字一致，不得混用其他记录。

失败槽位与证据边界

缺少 score.json：r8，按发布口径记 0 分。

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

D

17. MiMo 2.5 Pro

资源消耗不高，但两轮缺少 score 产物，筛选、画布与视觉稳定性也反复失分。

均值 22.81中位 22.29区间 0.00–72.40性价比 3.43

10 轮分布与稳定性

35.74 / 9.01 / 14.35 / 30.22 / 72.40 / 0.00 / 32.18 / 2.73 / 0.00 / 31.50。低于 10 分 4 轮，0 分槽位 r6、r9；runner 失败无。

交付效率

平均墙钟 4.62 分钟/任务；10 任务 206 次调用；10.31M token；按调用日志与官方单价核算，实付口径 ¥6.011。

scorer / 产物观察

＋在 8 个有 score 产物的轮次里，数据身份有 7 轮满分；r5 达到 72.40。
＋平均耗时 4.62 分钟、实付 ¥6.011，成本和速度都处于较低区间。
－ r6、r9 缺少 score.json，按失败槽位 0 分计；类型筛选有 7 轮为 0。
－图谱空白、关系未渲染各 3 次，视觉不稳定 cap 5 次，节点详情也有 4 轮为 0。

适用推断

适合低成本原型与人工择优，不适合依赖完整评分产物的无人值守流水线。

风险提示

缺失 score 产物本身就是可审计性缺口；不能把缺失轮当成普通低分轮淡化。

失败槽位与证据边界

缺少 score.json：r6、r9，按发布口径记 0 分。

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

D

18. LongCat 2.0

部分轮次能完成路径和统计，但数据身份不一致与画布失败过于频繁；本发布包按人工规则列入 D 档。

均值 18.45中位 10.25区间 0.00–52.07性价比 2.17

10 轮分布与稳定性

10.13 / 10.37 / 9.01 / 9.28 / 19.99 / 0.00 / 52.07 / 7.64 / 16.91 / 49.14。低于 10 分 4 轮，0 分槽位 r6；runner 失败无。

交付效率

平均墙钟 7.60 分钟/任务；10 任务 226 次调用；12.57M token；按调用日志与官方单价核算，实付口径 ¥3.255。

scorer / 产物观察

＋离线运行 7 轮满分，最短路径 7 轮满分；r7、r10 分别达到 52.07、49.14。
＋实付 ¥3.255，API 成本较低。
－数据身份有 5 轮完全失败，图谱空白与关系未渲染各出现 4 次；缩放平移 9 轮未通过。
－ r6 得 0 分，中位数仅 10.25；incomplete_node_render 与 visual_instability 各出现 4–5 次。

适用推断

仅适合低成本探索和人工检查充分的非关键任务。

风险提示

D 档是本发布包的人工调整，不是由平均分阈值自动推导；数据身份失败时不得复用产物。

失败槽位与证据边界

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

E

19. ERNIE 5.1

本批运行与交付链路均未达到可用门槛，5 个 runner 失败槽位和 6 个 0 分轮是主要事实。

均值 2.23中位 0.00区间 0.00–8.89性价比 0.19

10 轮分布与稳定性

0.00 / 0.00 / 0.00 / 4.55 / 0.00 / 6.09 / 2.73 / 8.89 / 0.00 / 0.00。低于 10 分 10 轮，0 分槽位 r1、r2、r3、r5、r9、r10；runner 失败 r1、r2、r3、r5、r10。

交付效率

平均墙钟 11.40 分钟/任务；10 任务 107 次调用；7.00M token；按调用日志与官方单价核算，实付口径 ¥45.560。

scorer / 产物观察

＋ r4、r6、r7、r8 产生了可评分结果，最高为 8.89；这些轮次至少留下了部分产物证据。
＋ 107 次调用不高，但低调用并未转化为有效交付。
－ r1、r2、r3、r5、r10 runner state=failed 且缺少 score 产物；r9 也为 0 分，共 6 个 0 分轮。
－ 4 个可评分轮次的关系渲染、空间可读性、搜索、详情、筛选、缩放与统计均为 0；另有 3 次外部网络依赖。

适用推断

不建议用于当前离线 Web4 图谱任务的正式交付。

风险提示

这里反映的是本批接入与产物结果，不能据此断言模型在其他工具链或任务上也必然失败。

失败槽位与证据边界

缺少 score.json：r1、r2、r3、r5、r10，按发布口径记 0 分。

以上“通过/失败”来自 scorer、slot 状态或具体产物；“适用”属于基于本批表现的有限推断。单次轨迹、自述或界面现象不被升级为模型底层架构事实。

Web4 模型分析与测试口径

发布包与数据锁

100 分工程评分口径

总览、档位与跨批边界

性价比结论与成本口径

逐模型详细分析

1. GPT-5.6 Sol

2. Claude Fable 5

3. Grok 4.6

4. Qwen 3.8 Max

5. Kimi K3

6. Claude Opus 5

7. GLM-5.3

8. DeepSeek V4 Pro

9. DeepSeek V4 Pro 正式版

10. Grok 4.5

11. DeepSeek V4 Flash 正式版

12. Qwen 3.7 Max

13. GPT-5.6 Luna

14. GLM 5.2

15. Step 3.7 Flash

16. Doubao Seed Evolving

17. MiMo 2.5 Pro

18. LongCat 2.0

19. ERNIE 5.1

证据等级与局限