斥资500元/上亿Token，深度横评4个顶尖模型的真实排名～

大家好，我是袋鼠帝。

6月，感觉又是模型爆发的月份。

前有MiniMax-M3，然后是Claude Fable 5，到Kimi 2.7-code、GLM-5.2，麻了。

我现在都不想看模型的各种榜单、跑分了，感觉有很多刷榜的嫌疑。

而且，每次我测新模型，都有很多朋友在评论区比较其他模型。

毛选说的好，没有调查就没有发言权，实践是检验真理的唯一标准！

这次就来给大家做个顶级模型横测吧

看了下，kimi最新模型主要是编程能力强，这次我想测多个维度。GLM-5.2的Coding Plan暂时没抢到。。。所以下次测评再带它两吧（主要是模型太多的话，文章会非常的长）

之前在X刷到一位关注很久的大V，对MiniMax-M3评价还挺高的。说体感上接近Opus4.7，我想看看到底是不是真的。

所以，这次国内就先选择MiniMax-M3和DeepSeek V4 Pro这两位。国外模型选择Claude Opus 4.8和GPT-5.5。

本来还想加上Claude Fable 5的...

md，说到这个就来气。我刚充值完Claude Pro会员的第二天，Anthropic就把Fable 5封禁了，服了都。

然后我看网上有人说Cursor上还能用，我打开Cursor一看，确实有Fable 5，但提示要会员，然后我就傻乎乎的充值久违的Cursor会员。

然后，再次使用，就提示Anthropic禁用了这个模型。

靠！不早说，Cursor也是大坑，用不了就不要放那儿啊。或者你早点提示也行啊🤦‍♂️。

所以没办法，还是选了Claude opus 4.8..

最终，选定的参赛选手是Claude opus 4.8、GPT-5.5、MiniMax-M3、DeepSeek V4 Pro，我把他们都接入了codex/Claude Code，用同样的环境，同样的提示词，来一次公平对决。

然后这次为了做横评，也是下了血本，花费了500元，消耗了上亿tokens，希望朋友们多多三连鼓励一下😄

这次我们设计了5个"未来预测+物理世界+商业决策+知识工程+视觉理解"的场景

1、2026世界杯比赛预测

最近不是刚好在世界杯嘛，正好让他们来预测一下世界杯

我把2026年世界杯小组赛分组、各队近5年战绩、FIFA排名全喂进去，让他们预测淘汰赛走势和冠军归属。

主要看它们推理顺不顺、数据分析怎么样、概率给得合不合理、还有能不能自己去搜球队近况和伤病信息等等。还挺考验模型综合能力的。

先说GPT-5.5，表现还挺稳。已经踢完的比赛里，胜负和比分的命中率都到了50%，不算很准，但没乱猜。

给的概率也比较克制，没有动不动就"90%确信"那种。

就是思路偏保守（GPT-5.5性格就是保守，稳重型的），冠军Spain，亚军France，季军Brazil，传统强队三件套，稳但没啥惊喜。

Claude Opus 4.8就比较"精"了。

选Brazil夺冠，France亚军，Spain季军。整套逻辑是自洽的，解释起来也挺像回事。

但看数据，胜平负和比分命中率都只有41.7%，最近10场只中了3场。没那么保守，但预测比赛差点意思 🤔

DeepSeek V4 Pro方向感不错，胜平负命中率50%，跟GPT-5.5持平。具体比分就差了，33.3%。看得出大方向，但细节差一些。

它的预测路线倒是有点意思：Brazil冠军，Portugal亚军，England季军。比传统安全牌大胆，到底是神来一笔还是脑子一热，得等淘汰赛验了。

MiniMax-M3猜France冠军，Germany亚军，Spain季军。

单场命中率跟Claude差不多，胜平负41.7%，比分33.3%。

这一轮中还是ChatGPT 5.5更加稳健，说明在体育赛事中稳健一点，命中的概率会更大🤔

第一把的结果：

ChatGPT 5.5>Claude Opus 4.8>DeepSeek V4 Pro>MniMaxM3

2、上市公司财报分析->3D可视化

这个难度会更进一步。

我安排了一个任务："分析Apple 2025Q4财报，把营收结构做成3D立体饼图"。

然后看Agent能不能自己完成一条龙：搜财报 -> 提数据 -> 算同比环比 -> 用Three.js做成3D模型

链路越长，中间只要稍微出点岔子，就走远了

这把我们先看看MiniMax-M3的表现：

分析报告应该是这几个里面内容最详细的～

然后MinMax-M3做出来的3D效果真是惊到我了，有点东西啊

然后是GPT-5.5，综合能力确实很强，但是pdf报告生成上面感觉，还是差点意思，内容很少。

但是GPT-5.5 的建模能力那真的没话说，它的大楼虽然比MiniMax-M3差一点儿，但是它做出来河流，以及基本的场景建设还是很🐂的。

接下来是Claude Opus 4.8，感觉3D建模一般啊，但它的页面布局能力还是没话说。

信息层级、模块比例、留白，处理得很稳，看起来更舒服。3D做得一般，但审美到位了。

DeepSeek V4 Pro 的pdf和场景建模可以说都是中规中矩

所以，这一轮MiniMax-M3胜出：

MiniMax-M3>ChatGPT 5.5>Claude Opus 4.8>DeepSeek V4 Pro

3、复刻史上最炫网页

为了测试他们的视觉理解能力，我找了一个动效审美都是天花板的网站：

https://lusion.co

这绝对是我这辈子见过最炫酷的网站（没有之一），可以用震撼来形容。。（目前没有任何一个模型 或者 Agent能一次性做到百分百复刻）

GPT-5.5和Claude Opus 4.8都支持视觉理解能力。

MiniMax-M3 也支持了多模态理解，是国产模型中少有的支持多模态的顶尖模型。

我看了一下DeepSeek V4 Pro，还不支持多模态，所以这把它就只有沦为NPC在旁边干瞪眼了。。

首先是我寄予厚望的Codex + GPT-5.5，而且思考程度还开了高。

它吭哧吭哧一顿分析，最后看看它的成果吧：

我服了，第一次给我干成了个幻灯片。。。

我提醒之后，它确实变成网页了。但，做得也太简单了吧，排版都有点乱，而且大部分内容用的是视频里面的截图🤦‍♂️

这把 GPT-5.5 结合Codex，以最强之姿出战，居然拉完了，我是没有想到的。。

接下来再看看 Cursor Agent里面的Claude Opus4.8的表现吧：

emmm，我只能说，比GPT-5.5好点，起码有一些动效，但是离原版效果差得有点远啊，做得也很简单，有点偷懒的赶脚。

看来大家说Claude Opus4.8降智，不是没有道理的。

这个测评中，MiniMax-M3又给我惊到了，它基本上该有的要素都复刻到了，感觉能到个接近70%

这里面只要把一些动画提前做到，直接替换上去，还原程度应该能达到80%多。这个确实是我没有想到的。

所以这一把：MiniMax-M3 > Claude Opus4.8 > GPT-5.5

4、虚拟现实交互，手 = 控制器

这次玩的是AR方向。

用摄像头实时拍手 -> 让模型识别手势 -> 在画面上叠滤镜 -> 用手势切换不同滤镜。

之前在某音刷到过，还挺火的

做起来有点难度：手指关节级别的识别精度、实时性、手势到滤镜的映射逻辑，都得搞定。

GPT-5.5这把倒是快，一轮提示词就交作业了，大概只用了其他模型30%的时间。精细度还有打磨空间，但速度确实让我印象深刻。

PS：是团队里的小t帮忙跑的～

Opus 4.8 在这一轮的亮点是细节洞察。

滤镜区域拉伸成三角形。这让它的方案不只是“手势切换滤镜”，而是更接近真正的空间交互设计。

DeepSeek V4 Pro还不错，但手部识别的稳定性差了一些。

MiniMax-M3这一轮也做的不错，展开的时候层次分明：

手势识别流畅，画面反馈清晰，手跟滤镜之间的联动很自然。

还有个细节是它一次性就给了好几种滤镜，控制台里直接能调用和调试。可玩性拉满了。

这一轮的话，我个人觉得Claude Opus4.8做的挺好，边缘没有那么锐化，就感觉更真实。

Claude Opus 4.8>MiniMax-M3>ChatGPT 5.5≈DeepSeek V4 Pro

5、仓颉Skill-知识蒸馏

熟悉我的朋友应该知道，我之前搞了一个开源项目叫"仓颉Skill"（cangjie-skill），核心就一句话：把一本书蒸馏成Agent能直接调用的Skill。

之前老有人说，所有书AI都学过了，你这个是脱了裤子放屁。

确实，一些大众非常熟悉的书，不太需要这个方式来蒸馏。但是有很多比较小众的书，AI不一定记得清楚，甚至还有很多新书是AI没有训练的。

PS：也不一定非要是书，打开思路，还可以是有价值的视频，也可以是播客，总之任何能提取方法论的资料都可以用cangjie-skill来进行知识蒸馏。

这次我找来一本思想类书《人选天选论》（作者：姜蓝），也就是抖音上百万粉丝的大V 路飞 最近分享出来的。

接下来让接入各个模型的Agent搭配cangjie-skill，提取该书的核心论点、关键案例、知识图谱，输出一套结构化Skill。

这个场景考验的是模型的长上下文理解能力，以及信息处理能力。

首先从拆书的层面上来说：

Claude Opus4.8把《人选天选论》拆成了16个Skill

GPT-5.5拆成了10个skill

DeepSeek V4 Pro也拆成了10个skill

MiniMax-M3拆了13个skill

Claude Opus4.8拆的更细，MiniMax-M3次之

然后再看看拆完书之后的问答效果：

GPT-5.5在回答问题上好的一点是能清楚的知道调用了哪些skill，并且还是中文名称

Claude Opus 4.8像一位充满智慧的老者一样，视角犀利的选用skill来回答你的问题，用更通熟易懂的语言告诉你，该怎么改正自己。

DeepSeek V4 Pro更多的是结构清晰，它直接给你提供了操作的方法论，让你明白，最重要的是在于实践而不是在于思考和内耗上。

另一个就是它会更具的你的话拆内容像token一样，把你的话拆成一个一个token分析，更加精准的找到切入点

MiniMax-M3好的一点就是简单明了，基本采取3步走策略，告诉你3步之内你该怎么走，每周一件事该怎么做。

这一轮排名比较主观（因为确实也不太好量化），综合蒸馏能力，和回答效果来看，我觉得是：

Claude Opus 4.8>DeepSeek V4 Pro≈MiniMax-M3>GPT-5.5

综合排名

五轮下来的综合排名大致如下

虽然网上很多人都在说Claude Opus4.8降智了，但它依然排到了第一

比较惊喜的是MiniMax-M3，居然排到了第二。

本来这次开测之前，我预测的是两个国外模型争第一，MiniMax-M3大概率是第三。

DeepSeek 本来就迭代的慢，现在追不上也是正常。

聊聊成本

模型能力测完了，说说大家最关心的：成本。

这次测评总花费：500元

Claude Opus4.8用量8117.7万tokens，用了77%，Cursor是60$/月的会员，换算成¥大约花了314元。

GPT Pro（100$/月）一周的用量还剩21%，换算成¥大约是136元

DeepSeek V4 Pro花了15元

MiniMax-M3是899/月的ultra极速版套餐，用了周限额的16%，大约花了35元。

这样看下来，国产模型还是性价比之王啊

我又查了一下openrouter最近一周的模型调用量，前几名都是国产模型，全球认证的性价比，不得不服。

特别是MiniMax-M3，能力很强，一些场景能跟国外顶级模型打的有来有回，但价格只是它们的零头。

「最后」

开头说了，不想看跑分了，实践是检验真理的唯一标准。

模型到底行不行得自己试试才知道，什么模型更适合自己的业务，自己实践了才知道。

测试下来，Claude Opus4.8的地位还是很稳。

MiniMax-M3也确实到了一个能打的位置：长链路执行、多模态理解、前端审美都不错，再加上感人的价格，感觉很多时候能比Claude更落地。毕竟大多数时候还是要考虑性价比的问题，特别是企业用量很大的场景。

GPT-5.5搭配Codex，平时干活倒是非常稳，但是涉及到语言，审美这块，它确实差点意思。

DeepSeek V4 Pro价格最便宜，但是跟目前一线模型的差距还是有点明显的，毕竟它迭代确实有点慢，需要再多一些时间追赶。

如果大家喜欢这种模型横评，觉得有帮助的话，可以在评论区告诉我，让我知道。顺便多多三连，你们的正反馈是我坚持下去的动力😄

文章来自于"袋鼠帝AI客栈"，作者 "袋鼠帝、小t"。