过去两个月，全球AI大模型领域持续快速发展。国内方面，MiniMax M2、腾讯Hunyuan2.0、阿里Qwen3-Max-Thinking、字节跳动Doubao-Seed-Code等模型在编程开发、多模态能力、推理效率和成本优化上取得显著突破。国际方面，谷歌Gemini 3.0、Anthropic Claude系列、OpenAI GPT5.2在长上下文、复杂推理、编码及多模态生成等方面实现重要迭代，模型性能与实用性进一步提升，爆刷国际测评榜单。
整体上，大模型正从技术能力竞争向应用生态构建深入演进，智能体与产业融合成为关键趋势。为了让用户清晰的了解近期新发布模型与AiPy的适配度情况，此次测评将近期新发布大模型和往期优秀模型同台竞技，覆盖13款模型，50个测评用例，18种应用场景，难度继续增强，更全方面评估模型的实战适配性，为用户使用选型提供更有价值的参考依据。
本次测评总下发任务数650个，总消耗Tokens超8500万个，与模型实际交互时长超105小时。覆盖了国内外共13款大模型，涵盖智谱、腾讯、阿里、字节跳动、稀宇极智、OpenAI、Google、Anthropic等知名厂商，从编程开发、软件控制到数据分析、UI设计等多个维度全面评估模型的实战能力。整体测试呈现出国外模型在成功率上的优势，但国内模型在特定场景下也展现出强劲竞争力。
下图展示了各模型的综合性能趋势，包括成功率、执行时间和Tokens消耗。可以看出，Gemini-3-Pro以90%的成功率领跑，同时保持了较低的资源消耗；Claude系列紧随其后，展现出优异的综合性能。国内模型方面GLM系列、Hunyuan-2.0-Thinking-20251109均能在相对优秀的成功率方面保持较低的时间和tokens消耗。后面几个模型低成功率、高时间消耗反馈部分模型在任务规划，代码质量方面仍需大幅改进。
综合排名按成功率从高到低排序，成功率相同时按Tokens消耗从低到高排序。前三名分别获得金、银、铜牌荣誉，展现了各模型在AiPy平台上的综合适配表现。
| 排名 | 模型名称 | 成功率 | 平均Tokens | 平均执行时间 | 厂商 | 国家 |
|---|---|---|---|---|---|---|
| 🥇1 | Gemini-3-Pro | 90% | 74822 | 247秒 | ||
| 🥈2 | Claude-Opus-4.5 | 88% | 104320 | 190秒 | Anthropic | |
| 🥉3 | Claude-Sonnet-4.5 | 86% | 155658 | 209秒 | Anthropic | |
| 4 | GLM-4.5 | 66% | 127478 | 340秒 | 智谱华章 | |
| 5 | GPT-5.2 | 66% | 144175 | 343秒 | OpenAI | |
| 6 | Hunyuan-2.0-Thinking-20251109 | 64% | 95029 | 297秒 | 腾讯 | |
| 7 | GLM-4.6 | 64% | 113537 | 239秒 | 智谱华章 | |
| 8 | Doubao-Seed-1.6-250615 | 64% | 280218 | 478秒 | 字节跳动 | |
| 9 | Doubao-Seed-Code-Preview-251028 | 60% | 62616 | 137秒 | 字节跳动 | |
| 10 | MiniMax-M2 | 56% | 88307 | 1229秒 | 稀宇极智 | |
| 11 | Qwen3-Max-Thinking | 48% | 130339 | 1495秒 | 阿里 | |
| 12 | Devstral-2 | 44% | 108369 | 974秒 | Mistral AI | |
| 13 | Grok-4.1-Fast | 40% | 105301 | 555秒 | xAI |
在国内模型阵营中，GLM-4.5以66%的成功率领跑，展现了智谱在代码生成和任务规划方面的技术积累。Hunyuan-2.0-Thinking-20251109和GLM-4.6紧随其后，均达到64%的成功率。值得关注的是，Doubao-Seed-Code-Preview-251028虽然成功率略低，但以最快的执行速度和最低的Tokens消耗展现了极高的效率优势，适合对成本敏感的应用场景。
| 排名 | 模型名称 | 成功率 | 平均Tokens | 平均执行时间 | 厂商 | 国家 |
|---|---|---|---|---|---|---|
| 🥇1 | GLM-4.5 | 66% | 127478 | 340秒 | 智谱华章 | |
| 🥈2 | Hunyuan-2.0-Thinking-20251109 | 64% | 95029 | 297秒 | 腾讯 | |
| 🥉3 | GLM-4.6 | 64% | 113537 | 239秒 | 智谱华章 | |
| 4 | Doubao-Seed-1.6-250615 | 64% | 280218 | 478秒 | 字节跳动 | |
| 5 | Doubao-Seed-Code-Preview-251028 | 60% | 62616 | 137秒 | 字节跳动 | |
| 6 | MiniMax-M2 | 56% | 88307 | 1229秒 | 稀宇极智 | |
| 7 | Qwen3-Max-Thinking | 48% | 130339 | 1495秒 | 阿里 |
国外模型整体表现强劲，Gemini-3-Pro以90%的成功率夺得桂冠，同时保持了较低的Tokens消耗（75K），展现了极佳的综合能力。Claude-Opus-4.5和Claude-Sonnet-4.5双雄并进，分列二三位，在复杂任务处理上一如既往表现强劲。GPT-5.2以66%成功率位列第四，表现没有想象中的强，主要体现在只规划任务没有直接进入下一步和中文乱码问题居多，在编程开发等任务中依然保持一定的竞争力。
| 排名 | 模型名称 | 成功率 | 平均Tokens | 平均执行时间 | 厂商 | 国家 |
|---|---|---|---|---|---|---|
| 🥇1 | Gemini-3-Pro | 90% | 74822 | 247秒 | ||
| 🥈2 | Claude-Opus-4.5 | 88% | 104320 | 190秒 | Anthropic | |
| 🥉3 | Claude-Sonnet-4.5 | 86% | 155658 | 209秒 | Anthropic | |
| 4 | GPT-5.2 | 66% | 144175 | 343秒 | OpenAI | |
| 5 | Devstral-2 | 44% | 108369 | 974秒 | Mistral AI | |
| 6 | Grok-4.1-Fast | 40% | 105301 | 555秒 | xAI |
成功率是衡量模型与AiPy平台适配度的核心指标。从下图可以看出，模型成功率呈现明显的梯队分布：第一梯队（80%以上）包括Gemini-3-Pro、Claude-Opus-4.5、Claude-Sonnet-4.5；第二梯队（60%-70%）包括GLM-4.5、GPT-5.2、Hunyuan-2.0-Thinking-20251109等；第三梯队（60%以下）的模型在复杂任务处理上仍有较大提升空间。
Tokens消耗直接关系到使用成本。Doubao-Seed-Code-Preview-251028以63K的平均消耗成为最经济的选择，Gemini-3-Pro（75K）在保持最高成功率的同时也控制了资源消耗，展现出"又好又省"的理想状态。相比之下，Doubao-Seed-1.6-250615（280K）消耗较高，主要由于长思考模式和部分任务规划问题导致。建议用户根据任务频率和预算，选择Tokens效率与成功率平衡的模型。
本次测评覆盖18种任务类型，其中联网搜索、编程开发、数据分析是测试频次最高的三类任务。下方热力图展示了各模型在不同任务类型上的成功率表现，颜色越深（绿色）表示成功率越高，颜色越浅（红色）表示成功率越低。
雷达图从成功率、执行效率、Token效率、稳定性、综合评分五个维度对TOP5模型进行全面对比。Gemini-3-Pro在成功率和Token效率上表现最佳，Claude-Opus-4.5在执行效率上领先，Claude-Sonnet-4.5综合表现均衡。国产模型GLM-4.5在各维度上也展现了较强的竞争力。
对232个失败任务进行原因分析，代码质量问题（82次，占比35.3%）是最主要的失败原因，主要表现为语法错误、逻辑缺陷等。任务规划问题（62次）位居第二，反映出部分模型在复杂任务分解上仍需加强。中文乱码问题（37次）主要出现在国外模型中，提示厂商需优化中文处理能力。
以下展示本次测评的部分测试题目，涵盖多种任务类型，从简单的信息查询到复杂的编程开发、数据分析、软件控制等，全面考察模型的综合能力。
| 序号 | 问题 | 任务类型 |
|---|---|---|
| 1 | 打开Outlook日历，创建一个新事件，标题为‘团队周会’，时间设置为下周一上午10点到11点，并添加描述‘讨论项目进度’... | 软件控制 |
| 2 | 我是一家3C家电全国连锁品牌的销售负责人，请帮我分析这份各门店销售情况汇总数据。 1、文件路径：："C:\Program Files... | 数据分析 |
| 3 | 将我桌面上的word报告：XXXXX；转换成一份excel表格输出给我，然后源文件不能修改，新生成的文件放在桌面上 | 格式转换 |
| 4 | 制作一个随机抽取软件，可以导入数据名单（excel文件），可以设置一次抽取的数量，同时设置是否允许重复前面的名单... | 编程开发 |
| 5 | 你是一个小学二年级英语老师，在备课时候需要准备3个和英语相关的备课小游戏，需要你设计具体内容并制作成一个精美... | HTML制作 |
| 6 | 用python生成一个中国宝宝取名程序，要求如下 基本功能: 1.根据姓氏、性别、出生日期生成合适的名字 2.支持五行取名... | 编程开发 |
| 7 | 使用系统默认邮件客户端，给XXX发一封邮件，邮件主题为“test”邮件内容是：“test”，最后一步发送时控制键盘使用... | 软件控制 |
| 8 | 分析当前电脑中CPU、内存占用率最高的TOP10软件分别是哪些，生成一份优化建议... | 本地分析 |
| 9 | 生成一个AiPy的调研分析报告，包括其产品介绍、功能亮点，优缺点，下载安装链接，github开源链接，官方论坛... | 联网搜索 |
| 10 | C:\Users\Administrator\.aipyapp\log\aipy-pro.log这是aipypro的运行日志，请你分析一下这个日志，统计一下总共... | 日志分析 |
本次AiPy大模型适配度测评第六期圆满完成，共覆盖13个模型、50个测试用例、18种任务类型、模型实际交互时长超105小时、消耗8500万Tokens，是自开展适配度测评以来测评任务最多、难度最大的一次测评。
核心结论：
感谢各位用户对AiPy的支持与关注！我们将持续优化平台能力，为大家带来更优质的AI体验。下期测评再见！🚀