作者在 MiniMax M3.1 Flash 还以匿名模型 Space Bunny 身份活跃时，用自己维护的 300 题封闭测试集（HumanEval+/MBPP+ 代码题与 MMLU-Pro 推理题）进行了评测，匿名期得 240 分。正式版发布后用同一套题复测得 246 分，两版表现几乎一致，主要提升在代码题。代码能力与 DeepSeek V4.1 Flash-1017 基本打平；官方数据显示其在企业流程自动化和操作电脑两项为国产第一，且成本显著低于 Claude Opus 5。短板是困难推理。整套 300 题成本仅一元出头，性价比突出。
作者基于一份冻结 rubric 的自建评测（10 维 × 5 细项），通过 Round 1 超长整包和 Round 2 拆题稳定两轮测试对比八个大模型。Round 1 整包交付第一是 hy4 preview（96.4 分），Round 2 拆题稳定第一是 GLM-5.3（93.6 分）；综合等权评分 GLM-5.3 以 93.4 分居国产第一，Kimi-K3 以 91.5 分列第二，hy4 因拆题时违反约束跌至 83.8 排第三。DeepSeek V4 Pro 与 Qwen3.8 Max 表现偏科，榜单前三均为国产模型。评测题面与方法已开源，结论是决定「第一」的不是最高一次成绩，而是每一次的稳定表现。
本文对8款前沿大模型进行了为期两天的深度横评，通过10个维度、50个细项的两轮测试，对比了模型在一次性复杂任务与拆解任务稳定性上的表现。文章详细解读了测试方法、评分标准及各模型优劣势，最终得出了适用于真实工作流的参考结论。
本文基于 LMArena 最新文本排行榜更新，探讨了文心 5.1 Preview 凭借 1476 分拿下国内第一、全球第 13 的成绩。作者分析了为何在 DeepSeek V4 和 GPT-5.5 主导的时代，文本能力依然是大模型代码生成与逻辑推理的“基本盘”。文章指出文心通过「多维弹性预训练」技术实现了高性价比与高性能，验证了夯实文本底座的重要性。
