作者以“只提一次需求、只调用一次模型”的严格规则测试 Ling-3.1-flash，仅给出一句模糊需求——“做一个可直接交付的 AI 项目工期与 Token 成本估算器交互网页”。模型先自主拆解任务、补全产品逻辑，一次生成 805 行、41KB 的零依赖单文件 HTML，包含参数联动计算、成本图表、甘特图、场景预设与数据导出等功能。作者验证发现一处 undefined 变量 bug，手工修改一行代码修复。作者认为 AI Coding 的价值正从“补代码”转向“交付完整版本”，但生成结果仍需人工验收与修正。
文章对比评测了同日凌晨发布的Grok 4.7与小米MiMo V2.6两款大模型。作者提出大模型的"不可能三角"——性能、价格、速度难以同时满足。Grok 4.7表现低于预期，前端能力崩盘，Coding Agent评测得分惨淡；而MiMo V2.6则超出预期，AA指数46分与Grok 4.7打平，位列开源与国产第一，CritPt科研推理仅次于GPT和Claude，价格极低（缓存输入0.025元/百万Token），输出速度达130 Token/s，成为作者心中解决不可能三角的版本答案。作者还介绍了小米公开直播强化学习训练过程的创新做法及其技术报告。
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。
腾讯发布混元 Hy4 preview 模型（770B 总参数、49B 激活、1M 上下文的 MoE 模型），作者通过 Workbuddy 实测 8 个项目：声音驱动动效画布、在线 808 鼓机、吉他调音器、复刻《沙罗曼蛇》游戏、极端金属 PPT、PDF 生成企业官网、Three.js 太阳系演示等。评测发现其前端审美显著提升，长程 Agent 任务稳定，能精准拆分任务、调用工具和 Skill，且行为守规矩（只引用 CC 版权图、不确定时主动询问）。作者对模型表现大为赞赏，认为腾讯迭代速度快，甚至萌生买腾讯股票的想法。
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。
作者耗时54小时开发了一个全新的AI大模型聚合排行榜。为解决现有榜单数据缺失、样本量和标准不一的问题，作者参考电竞和统计学算法，自研了名为LatentRank的评分系统，通过模型间的成对比较来推算综合能力。目前该榜单已集成10个主流评测源，免费开放供用户查看和对比。
文章对 2026 年上半年三款国产旗舰大模型（智谱 GLM-5.1、阿里 Qwen 3.6 Max、月之暗面 Kimi 2.6）进行了深度横向对比。分析涵盖核心技术参数、能力评测及商业定价，指出各模型分别在自主编程、通用全能与长文本协作领域的优势，并针对不同业务场景提供了具体的技术选型建议。
