# 千元横测 GPT、DeepSeek、Xiaomi、MiniMax 的最强模型，我找到了跟 Agent 们的绝配组合
**作者**: 卡尔的AI沃茨
**日期**: 2026-05-01T15:21:13.000Z
**来源**: [https://x.com/aiwarts/status/2050234091786657829](https://x.com/aiwarts/status/2050234091786657829)
---
事情是酱的。
这天我在 AA 榜上看前 28 的模型有几个感到有点陌生。
上周太集中发的后果就是光在用 GPT -5.5 了，小米的 Mimo-V2.5-Pro，DeepSeek V4 Pro 还没有放在 Agent 的场景上测。所以我跟钱包一拍即合，复制了 4 个一模一样的 Hermes Agent，
记忆一样，skill 一样，系统设置一样，能调用的工具也一样。
我只换模型。
这次的 4 个候选是 GPT 5.5、MiniMax M2.7、DeepSeek V4 Pro 和小米 Mimo-V2.5-Pro，默认能开高推理就上高。
为什么没上 Opus？
API 太费钱，账号额度不敢打满，比起作为 Agent 的主力还要长时间不掉线的模型，
它还是更适合养在 web 端上，至少我这样 Claude Design 能爽用。
那我们先用 30s 简单回顾一下这次横测的选手们！
DeepSeek V4 Pro 最近还刚开了识图模式，5 月底之前都是 2.5 折。V4 Pro 的总参数量 1.6T，比 V3.2 翻了两倍多。这四个模型的 API 价和订阅价我都放在后面用表格对比了，所以我们先看后续。V4 Pro 这几天有被发现放在 Agent 场景上识别本地的 Skill 不成功，执行高风险动作的时候也没有询问的，用人话说就是 Agent 框架失效了。
还有说 V4 Pro 巨烧 token 的，同样的任务是 sonnet 4.6 medium 的 8 倍。
我太好奇了我。
Mimo-V2.5-Pro 也传很猛，能跟和 GLM 5.1 打得有来有回。但额度也烧超快，据说是一个 5 分钟编程任务月额度就没了 50%。
我更好奇了我。
所以才有了这次的四个模型搭配，选 MiniMax M2.7 是因为它的 Codng Plan 真的量大管饱。这段时间 MiniMax 开源了自家 CLI，在一个 coding plan 里还用视频生成，音乐生成和语音合成模型，不需要额外去接 MCP server，额度也是分开计算的。
长话短说，
我这次设计了 5 个 Agent 任务，但不想写成机械的 case 一、case 二、case 三。那太像实验报告，读起来也没劲。
你可以把它理解成 5 关，包括 Skill 打包，网页开发，PPT 设计和文案，知识库管理和巨烧 token 的浏览器自动化。
Here we go！
第一关，
让模型把 Claude Design 提示语打包成可发布的 skill。
这一步是文档整理的升级版，Hermes 自己也会时不时被动触发新建 Skill，如果说一个模型连稳定把我们的经验打包成 Skill 都做不到的话，下面的都不用测了。
> 把我提供给你 Claude Design 提示语整理成一个可线上发布的 skill。
> 目标不是复制提示语，而是把它封装成别人装上就能用的能力包。
> 输出后自检一次，指出这个 skill 可能出错的地方。
PS：模型他们用到的 Hermes 是完全复刻了我本地已经用了几个月的原型，所以并不会出现说一些专有名词完全不懂，或者是一些约束完全不知道的情况。
实际上手就会很明显发现就算记忆备份一样，不同模型说话的风格就是很不同。
GPT 5.5 列出了它在原版提示语提到的一些能力，然后去掉了一些很明显的约束条件，因为这些放到别的模型或者别的环境的时候不会起作用，然后也为了线上发布，在这个 skill 上做了这个命名规避，整体来说就是一个很标准的答案。
MiniMax 2.7 在打包的过程发现了更多的细节，包括因为它只是一个提示语，里面提到的很多环境都是没有的，所以直接打包成 Skill 的时候，会把这些理想化的条件设定进去。
2.7 还觉得现在 Skill 的触发条件不够宽。现有的触发只给了设计关键词，但是如果我说给我做一个好看的页面的时候，是不会触发的。发现这个 Skill 有缺陷的时候，比方说 JS 或者是动画组件不完整。他也给了我对应的解决方案，要不要去联网搜索来去补足。所以这个 skill 后续的完整性我觉得是会更好。
DeepSeek V4 Pro 同样是自检出了不少的问题。我觉得给我的一个惊喜就是不像开头听到的，Agent 框架的约束不起作用，至少在这个 case 上也没有明显体验到，甚至是提出了一些我在之前用 Claude Opus 4.6 打包这个 skill 的时候，我没看到的一些潜在的问题，
所以我也很好奇，后面让他用自己打包好的 skill 做网站设计的时候，表现会是怎么样的。
小米这个就跟其他三家都不太一样了。
他先是看到我本地已经有一个打包好的 Claude design skill，他觉得这个 skill 已经非常完善了，去检查了一下它有没有什么问题。
当我明确给他答复，我们要打包成为一个新的 skill 之后，他又给了我打包了个新的，自检结果大家也可以看出来不一样了。他更多的是针对这个 skill 在触发的过程中，会遇到什么使用问题。
马上到第二关，
基于这个 skill 做个人网页。
这关测的是审美迁移，很多模型会背 Skill 里的设计词，但做出来还是公式模板味。
我直接就是把一个简历和公开知识库的链接作为这次的数据源。
> 加载刚生成的 Claude Design 风格 skill，为卡尔做一个个人网页单页，让陌生人快速理解卡尔的价值。
> 按照你对卡尔的理解，还有他的简历，以及他公开的知识库
> 卡尔想要一个交互超级不一样的页面。
> 结尾说明你的视觉决策。
PS：每个都配了飞书 Cli，所以他们读取的知识库是有快 100 个表格和文档的。
GPT 5.5，我只能说学 Claude 有点有点子学到精髓了。
但是也不知道它是怎么去做这个定位跟整个尺寸的放大缩小了，可以看到它那个页面跟它里面的这些组件不是说完全对位的。整体是往左边上面缩小的。虽然说它有一个比较有意思的互动，包括中间的 SVG 点击可以跳转不同的页面，以及右下角的这个一个提问，可以问问题给出答案，
但是整体来说我只能说，在大家都只有一次修改的机会上， GPT 5.5 这不能说是一个成品。
MiniMax M2.7 优先保留了页面的完整性，然后再去做整体的设计和互动。
而且它的互动也是有巧思在里面的。我是程序员，所以它给我保留了这个输入光标，然后用一些动态图表去做成果展示，底部也留下了我的联系方式。
我觉得一个比较难得的细节就是它的中英文字体搭配不丑，很多模型要么就是中英文混杂会很奇怪，要么就是只擅长做一种语言，纯中文或者纯英文，然后再用 i18n 切换。
DeepSeek 这脑回路跟大家想的都不一样，他根据了我们知识库过去分享的一些内容，想出了用鼠标作为探照灯，然后去看四个角跟中间的一部分，我有一些什么样的信息。
比较可惜的就是中间那一页被知识库的信息所污染了。这里面的信息居然全都是 Hermes 和 OpenClaw 的一些特点。所以我只能说交互方式我觉得还蛮惊喜的，跟 V3.2 还是有比较不一样的，但在这个长文知识处理上，比我想象中差点。
小米的话，网页就更贴合普通的个人网站了，
在第四页做了一个简单的命令行样式，我们可以输入固定指令，来得到答案。
我觉得是太强调程序员身份了，没有给到很亮眼的交互。
OKOK，我们到了第三关，马上来个中场结算。
经历了上面两轮至少 10 轮多轮对话后，他们消耗了多少的上下文？然后 API 价格又是多少？
按照完成两个任务来算额度的话，MiniMax 消耗的上下文更少，价格也够低，要是能用 1M 上下文就更好了。
我在最后，也就是第五个问之后再去横向对比的他们的订阅和 Coding Plan 的价格。
第三关，
让它们加载 PPT 相关 skill，把 Hermes 的安装手册变成一份能讲的 HTML PPT。
这里我很在意一个点是，代码和文字混在一起的时候，模型会不会露馅。
Agent 任务里最常见的不是纯写作，也不是纯代码，而是两者混在一起。模型要会组织观点，也要会控制组件，还要记得别把思考过程中的碎碎念带进最终拿来展示的 PPT，说的就是 GPT 5.4，做网页太拉了。
> 安装 github. com/op7418/guizang-ppt-skill，配置好环境，这个 skill 根据字体跟不同的明暗度，有 20 种搭配。你来判断哪一种配色是最符合今天的主题的。然后把 hermes-agent.nousresearch. com/docs/getting-started/quickstart 做成一个 10 页的 html ppt
GPT 5.5 完全在我预料当中，
排版都是没什么问题的，但是它就像那种把自己的思考过程什么的一股脑全部都倒给你。。。
MiniMax M2.7 就更多是偏向于，在我跟它的对话过程，
它觉得这 10 页我们只够的篇幅去安装 Hermes ，里面的模型配置还有更复杂的这些 skill 之类的，它更想在这 10 页里面做一个总篇目录，就是使用 Hermes 通常要装些什么，要经过哪几个阶段，然后有没有合适的模型可以选。
OMG，DeepSeek 从第二页开始就开始放飞自己了。
我觉得配色选的倒是没什么问题，就是页面切换一页蓝一页白，然后在小字的排版上，其中有一页显得特别严重。安装命令的那一页左侧竟然是完全是空的。。。
又又又又到小米了，
小米这一把就有点奇怪了。
首先，中间我还做了一次对话重置，但是它会比较频繁的触发。比方说我们早就已经做完 Skill 打包跟网页开发的任务了，它又向我确认这一次是不是已经完成了。还有就是它的上下文明明只消耗了 154K 左右，但是它就不往下跑了，我需要手动输入继续。不过最后输出的结果是好的，然后也给出了具体的安装命令以及分步骤来执行。
第四关是我最期待的一关。
让模型判断我本地 Obsidian 目录怎么整理，我这里准备了从 5 号到 30 号中间，我收录到知识库里面的所有零散信息，包括但不限于视频，图文，播客，让模型们给一个整理计划。
这里有个我自己的经验。
本地知识库如果已经比较干净，不一定适合直接接 LLM Wiki。LLM Wiki 更适合从零开始或者资料很乱的时候。而 Garry Tan 那套 GBran 思路，更适合用 Git 管理整个知识库，把变化、分支、回滚都管起来。
我想看的就是，模型会怎么解决这种没有标准答案的问题。
GPT 5.5 给我的执行顺序是，首先查看了一下整个目录里面有的文件数量，然后去补充说明文件，让后续的 Agent 能够更好的读懂我们所有的文件夹能有什么用，然后给了我一个测试，既然我想测 LLM Wiki 的话，他就给了我选了一个合适的目录作为试点，先连续观察两周使用这类系统的时候，某个文件夹有什么变化。
最后就是设置了不同的资料应该进哪个文件夹，
因为很明显，我现在就是一股脑的掉到了收件箱，所以会导致收件箱里面的文件过多。我觉得就很延伸了这个 Agent 的优势，也就是说他们完全可以做到无感、定时化的缓慢迁移，而不是要一次性把所有东西都改到位，特别是对于知识管理这种任务的时候。
MiniMax M2.7 同样是用了定时迁移 + 试点目录的方式。
不同于 GPT，它给出了更具体的方案。比方说我很喜欢这样有时间轴的答复，它给出的是我们先按照哪几个目录，然后观察 3 周。评估的标准就是这 3 周我们是不是多次用到了语义索引来去提问搜索里面的文件，再决定 LLM wiki 要不要保留下来。
轮到 Deepseek 了，
它给出的路线就更激进。首先它让我自己给自己问问题，觉得我现在的 obsidian 是处理到一个什么样的阶段。
如果我觉得我的主题的边界都非常清晰，而且我能记住每个东西都在哪一个文件夹，那我不需要修改，更多的是录入进去。并且他给出了匹配度，他觉得我的 obsidian 的目录是有设计过的有动线的，但是目前来说存储的文件太乱。
所以它也给出了一个 LLM wiki 的一个完全重建方案，虽然会抹掉我们一些项目的目录结构，但是会让整体语义匹配会更高效。
小米同样是给了三条路线，并且还给了路线规划。
那么它的处理方式就是在我们已经有一个比较成体系的 obsidian 的文件夹，是很明显看出是手动整理过的一个情况下，我希望 AI 能够更快速的理解我的知识库上下文。
是的，它在生成这个方案之前还来主动要求跟我进行对话。他给出我的方法是不动现在已有的目录，而是在旁边新建一个 LM wiki 作为速读层，那么 obsidian 就作为一个桥接。那简单来说，就是给文件加一个快速路径，这样的话又可以让 agent 能读得懂，我也不会丧失我原有的目录结构。
这一点其实我在之前的，我现在管理我的下载目录的时候就会用到。
但是这种会出现的一个问题，一旦你的索引太多的话，如果你后面要做文件的迁移就很容易失效，所以，它并不是我很推荐的一种解决方案。
第五关，丢进更真实也更脏的任务里。
让模型们完成一个高 token 消耗的浏览器自动化任务。
我定时会让 Code X 去查看 Clawhub 的这个网页前 100 的 skill ，然后跟前一天的备份去对比，看看有哪些 skill 是新上进了前 100 名，会不会跟原有的 100 名的 skill 有功能重叠，
为了可视度高一点，我这次让他们完成了整个任务后，把他们得到的结论做成可视化的网页。可以看到他们延续了上上上一个任务里面，我让他们学到的这个网页的风格。
GPT 5.5 的实际效果，我也是有预期的。
但它做这个的时间，平时我挂在 CodeX App 上面让它跑定时任务，我不觉得有那么长。但是今天跟这四个模型对比的时候它几乎是花了这些下面所有的模型两倍到三倍的时间，才完成了这个任务。
MiniMax M2.7 是把结论写的最细致的一次，
因为他不仅把中间遇到的一些路径错误告诉我，还说明了每次翻页他是怎么实现的，以及给出了三个双十榜，排名前十，下载前十以及 star 量的前十。然后给出了潜力 Skill 的一个评估标准，有三个条件，如果新进的 Top100，下载增量的 Top 20，然后排名比起上次涨了八位以上，那就是潜力新星。
DeepSeek 这次更多的是看到了一个我提前藏起来的坑，
对比了多个本地备份后，DeepSeek 发现排名有大幅度震荡，不过只给了这个的提醒没有做修复，然后就综合给出了新进榜单的下载增量跟新进榜单的前七名。
小米在这次做浏览器自动化的时候，就比前面几个任务表现的效果要更好一点。
因为它完成了 skill 加载，网页内容梳理，还已成功找了我 obsidian 之前对于这个网页数据的一个数据备份，还额外去编写了一个脚本，实现分页，结构标准化。最后也是成功配置了一个在本地运行的定时任务。
测到这里，基本就能看出差异了。
如果一个模型只是会聊天，它很快就会露馅。
如果一个模型只是编程强，它也会在 PPT 里露馅。
如果一个模型只会跟着提示语走，它会在知识管理的环节受到我原来偏好的影响限制。
说到这里，我们再来看看订阅侧，
因为现在大家都更习惯，放在这个高强度使用场景上来说，每 5 个小时做一次额度重置。
大家会觉得小米这个 TokenPlan 比较烧 Token 的一个原因，也可能因为他们把这个月费额度固定在一个数值上面，这就会导致了使用的焦虑感会放大。如果是高强度的使用的话，Plus 是真不够用，你至少得上 Pro 才行，但 Pro 的价格又摆在这，
所以如果让我去选择，
在今天这个 Claude 反复调它的价格，甚至 4 月 20 号之后的 Pro 套餐已经不包含 Claude Code 的额度了，不是自家的 Agent 也不能用额度只能老老实实烧 API 的情况下，
我会选择 GPT 和 MiniMax 作为我一个长期的 Agent 模型。
它们的组合不一定最炸。
但是最像一个你真的用得起，愿意每天调用的模型。
这也是我对这次横测最期待的地方。
我们以前总是在问，
哪个模型更聪明。
但 Agent 时代，
我越来越觉得，
真正的问题应该是，哪个模型能长期稳定陪你干活。
能封装 Skill，有自己的审美，
能整理本地知识库，能在浏览器自动化里摔几次之后继续爬起来的。
这才是主力模型。
不是榜单上的第一名。
是真的敢把任务全盘交给它负责的那个。
## 相关链接
- [卡尔的AI沃茨](https://x.com/aiwarts)
- [@aiwarts](https://x.com/aiwarts)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:21 PM · May 1, 2026](https://x.com/aiwarts/status/2050234091786657829)
- [84 Views](https://x.com/aiwarts/status/2050234091786657829/analytics)
---
*导出时间: 2026/5/1 23:31:55*