前沿模型横评：给我的 Agent 挑「脑子」

我做这件事最开始的动机很实际：OpenClaw（logo 像龙虾、国内都叫它龙虾）上跑着我的 Agent —— Nova，我得给 Nova 接一个底层模型当「脑子」。 但不同任务对脑子的要求不一样，所以我开始一个一个去试每个模型的边界——到底哪个脑子最合适，以及不同场景下该换哪个脑子。

试着试着就铺开了。我不只测底层模型，也大量用各家自己的 Agent / Chatbot 产品： Gemini 的 chatbot、Claude 的 chatbot / Claude Code / Co-worker、OpenAI 的 ChatGPT / GPT Image / Sora 2、 Grok、DeepSeek、MiniMax（多模态）、智谱 GLM。这份东西就慢慢长成了一份选型笔记。

我关心的不是跑分，而是真正影响我「这件事用谁」的几个维度：

• 没有专门测编程能力。我的编程主要交给 Gemini 和 Claude，所以没把「写代码」当成一个独立维度去横向对比，下面任何关于编程的判断都只是顺带的体感。
• 没有刻意对比中英文差异。我大约 80% 是中文使用场景，所以没有专门做中英文能力的对照测试——英文场景的结论我自己也不敢打包票。

我经常直接用各家自己的 Agent / Chatbot 产品，而且是随机切换：遇到一个任务， 我会同时让 4~5 个不同家的 Agent 一起跑，把结果摆在一起对比。 这种比法不严谨，但它贴近我真实的使用方式。

这些模型基本都接进过 OpenClaw、给 Nova 当脑子整体体验过一段时间——不是只在 chatbot 里聊两句， 而是真的挂上去当调用层的脑子用过，所以对它们当「Agent 底座」时的脾气有体感。

成本对比我分两头：一头看各家的订阅 Plan划不划算， 一头看token 的实际用量。每个我都用过一段时间，花了多少心里有数， 所以不是拍脑袋，但也没做成精确的电子表格。

下面是我和每个模型的真实使用历史，按我用得多到少大致排。版本号和时间线参考公开资料补全， 和我个人体感冲突的地方我会标出来。

我从 Claude 3.5 一路用到现在的 4.8（3.5 Sonnet 约 2024-06，4 系列约 2025-05， Opus 4.5 约 2025-11，4.8 约 2026-05）。Opus 系列在我手里是复杂任务的天花板， 硬骨头任务交给它最放心。这也是 Nova 主力调度层最后落在 Claude 的原因。

GPT 我用得最久，从最早的 GPT-3 一直用到现在的 GPT-5.5（GPT-4 约 2023-03， GPT-5 约 2025-08，5.5 约 2026-04）。它是均衡型选手， 我需要碰想法、聊思路的时候会找它。语音对话体验是我用过里最丝滑的。 它最新的 GPT Image 生图我觉得是目前最强的之一。

我从 Gemini 2.5（约 2025-03）开始接触，但真正大规模用是 Gemini 3（约 2025-11）之后。 它的 Nano Banana Pro 生图能力很强（约 2025-11-20 发布），有段时间我甚至全切到 Gemini。 另一个现实原因是：Gemini 在国外几家里价格相对便宜，所以很长一段时间我的 token 都走 Google。 它的长文本 / 超长上下文也很能打，前端开发能力很强。

我从 DeepSeek 很早的版本就开始用了。被广泛讨论「疑似蒸馏 OpenAI」的其实是 V3（约 2024-12 发布，当时有用户发现它偶尔自称 ChatGPT，随后 R1 约 2025-01 发布把讨论推到高峰）—— 补一句事实：DeepSeek 官方从未承认对主力模型做过蒸馏，这至今是业界质疑而非定论。 DeepSeek 最大的优点就是真便宜，文本推理也不错； 缺点是多模态做得不好，所以我用它的频次不如国外几家。

MiniMax 整体做得不错，我抢到过它的 Coding Plan，把它长期挂在 Nova 上用过一段时间， M2.5（约 2026-02）到 M2.7（约 2026-03）都用过。我觉得 M2.7 被低估了： 作为调用层的脑子，它回答有逻辑、清晰、不笨。它也是我多模态场景里会用的一家。

这一条我得诚实标注了解有限。GLM 我用得相对少， 据说 GLM-5.1（约 2026-03）很厉害，但我用下来觉得一般；它的 Coding Plan 很难抢、我没抢到， 只充了点钱做测试，所以谈不上深入了解。这里的判断仅供参考。

• Opus 系列是能力天花板，尤其复杂任务。公开 benchmark 也佐证它在第一梯队（SWE-bench Verified 八成上下），但和 GPT-5.5 互有胜负，不是绝对第一。
• Gemini 的长文本 / 超长上下文非常强，属于第一梯队；不过 1M 上下文如今已是多家共有，说它「领先之一」准，说「独家最长」不准。
• Gemini 3 的前端开发能力很强，这点公开榜单（WebDev Arena 居首）和我体感一致——尽管编程不是我专门测的维度。
• 最新的 GPT Image 是目前最强的图片生成之一，部分 Arena 排名居首；但 Nano Banana Pro 在照片级真实感上也很能打，说「最强」要看具体榜单 / 维度。
• MiniMax M2.7 被低估，作为调用层的脑子回答有逻辑、清晰；它的智能指数在同档里偏高，逻辑/推理覆盖不错。
• GPT 是均衡型，需要碰想法、聊思路时我会找它；它的语音对话体验是我用过里最丝滑的（基于 GPT-4o 的端到端音频，不是那种按一句转一句的老式语音）。
• 语音生成 / 语音交互这块，Gemini 和 GPT 都不错。
• 成本上各有甜点：Gemini 在国外几家里相对便宜，很长一段时间我的 token 都走 Google；DeepSeek 是真便宜的那一档；Opus 这类顶配最贵，所以我只把它用在硬骨头任务上，日常不舍得堆。

• 方法不严谨：随机切换 + 体感对比，没有盲测和固定测试集，结论是我个人信得过的判断，不是客观分数。
• 覆盖有偏：编程没专门测（交给 Gemini 和 Claude），约 80% 是中文场景所以没刻意比中英文——这两块的判断要打折看。
• 会过期：模型迭代太快（Opus 半年里就走了好几个小版本），所以这是活文档，旧结论我会回来改。