Open Pangu 2.1 Pro测评报告!真的能用吗?
应粉丝要求,这期把华为 openPangu-2.1-Pro 也测了。此前在 pi agent 上测过上一代盘古,表现不太理想,本来没打算再测,但 B 站评论区有粉丝点名想看,那就再来一次。接入方式同样是 pi agent,查过官方说明后确认思考深度只有「关闭」和「打开」两档,下面六道题都在打开思考的状态下跑。 第一题是强约束指令遵循,要求生成的句子分别以 1 到 10 结尾。逐句核对后发现第 8 句不满足,通顺度整体还可以,基本都读得过去。不过它有点取巧——第 5 句和第 10 句、第 7 句和第 9 句用的是同一套句子结构,下个版本如果再升级提示词,得额外加一条「句子结构不能重复」的约束才行。 第二题鹈鹕骑土星环自行车 SVG 明显不行:飞到画面上方时是倒着骑的,鹈鹕没有扶着前面车把,而且斜侧面视角下车把本身也只画出一丁点;支撑车轮的钢筋只画了一半,按这个画法轮子根本撑不住。 第三题复合弓射箭 SVG 反而还行。复合弓上下轮的转动方向没问题,箭羽正常,箭也能中靶心;小毛病是平拉出去的箭会突然往上飙成抛物线,拉弓动作不太协调,复合弓画得偏简陋,小人连眼睛都没有。严格挑刺有得...
混元 Hy 4 Flash 测评报告!真的能打吗?
刚测完 Qwen 4 Max,评论区立刻有粉丝说 Hy 4 Flash 也出了,马不停蹄地赶紧满足粉丝需求。在官方和 tokenhub 上看了一下,这个模型应该是支持 high 思考深度或者关闭思考的,打开 Pi 通过 tokenhub 接入这个模型,思考深度也配置好,好那我们开测吧。 第一题,强约束指令遵循句子生成测试。很明显句子都是遵循从 1 到 10 结尾的,我们看一下是否通顺。我觉得第 2、3、4、5、6、7、8、9 都不通顺,早知道反过来说轻松点。我觉得第 1 和第 10 句通顺。 第二题,鹈鹕土星环骑自行车 SVG 测试。大家看效果,这个实现明显不大行。首先没有转弯,到了下面倒着骑,这个是最严重的;其次鹈鹕头上两只角是怎么回事;第三鹈鹕翅膀没有扶到车把上,差一点距离。 第三题,复合弓射箭 SVG 测试。我们看下效果,这个效果也不大行。首先这个弓箭只看到箭头和箭羽;其次这个箭羽明显是反的;第三这个箭的飞行方向很诡异,成波浪形,先是往上,然后往下,发现往下太多了,连忙再往上,射中靶心;第四这个小人整体结构也感觉怪怪的。 第四题,实现一个精美浏览器操作系统。我们看一下...
Qwen 4 Max 测评报告!究竟有多能打?
Qwen 4 Max 正式版终于发布了。早上一起来群里粉丝就艾特我,让我赶紧去测一下,这事义不容辞。 先简要介绍下这个模型:总参数 2.4T,采用全新 MoE 架构,仅激活 71B 参数,原生支持视觉,百万上下文,据说思考效率显著提升,中小尺寸的 Qwen4 模型后续将陆续开源。这里我们还是先关注推理和编程能力,视觉能力如果大家想看,我再另外做个视频测评。 接入方式还是老规矩,在 Pi 上接入,用的是我的 token plan,思考深度也放到最高。 第一题,强约束指令遵循句子生成测试。很明显句子都是遵循从 1 到 10 结尾的,我们看下是否通顺。前 9 句我觉得都是通顺的,就是第 10 句我总觉得别扭。大家都能看明白意思,但一般这个「一五一十」不会放到最后,如果改成交代的明明白白,或者「一五一十得交代清楚」就通顺了。只是它不满足用 10 结尾,所以猜测是模型为了满足 10 结尾,强硬地调整了句子结构。 第二题,鹈鹕土星环骑自行车 SVG 测试。大家看效果,这个实现整体我感觉非常可以了,鹈鹕和自行车的结构以及转弯都没有问题。如果真要挑的话,就是左上角的土星环跑道偶尔会闪动一下...
Minimax H3 最新测评!究竟有多能打?
视频测评 benchmark 终于升级到了 V2.0——不再把所有约束塞进同一条 5 秒视频,而是拆成 6 条独立提示词,每题各生成一条视频、各考一类能力。粗略试了几个视频模型后,觉得 MiniMax H3 表现还不错,这期就先拿它开刀,把这套测试用例完整跑一遍。 第一题,多约束综合调度测试:女剑修御剑飞行。整体感觉不错,不过一些小问题还是有的:提示词要求剑脊两侧细密灵纹流转着淡淡冷蓝光,这里没有看到;剑格下垂着一缕深红丝剑穗,也没有看到;天工阁的「阁」字写错了;额前垂着一缕醒目的银白挑染发丝,好像也没有看到。其他应该没有什么问题。 第二题,碰撞与动量传递测试:牛顿摆五球碰撞链。这题我试了好几个模型,H3 算是实现得比较好的了,虽然一开始钢球凭空悬停了一会。 第三题,精细动作控制测试:魔方顶层归位。这个没有问题。这道题我是特意降低了难度的——开场不是乱掉的魔方,因为 5 秒钟的视频不可能还原。 第四题,顺序与静止指令测试:红蓝杯触碰次序。这道题看似简单,事实上恒静是最难的指令,所以这里也不例外:要求只是按顺序握住一下杯柄、保持杯子不动,但最终模型忍不住还是移动了下杯子。 第...
文心5.5 Flash Preview 测评!是否真的能打?
先道个歉:昨天测文心 ERNIE 5.5 Flash Preview 的时候搞了个乌龙,用了我正在编写的下一个版本、提升了难度的测试用例——当时正在编辑用例,有粉丝私信催测,一时没留意拿错了。今天用当前线上最新的 V2.2 测试用例重新测一遍,还是在 pi agent 上接入,思考深度照旧开 high。顺带说明:这个模型其实没有思考深度档位,会自动根据任务难易程度调整。 第一题,强约束指令遵循句子生成。句子都不长,结尾也都遵循从 1 到 10,但通顺度明显不行,我觉得只有第 8 句还过得去。第 6、7 句还有点取巧:两个差不多的句子,倒数第二个字加个「了」字就算区分了——古惑归古惑,倒是不违反提示词规则。 第二题,鹈鹕土星环骑自行车 SVG。整体感觉还可以,特别是转弯挺顺滑的。唯一就是这只鹈鹕比起其他模型的实现更加卡通化——不过既然鹈鹕都能骑自行车了,卡通化一点也能理解,毕竟提示词也没限定这一点。 第三题,复合弓射箭 SVG。这个模型确实有点小聪明:大家看这个箭靶,它故意画得矮一点。原因嘛,提示词要求箭要有抛物线,这样一来复合弓就不需要往上倾斜一定角度,射出来的箭自然就能形...
Gemini 4 Hydrogen 测评报告!真的能打吗?
Gemini 4 Hydrogen 的测评也来了!这次帮忙测评的是群里的老哥无言义对,在 Antigravity 上面测,思考深度拉到 extra,一起来看看效果。 第一题,强约束指令遵循句子生成。这些句子都不长,很明显结尾都遵循从 1 到 10 的顺序;所有句子都是通顺的,而且句子长度不是随便弄几个字凑数的那种。 第二题,鹈鹕土星环骑自行车 SVG。整体感觉还可以,基本没看到什么问题。唯一的小问题是左右转弯、跨越中间那条线的时候可以看到有跳帧,感觉上下两部分画面是拼接在一起的。 第三题,复合弓射箭 SVG。实现得也不错,画面、复合弓等 UI 都不错,上下滑轮的凸轮也都能画出来,弓箭还有倾斜一定角度来形成抛物线。唯一的问题就是拉弓的时候手穿过了肩膀的袖子。 第四题,实现一个精美的浏览器操作系统。右上角弹窗功能没有什么问题,最后很多模型翻车的日期高亮部分,这次是带弧度的长方形,不再是丑陋的椭圆形;但是电池用量那个绿色的 icon 配色不大好,基本看不清楚。dock 栏应用功能没有问题。压轴的太空射击游戏大的功能没有问题,上下左右能控制方向,space 键能发射子弹,就是 UI...
GPT 6.2 Sol 测评报告!究竟有多能打?
大家期待已久的 GPT 6.2 Sol 测评报告终于来了。这次要感谢群里灰度到的内罗毕老哥帮忙实测,平台是 Codex,思考深度直接拉到极高。第一题强约束指令遵循句子生成,句子都老老实实遵循从 1 到 10 结尾,硬约束没得说;但通顺度上有两句翻了车——第 6 句和第 10 句读着别扭,其余还好。 第二题鹈鹕土星环骑自行车 SVG 相当惊艳,土星环、鹈鹕和自行车的结构、转弯都挑不出毛病,这个转弯称得上是迄今见过做得最好的。第三题复合弓射箭更是细节拉满:上下滑轮内部的椭圆凸轮——这是复合弓的关键部件,很多模型压根没画出来,绝对是个加分项;倾斜复合弓也处理到位,不倾斜的话箭为了形成抛物线会突然往上蹿;拉满弓放手后手部的回弹同样细腻。唯一的问题是箭羽方向反了,但瑕不掩瑜,这已经算得上顶级实现。 第四题浏览器操作系统,桌面是一如既往的 GPT 审美,右上角弹窗没问题,日期高亮也没用丑陋的椭圆。小瑕疵在 Dock 栏:终端输入框的 border 太大,不好看。压轴的太空射击游戏画面不错,上下左右方向键控制正常,但 space 键发射子弹不够灵敏,偶尔才蹦出几颗,这点有点遗憾。 第五题...
Qwen 4.0 Max Preview 测评!究竟有多能打?
粉丝们一直呼唤的 Qwen 4 Max Preview 测评报告来了。这两天顶尖模型都在扎堆上线,都有点测不过来了。闲话休提,这次直接在 Qoder 上开测,思考深度拉到极高,应该对应的就是 Max,也方便大家对比上次测评惊艳到大家的 QoDuck,看下究竟是不是同一个模型。 第一题,强约束指令遵循句子生成。很明显句子都是遵循从 1 到 10 结尾的,通顺度上除了第六句我不大敢确定,其他都没有问题。第六句是不是最后加个点比较好呢——「骰子停在 6」和「骰子停在 6 点」,大家觉得哪个更好? 第二题,鹈鹕土星环骑自行车 SVG。这个我感觉也没有什么好挑剔的,现在的模型真的强得可怕。一个月前基本没有几个模型这一题能做到无可挑剔,不是转弯翻车,就是鹈鹕自行车结构有问题;现在才迭代了两轮,这些模型就这么强了。再测多三四个模型,如果都能这么强的话,我就要考虑升级测试用例才行。 第三题,复合弓射箭 SVG。整体实现也是很不错的:上下滑轮的方向、箭羽方向、小人动作,这些都没有看出什么问题。而且拉弓的时候为了满足抛物线,也会和 Fable 这些海外顶级模型一样往上倾斜复合弓。如果真要挑刺的...
Minimax H3 Image 测评报告!究竟有多能打?
MiniMax 刚刚上线了新的图像模型 H3 Image,粉丝们都炸锅了,要我赶紧去测下。跑完我们祖传测试用例后,感觉确实震撼——连最后一个多人物编辑的压轴难题都完成得很好,且它一张 2K 图片只需要 3 个积分,还能开源自己部署,确实难能可贵。我们赶紧看下效果吧。 第一题中文长文本排版支持,测试水彩风珠海 5 天行程插画。这个插画实现是我喜欢的风格,挺漂亮的;看一下文字,只有鹈鹕两个字错了——这两个字看来真的没有几个模型能做出来呀。 第二题文生图综合能力测试,书房丰满优雅美甲美女。首先时钟时间对了;第二,三个杯子也基本没有问题;第三,提示词要求一只手食指指甲油红色、另外一只手中指指甲油是白底红点波点,它一个手食指红色对了——这还是测评这么多模型中第一次做对这个的,另外一个手的中指指甲油也对了,可惜它把无名指也做了;第四,提示词要求的丰满嘛,我感觉还可以哦,这可能也是第一个模型能做对这个的,其他模型要不是拒绝,要不是生成个胖妞。 第三题同一角色多视角一致性测试,女孩四宫格不同角度图片。这个实现也很不错哦,很多模型经常翻车的草莓和发夹位置竟然在第三张图能保持一致,耐克的 lo...
Gemini 4 Carbon测评报告!打得过Fable 5.2吗?
Gemini 4 Carbon 炸裂上线。这两天顶尖模型在扎堆发布:昨天刚花一千多块钱测完 Claude Fable 5.2,今天 Gemini 4 Carbon 就来了,GPT 也快了。本次同样是 pi 通过 command code 接入、把思考深度拉到最高,视频最后再跟大家交代花了多少钱。 第一题,强约束指令遵循句子生成。句子结尾依然严格从 1 到 10 排下来,没有问题;其他约束和通顺度也都合格,而且它生成的句子明显比 Fable 的更长。 第二题,鹈鹕土星环骑自行车的 SVG。大体没有问题,转弯也顺滑,但有三个小毛病:土星环画得太密集;自行车后半部分不够平滑;土星环右侧有阴影说明光是从左边射过来的,那么鹈鹕和自行车的阴影方向就不对了。 第三题,复合弓射箭 SVG。这一题是全场亮点——感觉比 Fable 5.2 的实现还好:功能完全没有问题,画面漂亮了很多;上下滚轮是真的复合弓那种结构,内部带一个半椭圆的轮子;拉弓手上那个东西别以为是畸形,那是拉弓时用来夹住弓弦的撒放器、按一下开关才释放,实现相当专业,这一题才真正应该给满分。 第四题,浏览器内操作系统。UI 看上去...









