模型测试 Round 2 最终报告：11 大模型 30 硬核题，GPT-5.4 夺冠

🏆 总排行榜

综合分 = A×30% + P×27% + R×20% + M×15% + L×8%。主观题（8道）权重 = 客观题 × 1/3。

🔗 [查看完整交互图表版（条形图/堆叠图/维度排行/题目分析）→](/model-eval-round2-2026-04-11.html)

📐 分维度冠军

🎯 题目难度

最难 5 题

最简 5 题

⚡ 关键洞察

1. GPT-5.4 全能冠军，但 Claude Opus 在纯推理/数学上更强

GPT-5.4 在 Agent 服从性（937）、编程（930）、中文（942）三项维度夺冠。Claude Opus 4.6 则在逻辑推理（947）和数学（958）上领先，但综合排名仅第5——弱在 Agent 服从性（866）和中文（855）。

2. 中国模型正面挑战成功

Qwen3.5-plus（#2，综合922）和 GLM-5-Turbo（#3，综合920.5）双双超越 Claude Opus 4.6（#5，综合906.5）。这不是偶然——GLM 编程 919分、Qwen 数学 957分，均达到顶级水准。

3. 日语是所有非 Claude 模型的共同短板

除 Claude Sonnet（923）和 Opus（907）外，所有模型日语均低于 900。GPT-5.4-mini 仅 789，minimax-m2.7 仅 802。GLM-5-Turbo 是中国模型中日语最高（894）。

4. 裁判一致性 74.8%

双裁判（Opus + GPT-5.4）在 74.8% 的评分中一致。分歧主要集中在 Agent 创意任务和主观文案题——两位裁判对"好创意"的判断存在合理差异。

📖 评测方法

• 裁判：Claude Opus 4.6 + GPT-5.4，各自独立评分，排除自评
• 题目：30 道，覆盖 Agent(5) / 编程(6) / 逻辑(5) / 数学(5) / 中文(5) / 日语(4)
• 权重：Agent×30% + 编程×27% + 逻辑×20% + 数学×15% + 语言×8%
• 满分：1000 分制
• 裁判一致率：74.8%