177个真实任务四模型评测结果发布

开发者为iOS待办应用构建177个真实任务，通过OpenRouter对GPT-6 Luna、DeepSeek V4.1 Flash、Claude Haiku 5.5和GPT-5.4 mini进行评测，每例运行3次并由judge模型盲评。结果显示，GPT-6 Luna质量分达7.73—7.88，174—175次通过，成本仅每千次0.23美元，被评为四款模型中性价比最佳。 DeepSeek V4.1 Flash平均分最高之一，为7.88，但成本为每千次1.15美元；Claude Haiku 5.5在high和xhigh模式下平均分均达7.93，xhigh通过全部177例，但成本升至每千次1.91美元。该结论限于这组iOS待办任务评测。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。