AI产品狙击手

OpenRouter 上新的 Nex-N2.5 模型实测来了，目前可以免费体验，网传实力很强。这个出自国内团队 Nex AGI 的模型，名字我就不细说，避免测评结果不理想引来不必要的麻烦。本次接入 Pi 平台，思考模式拉满开始测试。 第一题：约束指令句子生成 — 生成速度偏慢，第五句没有按照要求以数字 5 结尾，其余句子读起来还算通顺。 第二题：新版 24 点任务 — 耗时很久，最后陷入思考死循环没能得出结果。 第三题：七位数字密码锁 — 推理顺利算出正确答案。 接着进行编程项目测试，浏览器操作系统弹窗功能正常，UI 属于中规中矩中等水平，但出现少见 bug，访问文件图标显示不全被面板遮挡，计算器 0 号按键圆角异常。压力太空射击游戏无法正常游玩，成品效果较差，3D 赛车游戏功能能跑，但道路漆黑辨别度很低，很容易翻车。Trello 看板是清新配色观感不错，不过存在文字重叠、卡片拖拽位置受限、找不到卡片删除按钮等问题。 整套测评体验下来模型有可取之处，但最大问题就是速度很慢，整套测评耗时超过五小时，对比 Deepseek V4.1 正式版一小时左右就能跑完，差距非常明显。大家...

Deepseek V4.1 Flash 正式版实测来了！模型刚上线就惦记着测试，抽时间在 pi 平台开启测评，尽量降低 harness 带来的干扰，思考模式直接拉满开始测试。 推理能力测试 第一题 · 强约束指令句子生成：要求全部句子以「一到十」结尾，通读全部语句都通顺达标。 第二题 · 新版 24 点：要求给出三组解法，结果三组答案全都违规——数字重复使用，不符合「每个数字只能用一次」的硬性规则。 第三题 · 七位数密码锁推理：高难度推理题顺利算出正确答案。 编程项目测评 浏览器操作系统：桌面带有动态动画效果，还有精致小组件，弹窗、Dock 应用运行正常，可惜压轴太空射击游戏无法交互，差了最后一步。 3D 赛车游戏：让人眼前一亮，是这么多轮测评里完成度顶尖的作品，画面精致，车辆模型完整，整体效果非常惊艳。 Trello 看板：采用深色 UI，审美因人而异，卡片拖拽动画效果一般，其余基础功能都正常可用。 整套测试下来，24 点推理题和太空射击项目留下遗憾，但 3D 赛车的代码实现确实足够亮眼。大家怎么看待 Deepseek V4.1 Flash 正式版的这套实测表现...

想知道讯飞星火 X2.5 真实实力？接入 API 放到 pi 平台跑全套祖传测试用例！第一题强约束指令遵循句子生成测试，5、7、8 句不通顺，第十句口语化。第二题24点截断只算出一组解法。第三题高难度七位数密码锁推理顺利答对，推理能力让人意外。编程题：浏览器 OS UI 观感不错，右上角弹窗效果在线，Dock 正常，附带太空射击游戏可玩但偏难；3D 赛车正常但车速偏快；Trello 看板卡片拖动正常，列表拖动失效，输入标题有显示 bug。整体表现不错，全国产算力训练是亮点，适合对数据安全敏感的团队，大家怎么看这次实测结果呢…… 访问入口

扩散大语言模型这条路走得通吗？称生成速度上千 token 每秒的扩散大模型 Mercury 2.5 实测来了！粉丝点名让我测试这款刚在 OpenRouter 上线的 Diffusion LLM，这类模型和普通自回归模型不一样，不会逐个输出 token，而是一次性批量吐出多个 token，理论上速度直接拉满。 我在今年 3 月就测过旧版本，当时表现很差，期待新版本能有所改善。本次通过 OpenRouter 在 pi 环境接入，思考模式开到最高，逐项实测： 第一题·强约束指令生成：生成速度肉眼飞快，不用快进，但全部句子语句不通顺，直接翻车； 第二题·新版 24 点：要求三组解法，模型直接表示无法求解，要求去掉数字 2 才能作答； 第三题·七位数密码锁推理：给出的答案完全错误，三道推理题全军覆没。 接着测试编程任务： 浏览器操作系统缺少弹窗，仅计算器勉强可用； 太空射击游戏完全失效； 3D 赛车 UI 简陋，越过第一个障碍物之后不再刷新障碍； Trello 看板初始化界面异常，创建列表后无法新建卡片和拖拽。 整套测评下来，这款扩散大模型空有极速生成的噱头，推理和代码落地能...

GPT Image 2.5 全量开放，免费账号也能直接用！今天拿祖传图片测评用例实测，左侧图片菜单旁出现新标识，点开 template 模板看到对应 logo 就代表是最新版本。 第一道压轴题上传多人图片，要求互换左右两个人物位置，画面看似完成交换，但出现明显 bug——人物交换后还残存了多余的手部图像。 第二道测试中文能力，生成水彩风格珍珠海 5 天行程插画，整体画面尚可，但图内出现错字，更换提示词生成桂林手绘三日行程图，模型能自主推理规划行程，可文字错误字更多，能看出中文文字渲染依赖旧短短板明显。 第三题生成 3D Q 版两层咖啡杯造型星巴克建筑，画面效果惊艳，提示词遵循到位。 第四题上蚂蚁巢穴城市天气卡，构图观感很好，耗尽只能终止测评。这套实测能看出它图像生成有亮点，但中文文字渲染、图像物体编辑仍存缺陷，你觉得 GPT Image 2.5 表现如何，有优质测评用例欢迎分享，后续我加到祖传测评集里…… 访问入口

企业搭建 AI 语音客服、数字人实时语音有新方案！ 开源框架 LiveKit Agents，可将文本大模型转为支持通话的语音助手，GitHub 14k+star，几十行代码即可搭建，支持电话客服、自动外呼、数字人语音，结合 WeKnora 企业知识库实现智能问答与客服自动化。 自带端点检测避免抢话，支持多 Agent 业务接入，MCP 快速接入工具，支持私有化部署，Apache-2.0 协议可商用。 做语音机器人、数字人的企业可以跑示例体验一下…… 访问入口

Agnes 3.0 Flash 免费可用的大模型实测来了！ 使用 pi 接入并开启思考模式，指令生成测试仅有半数句子通顺，24 点任务上下文中断，密码锁推理答案错误。全部编程测试项目接连报错、运行中断，服务稳定性很差。 整套测评下来，也就 API 免费勉强算得上优，其余能力一言难尽。你觉得这个模型还有哪些可用场景呢…… 访问入口

Deepseek V4.1 预览版多态实测来了！上一轮我们测试推理与编程能力，今天直接拿祖传多态测试用例检验图像能力，该模型暂不支持视频，所以只做图片测试。 首先传入《老无所依》电影截图片名询问影片名称，任务跑了二十多分钟，Deepseek Harness 浏览器几乎卡死，只能终止任务。过程中模型可以识别画面内容，但始终识别不出电影名字。换一张同影片简单截图，耗时五分钟多才成功识别出来。 接下来判断图片里对话亭相对黄色货车的方位，模型准确答出右侧，答案无误。 找不同题中，精确定位第一行第四列倾斜十二度，多观察能力可圈可点。再提升难度，统计画面里雄鸳鸯数量，雄性 5 只识别正确，雌性统计出错——把画面左侧的野鸭错误计入雌性鸳鸯数量。 原本准备两道视频测试题，受限于模型不支持视频输入无法开展。整体图片测试有亮点也有明显短板，大家觉得这个模型多模态水平到底如何…… 访问入口

千万别再从零手写 Agent 框架重复造轮子了！Qoder Agent Harness SDK 完美解决开发痛点，不用自己硬搓复杂的 Agent 循环和工具调用逻辑，传统大模型调用繁琐的底层代码全部内置封装，开箱即用，大幅缩减开发工作量。 同时支持 TypeScript（@qoder-ai/qoder-agent-sdk）与 Python（qoder-agent-sdk）双端 SDK 接入 支持自定义 MCP 服务接入各类业务功能，配置简单、上手门槛极低 内置流式响应输出、工具权限管控、代码理解与编辑能力，一行代码即可拉起智能体 通过 Personal Access Token（PAT）鉴权，可在 qoder.com/account/integrations 一键生成 轻松将成熟的 Qoder Agent 能力集成到自有业务中，性价比和实用性直接拉满 访问入口

Deepseek 全新内测 v4.1‑flash 中间版实测来了！模型标识为 deepseek‑v4.1‑flash‑expires‑on‑0910，直接搬出祖传全套测试用例，在 pi 环境把思考模式拉满开启测评。 第一题强约束指令生成测试，句子结尾全部满足 1‑10 格式，仅有第七句语句不通顺其余表现尚可。 第二题新版 24 点需要输出三组解法，三个答案全部正确。 第三题七位数密码锁推理也成功算出标准答案。 来到编程能力测试，第四题精美浏览器操作系统出现桌面空白，推测背景图加载失败，弹窗与 Dock 栏功能正常，但太空射击游戏直接报错无法运行。 第五题 3D 赛车游戏完成度很高各项功能运行正常。 第六题零第三方库 Trello 看板界面中规中矩，列表、卡片的增删改拖拽全部可以正常使用。 整套测评下来浏览器操作系统项目拖了后腿，否则可以拿到更高分数，不过作为 flash 版本整体响应速度十分出众，大家对这个模型有什么想法欢迎评论区留言。 访问入口