Tidepool Alpha 测评报告!Open Code 神秘模型!
OpenCode 上线了一个匿名模型 tidepool alpha,粉丝私信叫我去实测一下。正好我们的 Benchmark 前两天刚升级到 3.0,连测几个模型后发现题目太难,所以这次再升级一个小版本 3.1,把难度降下来再跑一轮。 第一题强约束指令遵循,去掉了文字长度约束和红楼梦人名开头的限制。数字一到十的结尾倒是全对,但句子长度太短,通顺的只有第 2 句,明显不通顺的是第 1、6、9、10 句,其余大部分句子结构雷同,违反了「结构不能重复」这条要求。 第二题鹈鹕土星环骑自行车 SVG,这一题去掉了先前为了让模型不翻车而补的转弯提示,结果根本没法看,真的是「实现了个球」。第三题复合弓射箭 SVG 同样降低了难度,去掉了人物回首射箭,出来的效果依然完全不行,简直不知所谓。 第四题浏览器操作系统反而提高了一点难度,要求液态玻璃 UI 和万年历。实际 UI 明显不是液态玻璃,比较简陋;右上角弹窗文字完全乱了,其他弹窗勉强过关。Dock 栏里万年历缺了 22 号的小雪节气,关闭按钮和下月按钮还重叠在一起;计算器布局紊乱、按键乱放;压轴的太空射击游戏更是完全不行。 第五题一键去水印...
Sensenova U1 Pro 测评!可能会让你失望!
最近老是刷到 Sensenova 的文生图模型 U1 Pro,各种 benchmarks 上排名都挺高的。我对这个模型并不熟悉,但我还是更相信自己的 benchmark,所以赶紧测了一下——结果可能会让大家失望,特别是最后一题。 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。先看错字:首先「鹈鹕」写错了,看来这还是老大难,我们最近测的一些新模型都能搞定,这个模型还得加油;第二,放大点看会发现「淇澳」的「澳」字也是错的。为什么要测这一题?大家平时做海报就知道文字生成有多重要,如果你试过为了海报上一个字反复抽卡抽到崩溃,就明白我在说什么了。 第二题,文生图综合能力测试:书房丰满优雅美甲美女。时钟时间不是严格的三点钟,时针没有正对三,而是往下偏了一点;三个杯子基本没有问题;提示词要求一只手食指指甲油是红色,另一只手中指是白底红点波点,结果它把红色涂到拇指去了,一只手的中指指甲油对了,可惜又把另一只手的中指也涂了;提示词要求的「丰满」,这个倒是对的。 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。左下角第三张图举起了右手,其他图都是左手,没有保持姿势的一致...
Deepseek vs GPT 测评对比!差距在哪里?
昨天用最新的准 Benchmark 3.0 测了 GPT 6.2 Astra 和 Sol,得分都不算高。有粉丝说测个国内的对比下,国内标杆我选 DeepSeek V4.1 Flash。还是 pi agent 接入,思考深度拉到最高,最后也会说下费用。 第一题强约束指令,加了字数和红楼梦人物开头的约束。句子都按 1 到 10 结尾、每句 9 个字,但只有第一句真正通顺,第 2、3 句勉强算,其他全部不通顺;对比 Astra 全对、Sol 5 句不通顺,DeepSeek 严格说 9 句、放宽 7 句。第二题鹈鹕土星环骑车,大方向没问题,但两个翅膀都扶在同一边、齿轮不对称且一半没有支撑、脚踏时远时近不像脚踏。 第三题复合弓射箭问题比 Sol 和 Astra 严重:整个人转身射箭、头和身体错位、手穿过脖子取箭、箭羽反了、箭是闪现出来的、复合弓滚轮根本没转。第四题浏览器 OS 有液态玻璃效果,但 Dock 图标右边像多了个别针;弹窗正常;万年历有节气、22 号小雪正常;终端不该有 border;太空射击飞机一直套着保护膜,不如 Sol 干净漂亮。 第五题去水印:水印大部分去掉了,但把...
inkling-2-small 测评报告!是否真的能打?
昨天群里粉丝说新出的 inkling-2-small 挺能打,赶紧测一下。它是 OpenAI 前女 CTO 穆拉蒂在宫斗离职后搞的模型;翻博客的 benchmark 记录,V2 版本测过它的上一代,表现非常糟糕。这次看看是不是真的有很大进步——还是 pi 接入,思考深度拉到最高。 第一题强约束指令遵循,1 到 10 结尾、全部通顺,开门红。第二题鹈鹕土星环骑车 SVG 明显不行:骑到下面就倒着骑,鹈鹕没扶车把,自行车也没挡住另一只脚,两只脚看着在同一边。第三题复合弓射箭同样不行:箭根本没射出去却又有中靶效果——龟波气功见过,龟波气弓真是闻所未闻;箭不像箭,像多节小竹枝,箭羽无从谈起;拉弓时副弦还跟着主弦一起动,不符合复合弓原理。 第四题浏览器操作系统:第一次无法进入桌面,有 bug;重试后能进,但黑色壁纸很简陋。右上角电池 icon 点击没反应,本应有弹窗;其他弹窗正常,日历高亮用椭圆不好看。Dock 里计算器全是椭圆按钮,丑爆了;设置改不了桌面;终端输入框 border 太大,其实不需要。太空射击像素感偏重,但我个人喜欢这种简洁不丑陋的风格,其他功能没问题。 第五题 3D...
Gemini 4 Neon 测评报告!真的能打吗?
Gemini 4 Neon 的测评来了,这次还是群里老哥「无言义对」帮忙,用他的订阅在 Antigravity 上开到 extra 档测试,benchmark 仍是 V2.2。现在的策略是 V2.2 得分超过 55 分才上 V3.0,分太低没意思。 第一题强约束指令遵循,1 到 10 结尾、通顺度和长度都没问题。第二题鹈鹕土星环骑车 SVG,整体不错,但转弯时土星环中间有条线,上下两部分不连贯,像是拼接起来的,鹈鹕和自行车会有点跳帧;看阴影更明显,前面部分的阴影和车轮都不见了。 第三题复合弓射箭有两个问题:箭羽明显反了,装成这样会兜风、导致弓箭不稳定;拉弓时手多次穿过衣袖,不合常理。第四题浏览器操作系统,右上角弹窗的日期高亮用了椭圆,不是好设计;Dock 应用正常。太空射击游戏 UI 有点简陋,可能受了昨天 GPT 6.2 的锚点效应影响;飞机发射子弹的方向不固定,有时从垂直于机腹的方向飞出,问题应该是飞机的方向不够立体。 第五题 3D 赛车,可能受了昨天 GPT 6.2 炸裂效果的影响,看完会觉得这版太丑,但尽量中肯:功能没大问题,障碍物和赛车有点简陋。第六题 Trell...
GPT 6.2 Astra 增强版测评报告!
继续用还没敲定的下一版测试用例,这次测 GPT 6.2 Astra。前四题调高了难度、后两题替换;因为题还没定稿,成绩不会在博客的 Benchmark 上算分——我拿国内几个顶尖模型试过,分数都很低,上一期测的 Sol 也不算非常优秀。下面看 Astra 的表现。 第一题强约束指令遵循,这版加了字数和红楼梦人物开头。句子都按 1 到 10 结尾,9 个字没问题;虽然是古文味道,但都通顺,看来难不倒 Astra——相对来说 Sol 错了好几句。第二题鹈鹕土星环骑车 SVG,去掉转弯提示后,鹈鹕和自行车结构、转弯都没问题;单个翅膀扶车把在提示词里没限定,不算问题,硬挑只能说鹈鹕画得有点丑。 第三题复合弓射箭,靶子移动、限定箭数、取箭回首弯弓射箭都加上了;主要问题和 Sol 一样出在回首射箭,整个头 180 度转过来,身前变身后,非常恐怖。第四题浏览器操作系统,要求液态玻璃 UI 和万年历。UI 有液态玻璃效果;但日历高亮的今天下面有个点,通常代表有事件,却没有显示任何事件。Dock 里的万年历比 Sol 好,22 号小雪有正常显示;其他没问题。太空射击依然没 Sol 好,必须用...
GPT 6.2 Sol 增强版测评报告!
准备用还没敲定的下一版测试用例测一下 GPT 6.2 Sol 和 Astra。这一版前四题调高了难度,后两题直接替换;因为题还没定稿,这次的成绩不会在博客的 Benchmark 榜单上算分——主要是我拿国内几个顶尖模型试过,分数都很低。 第一题强约束指令遵循,这版加了字数和红楼梦人物开头的约束。句子都按 1 到 10 结尾,9 个字也没问题,但第 2、3、4、8、9 句不通顺;一些古文表达倒是通顺,比如「凡三」是总共三首诗、「息十」是十两利息。第二题鹈鹕土星环骑车 SVG,这版去掉了转弯之类的提示,鹈鹕和自行车结构没问题,但骑到上方明显倒过来了。 第三题复合弓射箭,这版让靶子移动、限定箭筒箭数、要求人物取箭并回首弯弓射箭。主要问题出在回首射箭:整个头 180 度转过来,身前变身后,非常恐怖。第四题浏览器操作系统,要求液态玻璃 UI 和万年历。UI 有液态玻璃效果,左上角弹窗正常;但万年历实现得不够好,这个月 22 号是小雪却没有标出来。Dock 应用其他没问题,太空射击游戏依然是顶级实现。 第五题无第三方库一键去水印:水印还有一小部分没去掉。第六题 DeepSeek Har...
可灵 Image 4.0 测评报告!真的能打吗?
可灵最新上线的可灵 Image 4.0,据说非常能打,但能不能扛住我们这套祖传测试用例?直接开测。 第一题中文长文本排版,水彩风珠海 5 天行程插画。这次「鹈鹕」两个字竟然写对了——测过这么多模型,能把这两个字写对的可谓凤毛麟角,这应该是第三个做对的模型,其他文字也没有问题。第二题文生图综合能力,书房丰满优雅美甲美女:时钟不是三点整;杯子和液体没问题;指甲油错了——提示词要求一只手食指涂红色、另一只手中指涂白底红点波点,模型确实有一只手的食指对了,但另一只手无名指和拇指也涂了红色,同一只手中指做了波点、无名指却又涂了;「丰满」它理解成了整体丰满,按我的主观标准只算对一半。 第三题角色多视角一致性,女孩四宫格:首先这明显不是四宫格;第一、第四张比心的是右手,另外两张是左手;第二张草莓在右边、其他在左边,一致性都没保持。第四题落地镜自拍:镜中手机拿反了;实景里是拇指压着手机边缘,镜中却变成食指;镜中衣服前面的图案和实景背后的图案一样,衣服前后不该相同,我推断它错了。 第五题饼图:比例和颜色没问题,图不算漂亮但不是重点——重点是只让它生成饼图,却额外生成了大量文字,我怀疑可灵暗自...
GPT 6.2 Sol 测评报告!和Astra比怎么样?
上一个视频测的是 GPT 6.2 Astra,这次换成 GPT 6.2 Sol,同样是群里哥们星星帮忙做的测试,建议先看 Astra 那期做个对比。接入还是在 GPT 客户端(Codex),思考档位 Max。 第一题强约束指令遵循,句子都以 1 到 10 结尾,全部通顺且长度适中。第二题鹈鹕土星环骑车 SVG 整体很不错,但相对 Astra 还是差点,尤其是鹈鹕的嘴巴——上下喙交替着一长一短。第三题复合弓射箭整体也比 Astra 差,而且箭羽画反了。 第四题浏览器操作系统,UI 不错,但和 Astra 比仍有差距,分辨率设置偏低导致 icons 偏大、空间显得小;右上角弹窗和 Dock 栏应用都没有问题。压轴的太空射击游戏反而比 Astra 好:上下左右与 space 发射都正常,飞机做得漂亮,子弹主要从机头前方射出,还能智能定位敌人改变方向。 第五题 3D 赛车功能没问题,但没有 Astra 漂亮——Astra 那版近乎完美,这版 UI 差点,路上的障碍物也单调许多。第六题 Trello 看板 UI 同样比不过 Astra,不过相比其他模型已经不错,主要功能没有问题。 总...
GPT 6.2 Astra 测评报告!能拿满分吗?
GPT 6.2 Astra 真把“前端交付”卷到新高度?强约束造句全中、鹈鹕骑车转弯不纸片、复合弓 SVG 挑不出刺,浏览器 OS + 太空射击 + 3D 赛车一把过,Trello 看板零依赖还好看。Codex 开 Max 档,V2.2 基准下基本高分通关,只剩子弹瞄点、弓身阴影这种吹毛求疵的小遗憾。新模型前端审美和交互完成度明显脱胎换骨…… 访问入口









