[8/20 更新] 實測！6 個模型跑相同 Prompt：誰是野狗誰是豆包？是小男梁還是梁太祖？GPT、Gemini、Grok、Deepseek批鬥大會。

這幾天在自建 grok2api 轉發服務，並密集測試新出的 DeepSeek V4 系列與 Google Gemini 3.7 Flash 後，我深刻體會到模型宣傳跑分與實際工程落地之間的巨大斷層。

很多時候，排行榜上的高分並不能直接轉化為日常生產力。真正決定一個模型能否放進開發工作流的，往往是長上下文下的穩定性、是否有隱蔽的風控降階、多輪代碼生成的空間幾何閉環能力，以及調用成本與推論延遲。

本文結合第三方評測機構 Artificial Analysis 的 Intelligence Index v4.1.1 基準數據、GitHub 專案 Issues 實錄，以及我親自執行的「鵜鶘騎自行車 SVG 2D 動畫」橫向代碼壓測，記錄這波模型變局下的真實實測反饋與工程選型觀察。

一、基準數據：Artificial Analysis Intelligence Index v4.1.1#

脫離官方宣傳濾鏡後，客觀第三方評測是觀察模型基礎智能的重要參考。根據 Artificial Analysis 於 2026 年 8 月最新公布的 Intelligence Index v4.1.1（綜合納入 GDPval-AA v2、Terminal-Bench v2.1、SciCode 等 9 項嚴苛基準），當前全球主流模型的得分分佈如下：

Artificial Analysis Intelligence Index v4.1.1 評測排行榜

數據來源：Artificial Analysis Intelligence Index (2026-08)

梯隊實力與得分分佈#

梯隊定位	代表模型	綜合智能分 (AA Index)	工程實務定性
頂級旗艦	Claude Opus 5 (max) Claude Fable 5 GPT-5.6 Sol (max) Grok 4.6 (high) Kimi K3 (max)	63 62 61 61 60	適合複雜架構重構與科研推理，但調用成本高且延遲較大。
主力實戰	Qwen3.8 Max Muse Spark 1.2 (xhigh) GPT-5.6 Terra (max) Gemini 3.7 Flash (high)	58 57 57 56	性價比與速度的主戰場，Gemini 3.7 Flash 拿到 56 分，成為近期最大亮點。
爭議與輕量	DeepSeek V4 Pro 0813 (max) GLM-5.2 (max) GPT-5.6 Luna (max) Motif 3 MiniMax-M3	53 53 52 47 45	DeepSeek V4 Pro 僅獲 53 分，與 Flash 版本未能拉開實質代差。
邊緣基座	Nemotron 3 Ultra Gemini 3.5 Flash-Lite Solar Open2 250B	38 37 37	僅適合輕量摘要與超低延遲邊緣任務，不建議用於 Agent 開發。

2026 年 8 月主流 AI 模型實測跑分與性價比對比卡片

從基準數據來看，有兩個顯著的趨勢：

Gemini 3.7 Flash (High) 取得了 56 分，直接跨過了 DeepSeek V4 Pro（53 分）與 GPT-5.6 Luna（52 分），緊追第一線大模型。
DeepSeek V4 Pro（53 分）相比宣傳預期出現顯著落差，並未展現出旗艦級的代差優勢。

二、自建 grok2api 與 Grok 4.6/4.5 的「IP 降智」謎題#

為了降低 API 成本，許多開發者基於開源專案 chenyme/grok2api 搭建了中轉服務，將 xAI 的 Web/Build 接口轉換為標準 OpenAI 格式。

但在使用過程中，大量自建節點的使用者反饋 Grok 4.6 與 4.5 出現了斷崖式降智：基礎邏輯判斷頻繁出錯、代碼遺漏括號、稍微複雜的多檔案上下文直接崩潰。相反地，只要切換至 xAI 官方付費的 Console API，模型輸出又立刻恢復到 61 分的高水準。

GitHub 專案 Issues 記錄了多起具體測試案例：

1. Issue #916：Build 渠道基礎邏輯出錯與降階警告#

在 Issue #916 中，開發者使用 466 個帳號進行測試，發現 Build 渠道的 grok-4.6 在回答「9.11 和 9.9 哪個大」時，會間歇性回答成錯誤的 9.11，甚至直接超時。

同時，響應頭中頻繁出現 X-Grok2api-Compatibility-Warnings: reasoning_encrypted_content_downgraded 降階警告；而換到 Console 渠道的 grok-4.5 連續測試 10 次則全部正確且穩定。

grok2api GitHub Issue 916 截圖

來源：grok2api Issue #916: Build 渠道 grok-4.6 经 grok2api 调用时间歇性答错简单问题

2. Issue #839：不返回推理內容的特徵與「畫鵜鶘」壓力測試#

在 Issue #839 中，社群指出 Build 渠道的顯著降智特徵是「開啟思考但不返回推理內容」，並提出可透過代理重置與住宅 IP 輪換來改善。討論中也提到了社群常用來檢驗代碼物理邏輯的極限測試題目——「SVG 繪製鵜鶘騎自行車 2D 動畫」。

grok2api GitHub Issue 839 截圖

來源：grok2api Issue #839: 对于 Build/grok-4.5 开启思考但是不返回推理内容强制中断并重试请求

3. IP 降智現象與分析假說#

對於此現象，我們需要客觀區分「已觀察事實」與「推測假說」：

已觀察到的事實：
1. Build 渠道在特定機房 IP 調用下，輸出質量顯著劣質化，基礎常識出錯率上升。
2. 響應標頭出現 reasoning_encrypted_content_downgraded 等顯式降階警告。
3. 官方付費 Console API 在相同測試集下保持穩定，未復現該異常。
合理推測與工作假說：
- xAI 在 Cloudflare 防火牆或 API Gateway 端，針對數據中心 ASN、非瀏覽器環境與高頻調用啟用了動態風控，可能觸發了靜默分流機制，將請求導向較低算力資源的集群或輕量量化模型池。
尚未證實的部分：
- xAI 後端的具體權重調度算法、是否經過模型裁剪或量化降階，屬於未公開的內部黑盒架構，仍有待官方進一步說明。

工程建議：若使用 grok2api，建議搭配乾淨住宅代理並控制請求頻率；若為關鍵業務與代碼重構，建議保留官方 Console 通道以確保輸出質量。

三、 DeepSeek V4 Pro 的評測爭議與定價落差#

過去以性價比引領開源浪潮的 DeepSeek，在本次發布的 V4 系列中引發了社群的廣泛質疑。

1. 評測 Harness 爭議#

在發布初期，官方宣傳材料中標榜 V4 Pro 在多項基準中比肩頂級旗艦。然而在第三方獨立復現時發現：

官方測試疑似採用了特製的評測腳手架（Evaluation Harness），包含特定 Prompt 前綴與針對性取樣。
當放入標準化的 Terminal-Bench v2.1、SciCode 與 GDPval-AA 測試集時，V4 Pro 在多輪長上下文狀態下的錯誤率明顯上升，最終在 Artificial Analysis 僅獲得 53 分。

2. 邊際提升與定價倒掛#

DSV4 Flash：綜合得分約 52 分，調用成本低廉。
DSV4 Pro (0813)：綜合得分 53 分，相比 Flash 僅高出 1 分。
DSV4 Pro 的定價相比 Flash 翻了數倍，且傳出後續將調漲 API 價格的消息。在實際任務中，多付出數倍成本卻只能換來邊際效應極低的提升，導致 V4 Pro 在性價比維度失去競爭力。

四、 Google Gemini 3.7 Flash 的實際表現#

在 2026 年上半年，Gemini 3.5 與 3.6 Flash 因為上下文幻覺與代碼結構遺漏，常被開發者視為僅能用於基礎摘要的輔助工具。

但新推出的 Gemini 3.7 Flash (High) 展現出截然不同的水準：

56 分的綜合智能：超越 DeepSeek V4 Pro（53 分）與 GPT-5.6 Luna（52 分），在邏輯推理與結構化代碼生成上有顯著提升。
推論速度與吞吐：實測輸出速度超過 120 tokens/sec，首字延遲（TTFT）低於 200ms。
超長上下文與定價優勢：延續了 1,000,000+ Token 上下文窗口，搭配低廉的定價（輸入約 $0.08 / 1M Tokens）與充足的官方免費額度，非常適合作為日常 Agent Coding 循環的高頻主力引擎。

五、實測壓測：六大模型「鵜鶘騎自行車 SVG 動畫」橫向對比#

為了檢驗各模型在幾何座標約束、空間物理理解與複雜代碼生成上的真實表現，我們使用社群經典測試題目進行了標準化壓測：

1
提示詞：給我 HTML，內容是 SVG 繪製一個鵜鶘騎自行車的 2D 動畫。
2
檔案名稱：你的模型+XXX+.html

測試環境說明：本次測試屬於「模型 + Harness / 工具鏈 + 渠道」的實戰綜合考察。其中 GPT-5.6 Sol 運行於 Codex 深度推理體系，其餘模型運行於 DeepSeek Harness 測試環境中，各模型之步驟、思考檔位與上下文快取記錄於各項指標中。

以下依照測試順序，展示六個模型與檔位的實際生成結果：

1. GPT 5.6 Sol (xhigh / Codex 體系)#

耗時：15 分 09 秒
實測表現：腳部有正常旋轉轉動，自行車與鵜鶘的空間結構完整，動畫無 Bug。展現出頂級模型在深度 Reasoning 檔位下優秀的空間物理理解力。

GPT 5.6 Sol 鵜鶘騎自行車實測截圖

2. DeepSeek V4 Pro (MAX 思考檔位 / DeepSeek Harness)#

指標數據：1 輪 · 2 步｜ LLM 7m43s · 工具調用 0s ｜首 Token 平均 1.9s · 75 tok/s ｜快取命中 48% ｜輸入 50.2K tok · 輸出 34.4K tok ｜總耗時 7 分 42 秒
實測表現：腳部正常轉動，幾何構造正確無 Bug。在 Max 思考檔位下表現扎實，但耗時與 Token 消耗相比 Flash 版本大幅增加。

DeepSeek V4 Pro 鵜鶘騎自行車實測截圖

3. Grok 4.6 high (Build 渠道 / DeepSeek Harness)#

指標數據：1 輪 · 2 步｜ LLM 57.4s · 工具調用 0s ｜首 Token 平均 28.2s · 7020 tok/s ｜快取命中 45% ｜輸入 17.4K tok · 輸出 7.1K tok
實測表現：全是 Bug。生成的 SVG 幾何嚴重錯位，腳部與踏板完全脫節，印證了 Build 渠道遭 xAI 靜默降階分流的現象。

Grok 4.6 high Build 鵜鶘騎自行車實測截圖

4. Grok 4.5 high (Console 渠道 / DeepSeek Harness)#

指標數據：1 輪 · 2 步｜ LLM 1m47s · 工具調用 0s ｜首 Token 平均 3.3s · 83 tok/s ｜快取命中 34% ｜輸入 24.6K tok · 輸出 8.4K tok
實測表現：腳沒有旋轉轉動，僅呈現前後擺動，且與自行車踏板完全對不上。物理聯動未達到預期。

Grok 4.5 high Console 鵜鶘騎自行車實測截圖

5. Gemini 3.7 Flash high (DeepSeek Harness)#

指標數據：1 輪 · 2 步｜ LLM 45.7s · 工具調用 0s ｜首 Token 平均 21.7s · 5569 tok/s ｜快取命中 0% ｜輸入 28.9K tok · 輸出 13.1K tok
實測表現：靜態繪製精緻度與色彩表現全場最佳，但存在動畫邏輯 Bug：腳部完全沒有擺動，輪胎直接跑出畫面外。屬於「美工極佳但在高難度單一幾何代碼上物理閉環失敗」的典型案例。

Gemini 3.7 Flash high 鵜鶘騎自行車實測截圖

6. DeepSeek V4 Flash Max (DeepSeek Harness)#

指標數據：1 輪 · 5 步｜ LLM 6m14s · 工具調用 0.1s ｜首 Token 平均 0.8s · 119 tok/s ｜快取命中 92% ｜輸入 113K tok · 輸出 44.1K tok
實測表現：腳部有正常旋轉轉動，畫面幾何正確無 Bug。生成品質完全比肩昂貴的 Pro 版本，展現出極高的性價比。

DeepSeek V4 Flash 鵜鶘騎自行車實測截圖

7. 【補測 · 滿血回歸】真 Grok 4.6 high（官方原生 Grok Build / 滿血 500K）#

測試環境：官方原生 Grok Build CLI 深度推理環境（Grok 4.6 (high) · always-approve / 500K 上下文）
指標數據：
- 深度思考耗時：1 分 39 秒（1m39s），對鳥類解剖學生理構造、自行車幾何機械傳動與 SVG 動畫視差進行全方位推導。
- 代碼構建與自檢：深度思考 2.1 秒。
- 總工作耗時：4 分 04 秒（Worked for 4m4s）｜上下文消耗：55k / 500k
實測表現（降智前後震撼對比）：
- 降智前（grok2api 機房 IP 靜默降階版）：僅用 57 秒草草敷衍，生成的幾何嚴重錯位、踏板與腿部完全脫節、全身 Bug，完全是遭遇風控分流後的假 4.6。
- 降智後 / 真滿血（真 Grok 4.6 high）：完成度直接封神！
  - 生物解剖學細節：完整側身大喉囊、長喙、頭頂微翹的小羽冠，喉囊裡甚至細膩地畫了一條小魚在探頭！
  - 物理機械閉環：一隻翅膀緊抓車把，另一隻翅膀自然扇動維持空中平衡；車輪、曲柄、腳蹼嚴格同相位旋轉，身體隨踏板踩踏節奏自然上下起伏。
  - 場景動態深度：背景海濱公路、層次分明的海浪、棕櫚樹與沙丘，滾動的車道線與海浪形成極具層次感的多層視差循環滾動動畫。

真 Grok 4.6 官方 Grok Build 終端執行截圖

真 Grok 4.6 滿血鵜鶘騎自行車 SVG 動畫瀏覽器渲染截圖

鵜鶘壓測橫向對比總結#

模型與渠道	總耗時 / 思考深度	動畫正確性 (腳部旋轉/踏板)	靜態繪製美感與細節	實務定性
真 Grok 4.6 high (官方 Build)	4分04秒 (思考 1m39s)	完美同步旋轉 (曲柄/腳蹼/羽翼平衡)	神級 (海濱公路/喉囊小魚/視差背景)	滿血旗艦，空間幾何與美工全場登頂
GPT 5.6 Sol (xhigh)	15分09秒	完美正常轉動	良好	滿血旗艦，結構無 Bug
DeepSeek V4 Pro Max	7分42秒 (75 tok/s)	正常轉動	良好	成功通過，但成本偏高
DeepSeek V4 Flash Max	6分14秒 (119 tok/s)	正常轉動	良好	性價比首選，無 Bug
Gemini 3.7 Flash high	45.7秒 (極速)	輪胎出界 / 腳不動	極佳	視覺美感佳，動畫物理邏輯有 Bug
Grok 4.5 high (Console)	1分47秒 (83 tok/s)	僅前後擺動 / 對不上	普通	物理聯動未閉環
Grok 4.6 high (Build 降智版)	57.4秒	全是 Bug / 嚴重錯位	差	遭遇 IP 降智分流 (假 4.6)

六、 2026 年 8 月主流模型性價比天梯#

綜合考量廣泛日常開發基準（如 Terminal-Bench、SciCode）、Token 成本、推論延遲、空間幾何能力與風控穩定性，當前性價比排序為：

$\text{真 Grok 4.6 (官方 Build / 滿血)} \approx \text{GPT-5.6 Sol} > \text{Gemini 3.7 Flash} > \text{DeepSeek V4 Flash} > \text{DeepSeek V4 Pro}$

說明：

真 Grok 4.6 (官方 Build 滿血版) 展現出頂級大模型的絕對實力，在極限空間幾何、生物解剖細節與動態閉環上與 GPT-5.6 Sol 並列第一梯隊；但必須警惕自建 grok2api 機房 IP 帶來的「靜默降階」陷阱。

Gemini 3.7 Flash 雖然在單一極限 SVG 動畫生成上出現物理閉環 Bug，但憑藉 56 分的綜合基準分數、超高推論速度（120+ tok/s）與極低成本（輸入約 $0.08 / 1M），依然是目前全天候高頻 Agent 開發循環的首選。

主流模型綜合指標全景表#

排名	模型名稱	AA 智能分數 (2026.08)	推論速度	調用成本 (輸入 / 1M)	穩定性與降智風險	實務定位
1	真 Grok 4.6 (官方 Build)	61 分	高速 (深度思考 1m39s)	官方 Build 專享	低 (官方原生滿血)	旗艦代碼與空間幾何頂峰
2	Gemini 3.7 Flash	56 分	極速 (120+ t/s)	約 $0.08 (官方高額度)	極低 (官方高額度)	日常高頻主力首選
3	Grok 4.6 (Console)	61 分	高速 (85+ t/s)	官方標準定價	低 (官方 Key 滿血)	深度任務首選
4	DeepSeek V4 Flash	52 分	極速 (110+ t/s)	約 $0.15	低 (官方穩定)	表現中規中矩，性價比優秀
5	Grok 4.6 / 4.5 (grok2api)	40~61 分 (視 IP)	中等 (受限於代理)	極低 (自建中轉)	高 (IP 降智與風控嚴重)	適合低成本實驗，需防降智
6	DeepSeek V4 Pro (0813)	53 分	中速 (45+ t/s)	偏高 (即將調漲)	高 (性價比倒掛 / 爭議)	較 Flash 僅高 1 分，不推薦
7	Claude Opus 5 (Max)	63 分	中慢速 (30+ t/s)	約 $15.00	低 (品質封頂)	頂尖架構標竿，高預算專屬

七、總結與選型建議#

大模型競爭已經不再只是單純比拼宣傳參數，實測智能、推論延遲、API 穩定度與定價策略共同決定了一個模型在真實工程場景中的價值。

高難度架構設計與極限空間幾何：首選 官方真 Grok 4.6 (Build)、GPT 5.6 Sol 或 Claude Opus 5。真 4.6 在鵜鶘騎車測試中展現的解剖學細節與物理閉環堪稱神作。
日常 Agent Coding 與腳本開發：首選 Gemini 3.7 Flash 與 DeepSeek V4 Flash。52～56 分的智能足以勝任絕大部分日常編程，速度快且成本極低。
自建轉發服務（grok2api）防坑指南：若使用自建中轉，必須搭配乾淨住宅代理與調用間隔控制，否則一旦觸發 xAI 靜默分流，頂級 4.6 將瞬間退化為 57 秒的「殘缺降智版」。
輕量問答與摘要：優先選擇 DeepSeek V4 Flash，避免花費高額溢價在提升微弱的 DSV4 Pro 上。

參考資料與延伸連結#

Artificial Analysis 官方評測數據：https://artificialanalysis.ai/
grok2api 開源專案：https://github.com/chenyme/grok2api
grok2api Issue #916：https://github.com/chenyme/grok2api/issues/916
grok2api Issue #839：https://github.com/chenyme/grok2api/issues/839
Google DeepMind / Gemini API 官方文檔：https://ai.google.dev/
xAI 官方開發者平台 (Console & Build)：https://console.x.ai/
DeepSeek 官方開放平台：https://platform.deepseek.com/

一、 基準數據：Artificial Analysis Intelligence Index v4.1.1#