社区讨论LinuxDo 最新
agent和大模型的个人实测评分（个人向）
趁着手里正在搞个人小项目，就用三个flash模型和四大agent平台分别测试了一下，最后用kimi统一评分，评分标准包括六大维度：准确性与证据质量/分析深度与洞察/覆盖广度/建议可操作性/结构与表达/内部一致性与结论可靠性。最后得分分差<=2可以视为同一水平。 结果如图： 大模型对比： ds4f（76.3） 存在系统性短板，在 4 个系列中均为最低分（尤其是 ZCode-ds4f 仅得 60 分）。 glm5.3f（85.5） 与 qwen3.8f（85.3） 均值基本打平，但 glm5.3f 跨系列表现更加稳健…
内容摘要
作者：#doler
板块：#开发调优
趁着手里正在搞个人小项目，就用三个flash模型和四大agent平台分别测试了一下，最后用kimi统一评分，评分标准包括六大维度：准确性与证据质量/分析深度与洞察/覆盖广度/建议可操作性/结构与表达/内部一致性与结论可靠性。最后得分分差<=2可以视为同一水平。
结果如图：
大模型对比：
ds4f（76.3） 存在系统性短板，在 4 个系列中均为最低分（尤其是 ZCode-ds4f 仅得 60 分）。
glm5.3f（85.5） 与 qwen3.8f（85.3） 均值基本打平，但 glm5.3f 跨系列表现更加稳健（77～93），而 qwen3.8f 在不同底模下的离散度更高（73～92）。
agent对比：
Claude 综合均分第一且最为均衡（87.0，极差仅 11）。
OpenCode 与 Codex 综合得分接近，但 Codex 的分数稳定性更高：极差13:20
PS：剔除表现最差的ds4f以后，ZCode跃居第二，与Codex和OpenCode的差距小于误差范围（2），但是稳定性显著领先。
资讯来源
LinuxDo