展开本页目录
开始前准备什么
- 先确定任务、允许输入和验收条件，再核对当前模型目录中的准确 ID 与协议。
- 平台目录可见不等于测试 Key 有权限；公开最低报价也不等于账号实扣。
- 下载虚构任务材料，保持各候选输入一致；真实数据应先脱敏。
- 确定任务
- 选同档候选
- 固定样本
- 核对结果与费用
- 生成接入配置
下载中文任务与验收材料
本批离线夹具与空记录模板，不包含新增模型成绩或 API Key。代码候选先人工检查，再在隔离环境验收。
三家主力候选，使用同一个任务要求
按厂商用途定位归为主力，不是统一能力认证。这里没有搜索量、市场份额或全任务冠军结论。
| 厂商 | 准确 ID | 本次短任务 | 优先核对 |
|---|---|---|---|
| OpenAI | gpt-6.1-sol | 9 / 9 项短任务达标 | Responses provider 和工具回传 |
| Anthropic | claude-sonnet-5-5 | 9 / 9 项短任务达标 | Messages 与思考内容块 |
| gemini-3.8-flash | 9 / 9 项短任务达标 | 兼容接口与接受的参数 |
- 厂商
- OpenAI
- 准确 ID
- gpt-6.1-sol
- 本次短任务
- 9 / 9 项短任务达标
- 优先核对
- Responses provider 和工具回传
- 厂商
- Anthropic
- 准确 ID
- claude-sonnet-5-5
- 本次短任务
- 9 / 9 项短任务达标
- 优先核对
- Messages 与思考内容块
- 厂商
- 准确 ID
- gemini-3.8-flash
- 本次短任务
- 9 / 9 项短任务达标
- 优先核对
- 兼容接口与接受的参数
本站绘制的内容说明图：已有九题成绩仅作主力候选参考；没有市场份额、搜索量或全任务冠军结论。
先选需要完成的工作
| 你的任务 | 共同素材 | 主要验收 |
|---|---|---|
| 代码修复 | 同一仓库、失败测试、可修改文件 | 原测试真实通过，边界不被删掉 |
| 中文写作 | 同一事实表与风格要求 | 事实不变、术语一致、篇幅适当 |
| 长文引用 | 同一文档片段与无答案问题 | 引用指向正确片段，未知不编造 |
| 工具流程 | 相同工具、权限和最大回合 | 选对工具、参数、回传与停止条件 |
- 你的任务
- 代码修复
- 共同素材
- 同一仓库、失败测试、可修改文件
- 主要验收
- 原测试真实通过，边界不被删掉
- 你的任务
- 中文写作
- 共同素材
- 同一事实表与风格要求
- 主要验收
- 事实不变、术语一致、篇幅适当
- 你的任务
- 长文引用
- 共同素材
- 同一文档片段与无答案问题
- 主要验收
- 引用指向正确片段，未知不编造
- 你的任务
- 工具流程
- 共同素材
- 相同工具、权限和最大回合
- 主要验收
- 选对工具、参数、回传与停止条件
本站绘制的内容说明图：每种任务各有可信验收合同；一个短题成绩不能替代完整应用流程。
保留现有工作流，只改变一个变量
一个已经可用的客户端是很好的起点。先保留工具版本、测试仓库和提示词，只替换同档候选型号；协议必须更换时另建配置记录。功能通过后，再测流式、异常恢复与完整工具任务。
复杂任务与高频小任务另建候选组
需要更长任务规划或多文件约束时，进入复杂任务组；主要是短分类、抽取和规则判断时，进入轻量组。跨档选型可以讨论升级是否值得，但不把不同档次放在一张通用能力榜上。
从候选到自己的接入
生成测试计划后，用自己的 Key 在本地执行，保留全部尝试和账单。结果分析器可核对样本集合、完成状态和费用缺失；通过测试的候选再进入配置生成器。
怎样确认已经完成
- 型号、协议、参数、样本和测试版本都有记录，不混入其他档次的结果。
- 成功、失败、截断与未知请求分别保留；未完成任务不算达标。
- 实际费用与控制台逐次匹配，缺失保持未知；通过短任务以后再验收完整应用流程。
常见问题
是不是最便宜的主力就适合我？
公开基础单价只能帮助筛选。需要同时确认任务通过、重试、输出长度、缓存和人工修改成本，且账号账单可能与公开最低报价不同。
什么时候需要更多模型？
现有候选无法通过真实需求、遇到协议限制或需要可验证备用路径时再增加。每次新增都用固定资料，避免只积累不可比较的短回答。