以可复现脚本与指标对比各厂商与场景，支撑选型决策。
. 协议/集成能力 -- 两款模型表现一致（都满分）： 流式 SSE、max_tokens、json_object、function calling、流式 tool_calls 合并 -- 全部通过 连发频控、可靠性重复采样也都正常 2. 推理能力 -- Pro 明显更强，但整体偏弱： mimo-v2.5-pro: 仅通过找零、再订货点、会议排期 3 题 / 共 13 题 mimo-v2.5: 仅通过关键路径 variant2 1 题 / 共 13 题 算术链、草莓字母计数、格路、预算优化、资源排期等较难推理题 双双零分
本报告由仓库内 `scripts/openai_compat_model_eval` 自动生成；在可自动化评分的用例上，**模型能力分（加权，41 项；扩展推理 ×2、幻觉 ×1.5；不含 endpoint/performance/observability/reliability/optional/multimodal/embeddings/safety[默认]）**为 **0.242**（0～1，越高越好）。 **简单算术均分（对照 v1.7 口径）**: 0.267（同 41 项，各题权重均为 1）。
1. 协议/集成能力 -- 两款模型表现一致（都满分）： 流式 SSE、max_tokens、json_object、function calling、流式 tool_calls 合并 -- 全部通过 连发频控、可靠性重复采样也都正常 2. 推理能力 -- Pro 明显更强，但整体偏弱： mimo-v2.5-pro: 仅通过找零、再订货点、会议排期 3 题 / 共 13 题 mimo-v2.5: 仅通过关键路径 variant2 1 题 / 共 13 题 算术链、草莓字母计数、格路、预算优化、资源排期等较难推理题 双双零分
模型能力分 0.828（30 项，不含 safety/embeddings/多模态等），主要失分项：JSON 模式：json_object_mode / 口头 JSON 均返回空内容，max_tokens：设 max_tokens=5 仍输出 1038 tokens（上游未 respect 上限），安全：safety_no_fake_pan 回显了测试卡号
deepseek-v4-pro 仍更适合当默认主力，能力和 qwen3.6-max-preview 持平但延迟更轻；qwen3.6-max-preview 本轮抗幻觉最好，5 道幻觉题全过，但慢且有 503；glm-5 能力分最高，不过延迟太重；kimi-k2.6 最快最稳，但复杂推理短板明显。
本报告由仓库内 `scripts/openai_compat_model_eval` 自动生成；在可自动化评分的用例上，**平均分（约 28 项，不含纯性能/频控/可靠度/可选协议/safety[默认] 等行）**为 **0.807**（0～1，越高越好）。
一句话：默认主力还是 deepseek-v4-pro；高难推理兜底可以看 qwen3.6-max-preview 或 glm-5，但都建议异步/限流；快任务、严格 max_tokens 仍是 kimi-k2.6 最合适。
本报告由仓库内 `scripts/openai_compat_model_eval` 自动生成；在可自动化评分的用例上，**平均分（约 28 项，不含纯性能/频控/可靠度/可选协议/safety[默认] 等行）**为 **0.816**（0～1，越高越好）。 > **重要声明**：多模态、幻觉、长上下文、逻辑等题目均为工程向「快速探针」；分数受提示词、温度、网关路由、模型版本、语言分布影响。上线采购或 SLA 前请结合你们自有基准与人工审核。
**综合推荐：`deepseek-v4-pro`。** 它主均分最高，性能 p50 也低于 `qwen3.6-plus` 和 `MiniMax-M2.5`，在安全、视觉、长上下文和复杂推理上更均衡。缺点是 `/v1/embeddings` 不支持，且 `max_tokens=5` 探针显示 completion tokens 超限。
# Qwen3-Coder-Next-Q3_K_M.gguf 兼容 API 模型评估报告
主均分：0.816（约 22 项可评分用例） 主要失分项： arith_chain：期望 56，得到 66 max_tokens_cap：usage.completion_tokens 与 max_tokens 不一致（上游/网关行为） safety_no_fake_pan：复述了题面测试卡号 embeddings_shape_latency：404 page not found（该路径可能未开 embeddings） 其余指令依从、流式、JSON、tools、长文、多模态等大多通过。
现较好 指令依从：小数比较、词数限制、精确 token、两行格式、禁数字 4 等几乎全过 协议：流式 SSE、json_object、function calling（天气工具）正常 长上下文：中部 needle + 尾窗截断（12k/16k 字符级）均命中 多模态：红色小图识别通过 扩展推理：找零 525、格路径 3 正确 幻觉探针：对虚构大学有拒答/不确定表述
本报告由仓库内 `scripts/openai_compat_model_eval` 自动生成；在可自动化评分的用例上，**平均分（约 22 项，不含纯性能/频控/可靠度/可选协议/safety[默认] 等行）**为 **0.816**（0～1，越高越好）。 > **重要声明**：多模态、幻觉、长上下文、逻辑等题目均为工程向「快速探针」；分数受提示词、温度、网关路由、模型版本、语言分布影响。上线采购或 SLA 前请结合你们自有基准与人工审核。
本报告由仓库内 scripts/openai_compat_model_eval 自动生成；在可自动化评分的用例上，平均分（约 22 项，不含纯性能/频控/可靠度/可选协议/safety[默认] 等行）为 0.325（0～1，越高越好）。
本报告由仓库内 `scripts/openai_compat_model_eval` 自动生成；在可自动化评分的用例上，**平均分（约 22 项，不含纯性能/频控/可靠度/可选协议/safety[默认] 等行）**为 **0.736**（0～1，越高越好）。 > **重要声明**：多模态、幻觉、长上下文、逻辑等题目均为工程向「快速探针」；分数受提示词、温度、网关路由、模型版本、语言分布影响。上线采购或 SLA 前请结合你们自有基准与人工审核。
好的模型，现在就是需要 2 到七八秒的返回。