横评Opus 4.8、GPT-5.5、DeepSeek V4、MiniMax M3，356元测出来的真实排名

横评Opus 4.8、GPT 5.5、DeepSeek V4、MiniMax M3，356元测出来的真实排名 横评Opus 4.8、GPT 5.5、DeepSeek V4、MiniMax M3，356元测出来的真实排名 Modified June 6 MiniMax M3： 这个任务的难点在于“长”——不只是单步执行，而是要求模型在跨越多个工具调用节点的情况下，始终保持上下文连贯、指令不漂移。这对模型的长程稳定性和工具协调能力要求很高。 先说PPT的完成度： GPT 5.5、Opus 4.8和M3都交付了质量不错的PPT，Claude每页带微动画，GPT 5.5有真实配图（应该是Codex的原因），M3的色彩搭配比较好看。DeepSeek V4 Pro在这一项差了明显一截，排版、配色和交互都不在同一个水平线上。 调研报告的内容质量： Opus 4.8、M3和GPT 5.5不相上下，DeepSeek V4 Pro垫底。 关于DeepSeek V4 Pro有一个独立的问题值得单说：它在Claude Code里跑得极慢，而且频繁中途停摆不再继续输出。这个PPT任务它跑了整整36分钟，期间多次卡顿。 大概率是DeepSeek并未针对Claude Code做更多适配导致的，属于工程层面的问题，而不只是模型能力本身的问题。但从用户体验角度来说，这个差异是实实在在存在的。 这轮测试： GPT 5.5 ≈ Claude Opus 4.8 ≈ MiniMax M3 DeepSeek V4 Pro。 实测总结 四轮任务跑下来，先看综合能力，再看成本。 能力上，Claude Opus 4.8是这次横评里综合实力最强的，稳如预期。 M3是最大的惊喜，整体水平大约在Opus 4.7和4.8之间，与Opus 4.8的差距比我预想的要小。 GPT 5.5表现不稳定，有时候在线，有时候掉链子，前端审美上的短板在编程场景里是一个贯穿始终的减分项。 DeepSeek V4 Pro整体能力不如其他三家，Agent长程任务的稳定性和代码生成质量都有差距。 成本这块，本期测评费用明细： • Claude Opus 4.8，接API测的，50美刀； • GPT 5.5，在Codex里用的，大约2美刀； • MiniMax M3，我订的Token Plan极速版，每月有12亿额度的M3 Token，这期用了约2000万token，折下来大约2 块钱； • DeepSeek V4 Pro，大量输入命中缓存，不到2元。 换算下来总计356元，而两款国产模型加起来不到总费用的零头。性价比这件事，真的越来越不好意思讨论了。 写在最后 模型到底行不行，很多时候只有真实用过才知道 ，benchmark数字只是参考，不是结论。 至少从这几轮Coding任务来看，Claude Opus 4.8的前沿地位还是稳的。 MiniMax M3也不差，大概是Opus 4.7的水准 ，很接近Opus 4.8了。 GPT 5.5可能在办公类任务上更有优势，但Coding层面的审美问题不是小问题，对于编程场景来说是一个明显的硬伤，而且这个问题不是靠调提示词就能解决的。 DeepSeek V4 Pro性价比依然很高，但这次测评也暴露了它在 Agent适配、长程稳定性 和 代码生成质量 上与另外三家的真实差距。差距不是追不上，但需要时间。 说实话，这轮测下来最让我兴奋的是前几天发布的M3。我没想到它能这么接近Opus 4.8。 1M上下文+原生多模态+Coding SOTA，配合Token Plan的定价 ，真的能做很多事情。 我是冷逸，你们的测评手替。如果你有想测的场景，欢迎在评论区甩出来，咱们互相抄作业。 如果觉得本期内容有用的话，欢迎三连支持，感谢。 我们下期见。 MiniMax M3： 这个任务的难点在于“长”——不只是单步执行，而是要求模型在跨越多个工具调用节点的情况下，始终保持上下文连贯、指令不漂移。这对模型的长程稳定性和工具协调能力要求很高。 先说PPT的完成度： GPT 5.5、Opus 4.8和M3都交付了质量不错的PPT，Claude每页带微动画，GPT 5.5有真实配图（应该是Codex的原因），M3的色彩搭配比较好看。DeepSeek V4 Pro在这一项差了明显一截，排版、配色和交互都不在同一个水平线上。 调研报告的内容质量： Opus 4.8、M3和GPT 5.5不相上下，DeepSeek V4 Pro垫底。 关于DeepSeek V4 Pro有一个独立的问题值得单说：它在Claude Code里跑得极慢，而且频繁中途停摆不再继续输出。这个PPT任务它跑了整整36分钟，期间多次卡顿。 大概率是DeepSeek并未针对Claude Code做更多适配导致的，属于工程层面的问题，而不只是模型能力本身的问题。但从用户体验角度来说，这个差异是实实在在存在的。 这轮测试： GPT 5.5 ≈ Claude Opus 4.8 ≈ MiniMax M3 DeepSeek V4 Pro。 实测总结 四轮任务跑下来，先看综合能力，再看成本。 能力上，Claude Opus 4.8是这次横评里综合实力最强的，稳如预期。 M3是最大的惊喜，整体水平大约在Opus 4.7和4.8之间，与Opus 4.8的差距比我预想的要小。 GPT 5.5表现不稳定，有时候在线，有时候掉链子，前端审美上的短板在编程场景里是一个贯穿始终的减分项。 DeepSeek V4 Pro整体能力不如其他三家，Agent长程任务的稳定性和代码生成质量都有差距。 成本这块，本期测评费用明细： • Claude Opus 4.8，接API测的，50美刀； • GPT 5.5，在Codex里用的，大约2美刀； • MiniMax M3，我订的Token Plan极速版，每月有12亿额度的M3 Token，这期用了约2000万token，折下来大约2 块钱； • DeepSeek V4 Pro，大量输入命中缓存，不到2元。 换算下来总计356元，而两款国产模型加起来不到总费用的零头。性价比这件事，真的越来越不好意思讨论了。 写在最后 模型到底行不行，很多时候只有真实用过才知道 ，benchmark数字只是参考，不是结论。 至少从这几轮Coding任务来看，Claude Opus 4.8的前沿地位还是稳的。 MiniMax M3也不差，大概是Opus 4.7的水准 ，很接近Opus 4.8了。 GPT 5.5可能在办公类任务上更有优势，但Coding层面的审美问题不是小问题，对于编程场景来说是一个明显的硬伤，而且这个问题不是靠调提示词就能解决的。 DeepSeek V4 Pro性价比依然很高，但这次测评也暴露了它在 Agent适配、长程稳定性 和 代码生成质量 上与另外三家的真实差距。差距不是追不上，但需要时间。 说实话，这轮测下来最让我兴奋的是前几天发布的M3。我没想到它能这么接近Opus 4.8。 1M上下文+原生多模态+Coding SOTA，配合Token Plan的定价 ，真的能做很多事情。 我是冷逸，你们的测评手替。如果你有想测的场景，欢迎在评论区甩出来，咱们互相抄作业。 如果觉得本期内容有用的话，欢迎三连支持，感谢。 我们下期见。 🔗 原文链接： https://mp.weixin.qq.com/s/45Ys2JBK... https://mp.weixin.qq.com/s/45Ys2JBK... 原创 冷逸 冷逸 沃垠AI2026年6月5日 19:09 四川 大家好，我是冷逸。 最近，模型圈的节奏又加快了。 Opus 4.8、GPT 5.5、Qwen3.7 Plus、MiniMax M3 ，四款重量级模型几乎同时登场，想认真跟一遍都很难。 昨天，我注意到一个榜单叫「Browse Code」，专门测LLM在真实浏览器环境里完成编程和网页自动化任务的成功率。 没想到，MiniMax M3在这个榜上从M2.7时期的倒数第二直接冲到了全球第五，和Claude 4.6 Sonnet、Gemini 3.5 Flash并排。 当然，一个榜单说明不了全部问题。所以我花了356元，把 Claude Opus 4.8、GPT 5.5、DeepSeek V4 Pro 和 MiniMax M3 这四个模型拉到一起，用同一套任务、同一条提示词、同一个评分标准，全部接API走Claude Code/Codex测了一遍。 覆盖了3D编程、视觉编程、游戏开发、Agent长程任务四大场景，横评结果如下。 一手横评 本次测评的原则是：变量归一，对比才有意义。 四个模型用同一份视觉素材、同一条提示词，分别接各家API在Claude Code / Codex里跑，最终从任务完成度和输出质量两个维度来评价，场景覆盖3D编程、视觉编程（网站开发）、游戏开发和Agent长程任务（Office三件套 + Coding）。 1）3D任务 先给模型看一张金门大桥的实景照片，然后让它根据桥体外观，用Three.js写一个3D交互网页。 这个任务的考验是三维的：第一，模型要有视觉理解能力，能从图片里提取出关键的结构特征；第二，要能把这些特征准确映射到三维空间的几何关系上；第三，Three.js代码质量要过关，别写出跑起来就崩的东西。 三项能力任缺一项，结果都会差很多。 Claude Opus 4.8： GPT 5.5： DeepSeek V4 Pro： MiniMax M3： 这个Case里，毋庸置疑表现最好的是Claude Opus 4.8，MiniMax M3紧随其后。 这两个模型都准确还原了金门大桥最标志性的一个物理细节：主缆从两侧塔顶向跨中垂下来的倒弧形外观。这说明它们不只是在描述一座桥，而是真正理解了悬索桥的结构原理，并能把这个理解翻译成三维几何。 GPT 5.5和DeepSeek V4 Pro则没有还原出这个特征，输出的桥体五花八门。 尤其是 GPT 5.5，它的编程审美怎么描述呢，有种浓眉大眼的感觉，就很粗糙 。后面几个Case，它的这个特征会一直持续。Claude和M3的视觉语言则完全相反，一看就很精致、高级，有明确的设计意识。 另外值得一提的是，DeepSeek的海洋流体动效设计得挺有意思，但天空出现了穿模问题，说明三维空间的碰撞逻辑还是处理得不够扎实。 这轮实测： Claude Opus 4.8 MiniMax M3 GPT 5.5 DeepSeek V4 Pro。 2）视觉编程（网站开发） 前几天给大家分享了“冷同学的院子”这个民宿概念，这次顺手让模型给它开发一个官网。 我的提示词故意没有给出具体的设计指令，只丢了民宿信息和素材包，让模型自己做判断——哪些素材该用、怎么排版、用什么设计语言。 这其实是在测两件事：一是视觉理解能力，模型能不能“看懂”图片、视频素材的内容和质量；二是设计决策能力，能不能根据品牌调性做出合理的创作取舍。 Claude Opus 4.8： （可上下滑动，查看全图） GPT 5.5： DeepSeek V4 Pro： MiniMax M3： No access 0bc3cmacgaaaseaflpjbtzvfae6demjqaiya.f10002 00:00 No access 0bc3cmacgaaaseaflpjbtzvfae6demjqaiya.f10002 00:00 这轮表现最好的是MiniMax M3。它确实“看懂”了我的素材和需求，一上来先给我梳理了开发计划。 然后定义出设计语言：大面积米白留白加克制几何为"冷"，羌红/赭金/暖木色为"热"，再把这两套视觉语言融在一起，做成"外冷内热"的调性表达。审美参考了了Aman侘寂、松赞在地文化和虹夕诺雅的克制感。 这就是视觉理解能力和设计品位带来的差距。只靠读文字提示词，是做不到这个程度的。 房型展示那一屏，M3用了左右交错的错位布局来呈现房型和价格，节奏感很好，看完真的有预订的冲动。 Opus 4.8也不赖，几处书法字体的运用尤其喜欢，素材选用也很克制，没有全部堆进去。 GPT 5.5继续它“浓眉大眼”的直男审美：大标题、方方正正的排版，完全没有灵活性，是真的很丑。 DeepSeek V4 Pro的审美比GPT 5.5耐看一点，但它缺乏视觉理解能力，所以根本不知道哪些图该用、用在哪里，索性把所有素材全堆进去，结果图文错乱，部分页面文不对题。这是能力上的硬限制，不是调整提示词能解决的问题。 这轮测试： MiniMax M3 Claude Opus 4.8 GPT 5.5 DeepSeek V4 Pro。 3）游戏开发 不知道大家在手机上玩过“抓大鹅”没？你可能没玩过，但你的另一半一定玩过。 这次我先跟AI沟通设计了一份PRD，再让模型根据PRD开发一款web端的抓大鹅游戏。 （可上下滑动，查看全图） 这个任务的考验点在于：模型能不能完整、准确地读懂设计文档里的功能描述，并把每一条需求准确地转化成可运行的代码，同时把游戏体验和视觉完成度都顾到。 Claude Opus 4.8： GPT 5.5： DeepSeek V4 Pro： MiniMax M3： 四个模型都把游戏开发出来了，核心功能都对，说明面对有明确PRD的开发任务，主流模型基本都能过关了。 有意义的差异集中在两点：一是前端审美，Claude依旧最耐看，DeepSeek和M3也还行，GPT 5.5最丑；二是细节完成度，PRD里有一项要求是“通关后奖励一只大鹅”，只有M3做到了，其他三个模型都漏掉了这个细节。 这轮测试： Claude Opus 4.8 ≈ MiniMax M3 DeepSeek V4 Pro GPT 5.5。 4）Agent长程任务 最后一个Case也是最复杂的：我们让各个模型用Claude Code / Codex做一个联网搜索 + word/PDF生成 + skill调用 + 网站开发的复杂长程任务。 Claude Opus 4.8： （可上下滑动，查看全图） GPT 5.5： DeepSeek V4 Pro：