测试概览

测试日期：2026-06-06 ~ 2026-07-12（三轮测试，15个模型）

测试主题：AI Agent 对企业组织架构的影响

测试技能：mckinsey-presentation-generator（规范驱动型）

测试模型总数：15个（含3轮新增）

目录

• 原始分四维度明细
• 综合排名（含布局扣分）
• 修复后内容直观感受排名
• 扣分详情
• 第三轮新增模型测试（2026-07-12）
• 关键发现与结论
• 成本效率分析与最终推荐

一、原始分四维度明细（满分100）

评分维度：结构合规(25) + 设计规范(25) + 内容质量(25) + 代码质量(25)

模型	结构(25)	设计(25)	内容(25)	代码(25)	原始分
GPT-5.5	25	25	25	25	100
deepseek-v4-pro	25	25	23	25	98
MiniMax-M3	25	22	25	25	97
LongCat-2.0	25	19	25	25	94
kimi-k2.6	25	19	25	23	92
mimo-v2.5-pro	25	19	25	23	92
qwen3.6-plus	25	19	25	23	92
mimo-v2.5	25	19	25	21	90
deepseek-v4-flash	23	19	23	25	90
hy3-preview	20	19	25	10	74
qwen3.7-plus	20	19	25	10	74
doubao-seed-2-0-pro	20	19	25	10	74
qwen3.7-max	20	19	21	10	70

二、综合排名（含布局扣分）

注：第一轮测试时未要求键盘导航，因此所有模型不扣导航分，仅扣布局分。

#	模型	原始分	布局扣分	最终分	等级
1	GPT-5.5	100	-3	97	A+
2	deepseek-v4-pro	98	-7	91	A
3	MiniMax-M3	97	-10	87	B+
4	kimi-k2.6	92	-5	87	B+
4	mimo-v2.5-pro	92	-5	87	B+
6	LongCat-2.0	94	-9	85	B+
7	qwen3.6-plus	92	-10	82	B
8	deepseek-v4-flash	90	-10	80	B
9	mimo-v2.5	90	-15	75	B-
10	qwen3.7-plus	74	-5	69	C+
10	hy3-preview	74	-5	69	C+
12	doubao-seed-2-0-pro	74	-10	64	C
13	qwen3.7-max	70	-10	60	C

三、修复后内容直观感受排名

由老板根据修复后的最终交付物视觉效果给出。

#	模型	直观感受	技术评分
1	GPT-5.5	第1	97 (第1)
2	mimo-v2.5-pro	第2	87 (第4)
3	deepseek-v4-pro	第3	91 (第2)
4	qwen3.7-plus	第4	69 (第10)
5	hy3-preview	第5	69 (第10)
6	kimi-k2.6	第6	87 (第4)
7	LongCat-2.0	第7	85 (第6)
8	qwen3.7-max	第8	60 (第13)
9	MiniMax-M3	第9	87 (第3)
10	deepseek-v4-flash	第10	80 (第8)
11	mimo-v2.5	第11	75 (第9)
12	doubao-seed-2-0-pro	第12	64 (第12)

关键发现：技术分与直观感受经常背离。mimo-v2.5-pro 技术分仅87（第4），但直观感受排第2。deepseek-v4-pro 技术分91（第2），直观感受排第3。qwen3.7-plus 技术分仅69（第10），但直观感受排第4。MiniMax-M3 技术分87（第3）但视觉拥挤，直观仅排第9。

四、扣分详情（仅布局扣分）

模型	用户反馈	扣分
GPT-5.5	第3页标题部分显示遮挡	-3
kimi-k2.6	多页布局不整齐	-5
MiniMax-M3	全部挤在上半页	-10
mimo-v2.5-pro	部分上下不平衡	-5
mimo-v2.5	全黑背景+不整齐+scroll-snap	-15
qwen3.6-plus	多页右侧不整齐	-10
qwen3.7-plus	2页上下不平衡	-5
hy3-preview	卡片越界	-5
doubao-seed	多页文字重叠	-10
qwen3.7-max	多页上下不平衡	-10
deepseek-v4-pro	第3/4页显示重叠	-7
LongCat-2.0	第3页SVG图示混乱+多页布局不均衡	-9
deepseek-v4-flash	第2页图表截断+字体小+留白多	-10

五、第三轮新增模型测试（2026-07-12）

5.1 DeepSeek 全系”复活”

6月测试中，deepseek-v4-pro 和 deepseek-v4-flash 均无法完成规范驱动型任务（48分钟超时/F）。但7月12日第三轮测试中，两个模型均一次性成功，零语法错误。

5.2 deepseek-v4-pro (A / 91分)

• 耗时：10分24秒，产出86KB，17个SVG图表
• 色彩规范最严格：唯一严格做到每页最多2种强调色
• 键盘导航已实现，仅需微调
• 第3/4页显示有重叠，布局扣7分

5.3 LongCat-2.0 (B+ / 85分)

• 耗时：约12分钟，产出69KB，18个SVG图表
• 零语法错误，键盘导航完整支持
• 短板：第3页层级结构SVG图示混乱、多页布局不均衡

5.4 deepseek-v4-flash (B / 80分)

• 耗时：4分38秒，产出50KB，17个SVG图表
• 速度最快，性价比优秀
• 短板：第2页图表截断、字体小、留白多

5.5 mimo-v2.5 降级

全黑底(#000)主题违反规范，使用scroll-snap而非传统翻页。从87分降至75分（B-）。

六、关键发现与结论

6.1 GPT-5.5 仍是第1，但不再满分

第3页标题部分有显示遮挡（布局-3分），最终97分。仍是技术分最高的模型，但不再是零瑕疵。

6.2 视觉丰富度不等于技术合规

mimo-v2.5-pro 技术分仅87（第4），但直观感受排第2。qwen3.7-plus 技术分仅69（第10），但直观感受排第3。MiniMax-M3 技术分高(87，第3)但视觉拥挤，直观仅排第9。

6.3 DeepSeek 全系逆袭

从6月的”全系阵亡”到7月的”双杀逆袭”，deepseek-v4-pro 冲到技术分第2（91分）。

6.4 两套评估体系的启示

技术合规和视觉感受经常背离：mimo-v2.5-pro 技术分87但直观第2，qwen3.7-plus 技术69但直观第3。过于严格的”禁色”规则可能反噬视觉表现力。

七、成本效率分析与最终推荐

7.1 API 价格对比

模型	输入价格	输出价格	技术分	效率评级
GPT-5.5	5美元/百万token	30美元/百万token	97	高
mimo-v2.5-pro	3元/百万token	6元/百万token	87	高
LongCat-2.0	2元/百万token	8元/百万token	85	中
kimi-k2.6	6.5元/百万token	27元/百万token	87	中
deepseek-v4-pro	1元/百万token	2元/百万token	91	极高
deepseek-v4-flash	0.5元/百万token	1元/百万token	80	极高
qwen3.7-plus	2元/百万token	8元/百万token	69	低
hy3-preview	2元/百万token	8元/百万token	69	低

7.2 最终推荐

推荐一：预算充足 — GPT-5.5：技术97分最高，视觉第1，仅第3页标题有轻微遮挡。API价格较贵。

推荐二：性价比最优 — deepseek-v4-pro：技术分91（第2）、极低价格、无class滥用。

推荐三：速度最快 — deepseek-v4-flash：4分38秒完成，适合快速迭代。

不推荐：kimi-k2.6（价格太贵）、qwen3.7-plus/hy3-preview（class滥用）、doubao-seed（布局缺陷）、mimo-v2.5（全黑底违规）

结论：deepseek-v4-pro 仍是当前性价比最优解。日常使用优先考虑。预算充足选 GPT-5.5，需要速度选 flash。

更新：2026-07-12 修正综合排名顺序。LongCat-2.0(85分)从第3调整到第6，MiniMax-M3(87分)调整到第3。已同步更新所有交叉引用。取消键盘导航扣分。GPT-5.5 第3页标题遮挡扣3分(100→97)。直观排名：mimo-v2.5-pro 第2、deepseek-v4-pro 第3、qwen3.7-plus 第4。

考试：上海市某中学 2025 学年第二学期高二年级期末考试数学试卷

满分：150 分    考试时间：120 分钟    命题人：    审题人：

模型：xiaomi/mimo-v2.5    测试日期：2026 年 6 月 27 日

一、总分概览

Mimo-v2.5 模型在本次高二期末数学测试中（未经答案校准的原始作答）得分如下：

板块	得分	满分	得分率
填空题（1-12题）	40	54	74.1%
选择题（13-16题）	13	18	72.2%
简答题（17-21题）	65	78	83.3%
合计	118	150	78.7%

注：因 OCR 误读题目导致的失分为 14 分（#5、#21(1)、#21(2)），排除 OCR 因素后实际得分约 132 分（88.0%）。

二、各板块详细分析

2.1 填空题（54 分，得分 40 分）

题号	考点	标准答案	模型答案	结果	分值
1	抛物线准线	y=-1/2	y=-1/2	正确	4
2	正态分布	0.15	0.15	正确	4
3	导数几何意义	-1/2	-1/2	正确	4
4	线性回归	19	19	正确	4
5	二项式定理	180	252	错误(OCR)	4
6	圆的方程	4	4	正确	4
7	条件概率	0.6	0.6	正确	5
8	双曲线离心率	3	3	正确	5
9	计数原理	21	21	正确	5
10	圆锥曲线综合	3	0	错误	5
11	抛物线与梯形	20.25	42.00	错误	5
12	向量与曲线	[-1,0)	[-1,0)	正确	5

填空题正确率：9/12（75%）。主要失分集中在解析几何综合题（#10、#11）和 OCR 误读（#5）。

2.2 选择题（18 分，得分 13 分）

题号	考点	标准答案	模型答案	结果	分值
13	事件关系	B	B	正确	4
14	独立性检验	B	B	正确	4
15	曲线与面积	A	A	正确	5
16	函数集合M	D	A	错误	5

选择题正确率：3/4（75%）。#16 需要构造满足特定条件的函数，模型未能举出反例。

2.3 简答题（78 分，得分 65 分）

题号	考点	满分	估计得分	说明
17	圆柱中的线面关系与二面角	14	14	两问均正确
18	导数与切线、驻点	14	14	两问均正确
19	概率统计综合	14	14	三问均正确
20	椭圆与向量综合	18	15	第(3)问漏排除b=1
21	函数极值点与证明	18	8	第(1)(2)问因OCR误读失分

简答题正确率较高，#17-19 全对。#20 和 #21 因边界条件遗漏和 OCR 问题扣分。

三、错误分析

3.1 OCR 误读导致的失分（14 分）

题号	误读内容	正确内容	影响
#5	读成 (x/2+2/x)^10	实际为 (sqrt(x)+2/x^2)^10	常数项计算完全错误 -4分
#21(1)	读成 f(x)=lnx/x	实际为 f(x)=x/lnx	极小值点集合完全不同 -4分
#21(2)	读错 g(x) 表达式	g(x)=[ax^2-(3a+1)x+3a+2]e^x	导数因式分解不同 -6分

3.2 真实能力失分（18 分）

题号	失分	错误类型	分析
#10	-5	逻辑遗漏	仅考虑了双曲线与双曲线的情况，漏掉了椭圆与双曲线相交的3组解
#11	-5	计算错误	面积最小值函数分析有误，未正确建立目标函数
#16	-5	构造能力不足	未能构造出满足 M=[-1,2] 的具体函数，对集合M的理解不够深入
#20(3)	-3	边界条件遗漏	求出 b>sqrt(3)/3 后未排除 b=1（椭圆退化为圆）

四、模型优势

1. 基础概念扎实：抛物线、正态分布、导数几何意义、线性回归、二项式定理、圆的方程等基础题全部正确。

2. 概率统计能力突出：条件概率、独立性检验、超几何分布、方差计算等统计类题目全部正确。

3. 空间几何推理正确：圆柱中的线面平行证明、二面角计算均正确完成。

4. 导数应用熟练：切线方程、驻点分析、函数单调性判断等导数相关题目表现良好。

5. 简答题步骤清晰：解题过程逻辑严密，步骤完整，适合考试评分标准。

五、模型不足

1. 解析几何综合能力较弱：#10（圆锥曲线交点）和 #11（抛物线与梯形面积最值）均未能正确求解，反映出对多曲线综合问题的处理能力不足。

2. 函数构造与反例能力欠缺：#16 需要构造满足特定条件的函数，模型未能举出有效反例。

3. 边界条件敏感度不够：#20(3) 漏排除 b=1 导致椭圆退化为圆的情况。

4. OCR 抗干扰能力有限：对数学符号的识别存在偏差，导致简单题也失分。

六、本次试题考核知识点总结

本次高二期末数学试卷覆盖了高中数学的核心知识模块，具体考核知识点如下：

6.1 解析几何（约 35 分）

抛物线标准方程与准线（#1）、双曲线离心率（#8）、圆锥曲线交点与焦点性质（#10）、抛物线切线与梯形面积最值（#11）、椭圆离心率（#20(1)）、椭圆中的等腰三角形（#20(2)）、椭圆与向量的数量积（#20(3)）。

6.2 导数与函数（约 32 分）

导数的几何意义与切线斜率（#3）、函数切线方程（#18(1)）、函数驻点与参数范围（#18(2)）、函数极小值点集合（#21(1)）、含参函数的极值分析（#21(2)）、严格凸函数的性质证明（#21(3)）。

6.3 概率与统计（约 22 分）

正态分布与对称性（#2）、条件概率与全概率（#7）、独立性检验与卡方分布（#14）、方差计算与数据分析（#19(2)）、超几何分布与期望（#19(3)）。

6.4 计数与排列组合（约 9 分）

二项式定理与常数项（#5）、分类计数原理（#9）。

6.5 空间几何（约 14 分）

圆柱中的线面平行证明（#17(1)）、二面角的计算（#17(2)）。

6.6 集合与逻辑（约 5 分）

事件的互斥与独立（#13）、函数集合的构造与判断（#16）。

6.7 向量与坐标几何（约 10 分）

向量数量积的坐标运算（#12）、椭圆中的向量关系（#20(3)）。

整体而言，本次试卷难度适中，解析几何和导数综合题占比较高，对学生的综合运算能力和逻辑推理能力有较高要求。Mimo-v2.5 模型在基础题和中等题上表现稳定，但在解析几何综合和函数构造类题目上仍有提升空间。

七、试题处理方法与经验总结

7.1 标准处理流程

第一步：根据老师提供的 Word 版试题答案，在 WPS 中「开始」菜单 ->「选择」->「选择窗格」点击「全部隐藏」，隐藏掉全部答案，然后输出成 PDF 版试题。

第二步：把 PDF 版试题直接发到 OpenClaw Web 控制端，Agent 配置 Mimo-v2.5 模型，让 OpenClaw 直接做这套题。OpenClaw 会启动一个 long-running session，运行时间较长（本次约 13 分钟），期间会话无响应属正常现象。核心数据：做一套高二数学卷（21 题），Mimo-v2.5 花了 13 分钟，输出近 9 万 tokens。

第三步：批改成绩时，把老师的 Word 版答案转成 PDF 发给 OpenClaw，提示词中写明指令：这是老师给的这套试题的答案文件，用 pdfimages 提取 PDF 中的图片，再用 image 工具逐张识别内容，识别出答案，然后你自己对着批一下，看自己得了多少分。agent 会自动执行 pdfimages -> image 工具 -> 汇总结果的流程，整个过程不需要人工介入。

7.2 关键经验：PDF 解析方式的选择

问题背景：老师的 Word 版答案是通过「审阅」功能中的画笔（Ink 对象）添加的，实际是一批图片对象。转成 PDF 后，这些内容以图片形式嵌入，而非文字。OpenClaw 默认调用 pdftotext 工具解析 PDF，只能提取文字层，无法识别图片中的手写/画笔内容，导致「看不到答案」。

解决方案：在提示词中明确指令使用图片识别流程：

题目 PDF -> pdfimages 提取图片 -> image 工具逐张识别 -> 做题

答案 PDF -> pdfimages 提取图片 -> image 工具逐张识别 -> 批改

两步都走图片识别，公式、图形零损失。本质上就是把手动截图这个动作自动化了——程序截图比手动截 8 页快得多，而且不会遗漏。

7.3 本次测试的教训

本次测试中，题目 PDF 也是通过 pdftotext 解析的，导致数学公式被 OCR 乱码识别，直接造成 14 分的失分（#5、#21(1)、#21(2)）。如果在做题时就加上「用 pdfimages 提取图片，再用 image 工具逐张识别题目内容」的指令，这些 OCR 错误完全可以避免，得分可从 118 分提升至 132 分（88%）。

因此，以后处理数学等含公式的试题 PDF 时，务必在提示词中写明使用 pdfimages + image 工具的流程，确保公式和图形的准确识别。

 

一、测试指令

docs/试题分析/上海市某中学2025学年第二学期高二年级期末考试数学试卷.pdf , 题目 PDF -> pdfimages 提取图片 -> image 工具逐张识别 -> 做题 ， 这套题你做一下。

docs/试题分析/上海市某中学2025学年第二学期高二年级期末考试数学试卷答案.pdf 这是答案，答案 PDF -> pdfimages 提取图片 -> image 工具逐张识别 -> 批改 , 根据答案进行批改，计算你的得分。

 

一、测试概况

项目	内容
试卷	上海市某中学 2025 学年第二学期高二年级期末考试数学试卷
满分 / 时间	150 分 / 120 分钟
题型分布	填空题 12 题(54分) + 选择题 4 题(18分) + 简答题 5 题(78分)
测试模型	xiaomi/mimo-v2.5-pro
做题耗时	约 11-12 分钟
图片识别	pdftoppm 300dpi 提取 + image 工具逐页识别
原始得分	89 / 150（59.3%）
对比: mimo-v2.5	118 / 150（78.7%），排除 OCR 错误后 132/150（88.0%）

二、各板块得分

板块	得分	满分	得分率
填空题（1-12）	25	54	46.3%
选择题（13-16）	18	18	100%
简答题（17-21）	46	78	59.0%
总计	89	150	59.3%

三、逐题批改明细

3.1 填空题（第 1-6 题每题 4 分，第 7-12 题每题 5 分）

题号	我的答案	标准答案	结果	得分
1	y = -1/2	y = -1/2	正确	4
2	0.15	0.15	正确	4
3	-1/2	-1/2	正确	4
4	19	19	正确	4
5	180	180	正确	4
6	4*sqrt(2)	4	错误	0
7	0.5	0.6	错误	0
8	3	3	正确	5
9	18	21	错误	0
10	1	3	错误	0
11	未作答	126.49	错误	0
12	未作答	-1	错误	0

3.2 选择题（第 13-14 题每题 4 分，第 15-16 题每题 5 分）

题号	我的答案	标准答案	结果	得分
13	B	B	正确	4
14	B	B	正确	4
15	A	A	正确	5
16	D	D	正确	5

3.3 简答题

题号	我的答案	标准答案	结果	预估得分
17(1) 证明	中位线法	中位线法	正确	6/6
17(2) 二面角	90 度	arccos(sqrt(3)/3)	错误	2/8
18(1) 切线	y = x	y = x	正确	6/6
18(2) 取值范围	2 < a < 3	(2, 3)	正确	8/8
19(1) 概率	1/3	1/3	正确	3/3
19(2) 最高气温	14	18	错误	2/6
19(3) 期望	10/7	11/7	错误	2/5
20(1) b 值	sqrt(3)/2	sqrt(3)/2	正确	4/4
20(2) 面积	3	2*sqrt(2)	错误	2/6
20(3) 范围	sqrt(2)/4 < b < sqrt(70)/10	(sqrt(3)/3,1)U(1,+inf)	错误	2/8
21(1) 集合	{e}	{e}	正确	4/4
21(2) a 范围	a<0 或 0<a<1	a > 1	错误	2/6
21(3) 证明	有缺陷	完整证明	错误	3/8

四、错题分析

4.1 完全做错的题（失 36 分）

题号	错因分析
第 6 题	a^2 = 16, a > 0, 应得 a = 4, 多乘了 sqrt(2), 纯计算失误
第 7 题	条件概率理解错误, 第二次跑 5 圈的概率取决于第一次结果
第 9 题	课间 60 分钟已满足要求, 选 2 项运动只需 >= 60 分钟, 漏了 {B,C} 等组合
第 10 题	椭圆-双曲线组合有 3 对满足 m+n=8, 错误排除了所有组合
第 11 题	未作答 (抛物线切线 + 梯形面积优化)
第 12 题	未作答 (向量充要条件分析)
第 20(2) 题	验证的点 P(0,2) 不满足 MP=3, 正确答案 P(1/3, 4*sqrt(2)/3), 面积 2*sqrt(2)
第 20(3) 题	计算方向有误, 正确范围 (sqrt(3)/3, 1) U (1, +inf)
第 21(2) 题	g'(x) = (ax-1)(x-1)e^x, x=1 处由负变正需 a > 1, 符号分析反了

4.2 部分失分的题（失 15 分）

题号	错因分析
第 17(2) 题	坐标系建对但计算二面角时用错点坐标, cos(theta) = 1/sqrt(3), 非 0
第 19(2) 题	用了样本方差公式(除以 n-1), 应用总体方差(除以 n), 导致方程无整数解
第 19(3) 题	漏统计 4 月 5 日(温差 9 度), 导致期望算错
第 21(3) 题	证明思路对但不完整, 缺少切线下界的关键引理

五、与 mimo-v2.5 对比

对比项	mimo-v2.5	mimo-v2.5-pro
原始得分	118/150 (78.7%)	89/150 (59.3%)
排除 OCR 后	132/150 (88.0%)	89/150 (59.3%)
做题耗时	13 分 11 秒	约 11-12 分钟
输出 tokens	89,456	约 19,000
填空题得分	较高	25/54 (46.3%)
选择题得分	较高	18/18 (100%)
简答题得分	较高	46/78 (59.0%)
OCR 优势	有 OCR 误读(-14分)	图片识别准确
核心短板	OCR 公式识别	计算准确性和复杂推理

六、核心教训

1. 基本不等式和简单计算要验算 — 第 6 题 a=4 这种低级错误不该丢分。

2. 条件概率要画树状图 — 第 7 题画图就不会搞混条件概率关系。

3. 计数问题要系统枚举 — 第 9 题漏了组合, 应用排列组合公式而非凭感觉。

4. 圆锥曲线交点要代入验证 — 第 10 题过早下结论无解, 实际椭圆-双曲线确实有交点。

5. 方差公式要分清总体和样本 — 第 19 题高中数学一般用总体方差(除以 n)。

6. 函数导数的符号分析要画数轴穿根 — 第 21(2) 题画图就不会搞反符号。

7. 更大模型不等于更强数学能力 — mimo-v2.5-pro 在计算准确性上反而不如 mimo-v2.5。

七、结论

mimo-v2.5-pro 在本次测试中得分 89/150（59.3%），显著低于 mimo-v2.5 的 118/150（78.7%）。尽管在图片识别环节消除了 OCR 误差（mimo-v2.5 因 OCR 错误损失 14 分），但在数学推理和计算准确性上存在明显短板：填空题得分率仅 46.3%，多道计算题出现低级错误（如 a^2=16 算出 a=4*sqrt(2)），函数导数符号分析出现方向性错误。选择题表现完美（18/18），说明概念理解能力尚可，但执行精度不足。核心结论：pro 版本在数学推理上并无优势，甚至在简单计算上更容易想多了而翻车。

测试日期: 2026-06-06 ~ 2026-06-07
测试主题: AI Agent 对企业组织架构的影响
测试技能: mckinsey-presentation-generator（规范驱动型）
评分维度: 结构(25) + 设计(25) + 内容(25) + 代码(25) = 100分
扣分规则: 仅扣用户明确报告的问题

Agent: Openclaw

目录

一、原始分四维度明细

二、综合排名（含扣分）

三、修复后内容直观感受排名

四、扣分详情

五、关键发现与结论

一、原始分四维度明细（满分100）

评分维度：结构合规(25) + 设计规范(25) + 内容质量(25) + 代码质量(25)

模型	结构(25)	设计(25)	内容(25)	代码(25)	原始分
GPT-5.5	25	25	25	25	100
MiniMax-M3	25	22	25	25	97
kimi-k2.6	25	19	25	23	92
mimo-v2.5-pro	25	19	25	23	92
qwen3.6-plus	25	19	25	23	92
mimo-v2.5	25	19	25	21	90
hy3-preview	20	19	25	10	74
qwen3.7-plus	20	19	25	10	74
doubao-seed-2-0-pro	20	19	25	10	74
qwen3.7-max	20	19	21	10	70

维度说明

• 结构合规(25)：DOCTYPE、viewport、960×540、响应式缩放、header bar颜色

• 设计规范(25)：border-radius=0、强调色≤2、无生成图片、字体规范

• 内容质量(25)：来源引用数量、内容多样性(表格/SVG/列表/段落)、图表数量

• 代码质量(25)：class滥用程度、SVG圆角、响应式支持、内联CSS

二、综合排名（含扣分）

#	模型	原始分	导航扣分	布局扣分	最终分	等级
1	GPT-5.5	100	-5	0	95	A+
2	kimi-k2.6	92	-5	-5	82	B+
2	MiniMax-M3	97	-5	-10	82	B+
2	mimo-v2.5-pro	92	-5	-5	82	B+
5	qwen3.6-plus	92	-5	-10	77	C+
5	mimo-v2.5	90	-3	-10	77	C+
7	qwen3.7-plus	74	0	-5	69	C+
7	hy3-preview	74	0	-5	69	C+
9	doubao-seed-2-0-pro	74	0	-10	64	C
10	qwen3.7-max	70	0	-10	60	C
–	deepseek-v4-pro	–	–	–	F	F
–	deepseek-v4-flash	–	–	–	F	F

三、修复后内容直观感受排名

由老板根据修复后的最终交付物视觉效果给出。

#	模型	直观感受	技术评分
1	GPT-5.5	第1	95 (第1)
2	qwen3.7-plus	第2	69 (第7)
3	hy3-preview	第3	69 (第7)
4	kimi-k2.6	第4	82 (第2)
5	mimo-v2.5-pro	第5	82 (第2)
6	qwen3.7-max	第6	60 (第10)
7	MiniMax-M3	第7	82 (第2)
8	mimo-v2.5	第8	77 (第5)
9	doubao-seed-2-0-pro	第9	64 (第9)

关键发现：qwen3.7-plus 技术分仅69（第7），但直观感受排第2。阴影+卡片创造了视觉层次感。视觉丰富度 ≠ 技术合规。

但是直观感受好没法掩盖生成的代码质量问题：

具体情况：

第一梯队：GPT-5.5, MiniMax-M3, mimo-v2.5-pro, kimi-k2.6, qwen3.6-plus, mimo-v2.5

• 全部通过结构合规检查
• 全部支持响应式缩放
• 内容质量优秀（8-10个来源引用）
• 代码质量高（class ≤23）
• 主要差异：强调色控制（GPT-5.5仅3种 vs 其他6-13种）

第二梯队：qwen3.7-plus, doubao-seed, hy3-preview, qwen3.7-max

• 缺少响应式缩放脚本
• class属性严重滥用（138-399个）
• 强调色失控（6-22种）
• 代码质量显著低于第一梯队

四、扣分详情

4.1 键盘导航扣分

模型	用户反馈	扣分
GPT-5.5	对键盘没反应	-5
kimi-k2.6	用户确认导航有问题	-5
MiniMax-M3	用户确认导航有问题	-5
mimo-v2.5-pro	向下键黑屏	-5
mimo-v2.5	导航不完整	-3
qwen3.6-plus	用户确认导航有问题	-5
其他4个	不扣分	0

4.2 布局扣分

模型	用户反馈	扣分
GPT-5.5	无	0
kimi-k2.6	多页布局不整齐	-5
MiniMax-M3	全部挤在上半页	-10
mimo-v2.5-pro	部分上下不平衡	-5
mimo-v2.5	全黑背景+不整齐	-10
qwen3.6-plus	多页右侧不整齐	-10
qwen3.7-plus	2页上下不平衡	-5
hy3-preview	卡片越界	-5
doubao-seed	多页文字重叠	-10
qwen3.7-max	多页上下不平衡	-10

五、关键发现与结论

5.1 GPT-5.5 是唯一无可挑剔的模型

技术评分满分100，直观感受也排第1。内容质量、布局结构、设计规范全部达标，唯一扣分是键盘导航未绑定（-5分），最终95分遥遥领先。

5.2 视觉丰富度 ≠ 技术合规

qwen3.7-plus 技术分仅69（第7），但直观感受排第2。原因：阴影+卡片创造了视觉层次感，打破了 McKinsey 技能的「扁平」限制。说明技能规范可能过于严格，实际用户更喜欢有层次感的设计。

5.3 布局是最影响观感的因素

MiniMax-M3 原始分97（第2），但布局全部挤在上半页扣10分后降到82。doubao-seed 文字重叠直接从74降到64。布局缺陷比导航缺失更影响用户观感。

5.4 DeepSeek 全系阵亡

deepseek-v4-pro 和 deepseek-v4-flash 均无法完成规范驱动型任务，运行48分钟后超时。规范驱动型技能对 DeepSeek 模型能力不足。

六、成本效率分析与最终推荐

6.1 API 价格对比

模型	输入价格	输出价格	技术分	class属性数	效率评级
GPT-5.5	5美元/百万token	30美元/百万token	95	10	高
mimo-v2.5-pro	3元/百万token	6元/百万token	82	20	高
kimi-k2.6	6.5元/百万token	27元/百万token	82	20	中
qwen3.7-plus	2元/百万token	8元/百万token	69	240	低
hy3-preview	2元/百万token	8元/百万token	69	399	低

6.2 class 滥用对实际成本的影响

qwen3.7-plus（240个class）和 hy3-preview（399个class）的 class 滥用意味着：

• 同样的页面内容，生成更多冗余 HTML 标签 → 实际输出 token 消耗远超标价

• mimo-v2.5-pro 仅 20 个 class，代码精简高效，实际 token 消耗接近标价

• class 滥用的模型，实际输出成本可能比标价高 30%~50%

6.3 最终推荐

推荐一：预算充足 → GPT-5.5

• 技术评分 95（满分100），直观感受排第1，技术和视觉双冠王

• 唯一零布局缺陷的模型，内容质量无可挑剔

• 缺点：API 价格较贵，性价比不高，整体成本大约是mimo-v2.5-pro 15 倍以上

• 适用场景：对质量要求极高、预算不受限的场景

推荐二：性价比最优 → mimo-v2.5-pro

• 技术分 82，与 kimi-k2.6 同分，但价格仅为其 1/4

• 输出单价最低（6元/百万token），无 class 滥用，代码精简高效

• 同样的内容，token 消耗比 qwen3.7-plus 和 hy3-preview 低 30%~50%

• 适用场景：日常生产环境、高频调用、成本敏感型项目

不推荐

• kimi-k2.6：输出 27元/百万token，是 mimo-v2.5-pro 的 4.5 倍，性价比极差

• qwen3.7-plus / hy3-preview：输入便宜但 class 滥用严重，实际输出成本膨胀

• doubao-seed-2-0-pro：多页文字重叠，布局缺陷最严重

• DeepSeek 全系：无法完成规范驱动型任务

结论：mimo-v2.5-pro 是性价比最优解——技术分82、输出单价最低、无class滥用、代码效率最高。日常使用优先考虑。

附：测试产出物：

GPT-5.5：

Mimo-v2.5-pro:

qwen3.7-plus:

hy3-preview:

Kimi-K2.6:

Minimax-M3:

Qwen3.7-max:

Mimo-v2.5:

doubao-seed-2.0-pro:

提示词：

请你作为专业PPT设计师，使用pptx-generator生成高质量PPT。

设计原则

• 极简商务风、高级低饱和度配色、留白充足、层级清晰；
• 每页只讲一个核心观点，避免文字堆砌
• 自动搭配适配图标、版式分栏合理，字体层级分明；
• 文案精炼短句化，不用大段段落，适合演讲汇报；
• 统一全套配色、字体、版式，全程风格统一；
• 适当用流程图、逻辑图、对比版式，不用花哨动画和特效；
• 尽可能用卡片替代表格
• 输出16:9比例的PPT文件

视觉风格：科技深蓝风

• 背景色：#0A192F → #112244（深蓝渐变）
• 标题文字：#FFFFFF（纯白）
• 正文文字：#CCD6F6（浅灰）
• 强调色：#64FFDA（青绿色）

卡片设计规范（适用于两种风格）

• 形状：必须使用 ROUNDED\_RECTANGLE（确保所有PowerPoint版本正常显示圆角）
• 圆角半径：统一 rectRadius=0.1
• 卡片尽可能带阴影效果

图标设计规范

• 尽可能用彩色图标
• 彩色图标配色：警告用#FF6B6B（浅红），优势用#64FFDA（青绿），强调用#64FFDA（青绿）
• 对比度要求：图标颜色必须与背景形成强烈对比（WCAG AA标准以上）
• 实现方式：优先使用SVG图标（需安装react-icons/react/react-dom/sharp），确保转为PNG base64嵌入
• 尺寸要求：SVG图标256px+保证清晰度

技术约束

• 使用 PptxGenJS 的 ROUNDED\_RECTANGLE 形状而非 RECTANGLE
• 所有视觉元素必须遵循统一的设计规范
• 避免花哨动画和特效，专注静态视觉传达
• 确保文件兼容性，能在各种PowerPoint版本中正常显示

主题：【当前阶段-企业IT架构不应盲目追“AI原生”，成熟PaaS才是稳健之选】
受众：职场领导/商务客户
用途：正式工作汇报

目录页

1. 警惕：AI原生架构的“美丽陷阱”
2. 成熟PaaS的核心价值：稳定、合规、可扩展
3. 场景化选择：哪些业务该用PaaS，哪些可试AI原生？
4. 结论：回归业务本质，拒绝技术冒进

第1部分：警惕AI原生架构的“美丽陷阱”（3-4页）

页1：AI原生的核心宣传vs现实差距
宣传口号 现实痛点（以金融行业为例）
“6个MD文件定义完整业务” 基金风控规则含300+条监管条款、动态阈值，MD无法覆盖边缘场景（如极端行情下的熔断逻辑）
“1天上线替代3-6个月实施” 忽略数据迁移、权限配置、合规审计等环节，某基金公司试水AI原生投教系统，因敏感词漏检被监管警示
“无平台、无依赖” 依赖特定大模型API，某创业公司因厂商涨价被迫重构系统，损失2个月业务时间
“一人顶一公司” 量化策略开发需数据工程师+研究员+合规岗协作，AI无法替代领域知识，错误决策可能导致投资损失

页2：AI原生的隐性风险清单
• 安全风险：大模型推理过程临时缓存敏感数据（如高净值客户持仓），合规审计无法追溯
• 维护黑洞：业务扩张后MD文件膨胀至数百个，无版本控制、无单元测试，改一处错一片
• 成长瓶颈：缺乏细粒度权限、高并发支持，某电商公司用AI原生做订单系统，大促时宕机3小时
• 成本失控风险：AI 原生流程每一步执行均消耗 Token，全链路大模型调用，长期运行与算力成本居高不下

第2部分：成熟PaaS的核心价值（3-4页）

页1：PaaS是什么？——企业IT的“成熟工具箱”
定义：PaaS（平台即服务）是经过千家企业验证的预封装平台，提供数据库、中间件、开发工具、合规组件等标准化能力，企业只需关注业务逻辑，无需从零造轮子。
核心优势（对比AI原生）：
✅ 稳定性：99.99% SLA保障，金融级容灾设计
✅ 合规性：内置等保、监管规则（如基金销售适当性校验），开箱即用
✅ 生态完善：无缝集成ERP、CRM、交易系统等现有工具
✅ 技术支持：厂商提供7×24小时运维、安全补丁、升级服务

页2：PaaS如何解决企业核心痛点（以基金公司为例）
核心需求 PaaS解决方案 AI原生能否满足？
监管合规（如《证券期货投资者适当性管理办法》） 内置合规规则引擎，自动校验客户风险等级与产品匹配度 ❌ 需人工编码补漏，易出错
数据安全（客户持仓、交易记录加密） 提供国密加密、访问审计、数据脱敏等安全组件 ❌ 大模型黑盒无法保证数据不泄露
系统集成（对接交易所行情、内部风控系统） 标准化API网关，支持快速对接第三方系统 ❌ 需定制适配层，增加复杂度
高并发支持（量化交易峰值每秒万级请求） 弹性扩容、分布式缓存，保障低延迟 ❌ 大模型推理延迟高，易卡顿

第3部分：场景化选择——拒绝一刀切（2-3页）

页1：哪些业务适合用AI原生？（边缘场景）
适用场景：低风险、非核心、快速迭代的边缘业务
• 内部工具：员工知识库、报销审批助手
• 轻量应用：活动页搭建、简单问卷系统
• 创新试点：小范围测试的AI投教小游戏
原则：坏了不影响核心业务，重构成本低

页2：哪些业务必须用成熟PaaS？（核心场景）
适用场景：高风险、强合规、支撑业务运转的核心系统
• 金融行业：核心交易系统、风控合规平台、客户账户系统
• 制造业：供应链管理系统、生产调度系统
• 零售行业：订单履约系统、会员权益系统
原则：稳定>速度，合规>创新，可扩展>低成本

第4部分：结论与行动建议（1-2页）

页1：结论——回归业务本质，拒绝技术冒进
• AI原生是轻量级工具，适合边缘场景提效，不是企业IT的“终局”
• 成熟PaaS是经过验证的基石，能保障核心业务的稳定、合规、可扩展
• 企业IT架构的正确路径：核心业务用PaaS打底，边缘场景用AI原生探索

页2：行动建议（以基金公司为例）

1. 短期：核心系统（交易、风控、合规）继续基于现有PaaS平台迭代，暂不替换
2. 中期：用AI原生架构搭建内部投教知识库、研究员辅助工具等非核心应用，积累经验
3. 长期：评估AI原生与PaaS的融合方案（如PaaS集成大模型能力），而非彻底颠覆现有架构

封底页
主标题：稳健，才是企业IT的第一优先级
副标题：选择成熟PaaS平台，为业务增长筑牢底座

===================================================

===================================================

本场景应用中各模型整体评价：

claude-opus-4.7 > gpt-5.5> MiniMax-M3 > qwen3.6-plus> glm-5.1 > kimi-k2.6 > qwen3.5-plus > glm-5 > hy3-preview > longcat-2.0 > claude-sonnet-4.6 >
mimo-v2.5-pro >
mimo-v2.5 > minimax-2.7 > claude-Haiku-4.5 > deepseek-v4-pro > deepseek-v4-flash > qwen3.7-max
(这个版本明显翻车了） > doubao-seed-2-0-pro >qwen3.7-plus(这个版本明显翻车了）

1、claude-opus-4.7 (实现了卡片阴影,几乎没什么瑕疵，可以直接用）

2、GPT-5.5（第4页的文字有点越界文本框，其他页没什么问题，可以直接用， 没实现卡片阴影， 整体感官比M3好一点点）

3、minimax-M3 (只有第14页有排版问题，其他页都没问题，可以直接用，没实现卡片阴影，整体效果比 qwen3.6-plus 要好一些 ）

4、qwen3.6-plus(实现了卡片阴影,有排版问题，第一个目录页跟另外3个目录页风格不一致，10-11页有文字轻微重叠，其他没问题，改动较少就可以直接用 ，可以用 )

5、glm-5.1(实现了卡片阴影，整体美观程度最好，有3页的图标稍微改一改，第12页目录页的椭圆要改成跟其他目录页一样的圆，第13页的排版要稍微改下，11-15页的页码太挤了要改，可以用）

6、kimi-k2.6 （未实现卡片阴影，4张目录页要把方块去掉，第13页排版要调整下，其他没啥问题，可以用）

7、qwen3.5-plus(实现了卡片阴影,有排版问题，2-4页的页码图标超出边界，第2页的卡片超出边界，第4页卡片方块与圆角重叠不美观，第10-11页卡片存在对齐问题，第14页不美观 )

8、glm-5 （实现了卡片阴影，第14页太花了要改，4张目录页要去掉左边方块并调整布局，第4页内置卡片背景颜色不协调，2张内容页面的字体颜色要改才能用）

9、 hy3-preview 腾讯混元3 preview(未实现卡片阴影，第4页图标黑色且单一，第10页图标黑色，其他没问题，整体偏简洁风格）

9.5、longcat-2.0: 卡片阴影实现了，第5，7,10页图标位置有偏移，颜色有问题。第10也部分文字颜色有问题，第14也排版有重叠问题，图标颜色有问题，第15也有背景图溢出问题，部分文字颜色有问题。

10、claude-sonnet-4.6(实现了卡片阴影, 第1页左边和上边的颜色边条不协调，第三页目录页的配色跟其他3个目录页没有保持一致性、第13页排版不协调、第1,14页出现图形越界，第5,7,12页出现黑色图标，不协调）

11、 mimo-v2.5-pro (实现了卡片阴影, 有排版问题，首尾页有两个背景方框超出边界，第2、5、8 页的卡片超出边界，第10-11页图标是空的 )

12、 mimo-v2.5(实现了卡片阴影, 有排版问题，首尾页有两个背景圆圈超出边界，4个目录页的背景圆圈超出边界，第6,12页的目录序号位置偏了，第11页的图标是黑色的不好看 )

13、minimax-2.7（实现了卡片阴影，有字体颜色问题和排版问题，目录页设计不正常，要改的页数比较多）

14、claude-Haiku-4.5(未实现卡片阴影，每页在左上方放一条竖线不协调、第一页上面放条横线不协调、第3页排版不整齐切拥挤、第4页没有图标只是纯色圆圈、第5页没用卡片，第6页、7页出现非圆角卡片、第9页圆圈图标越界，整体看起来比较业余）

15、deepseek-v4-pro(实现了卡片阴影，有字体颜色问题和图标颜色问题，目录页设计不正常，要改的页数比较多)

16、deepseek-v4-flash(未实现卡片阴影，有明显的排版问题：第1页和第3页出现文字排版拥挤在一起，第9页圆形图案超出边界，要改的页数比较多）

17、qwen3.7-max(实现了卡片阴影,有排版问题，第1、3、9、12、15 有背景圆圈越界，第4、13页文字有重叠，图标问题：第5、7、10、11 图标是空的，相比于qwen3.6-plus 退步明显，甚至也不如qwen3.5-plus, 不如DeepSeek-v4-flash )

18、doubao-seed-2-0-pro(未实现卡片阴影，有明显排版问题：第5-6页太拥挤，第7-8页不整齐，有图标问题：第7-9页的图标是黑色的，极不协调，第10页配色太花了，整体看起来很业余）

19、qwen3.7-plus(未实现卡片阴影,有排版问题，第10、11页文字有重叠，四个目录页未按要求用深色背景，实际用了白色背景，图标问题：第5、10、11 图标黑色，卡片问题：没有地方用了卡片，相比于qwen3.6-plus 退步明显，甚至也不如qwen3.5-plus, 不如Deepseek-ve-flash，不如doubao,整体看起来非常业余 )

备注：
1、Claude的几个模型是其他同事用Claude CoWork测试的，其他都是在openclaw中测试的。 kimi 和 minimax 来源于阿里云中转的原厂商的模型服务、doubao来源于火山引擎的模型服务、DeepSeek来源于原厂商的模型服务，其他都来源于阿里云上的模型服务。

2、阿里云上的模型服务价格，qwen3.6-plus 比glm-5.1便宜一半以上，但glm-5.1缓存命中率高、qwen3.6-plus的缓存命中率极低，导致时间成本glm-5.1更低（大概一个这样的PPT 5元人民币）

3、后续新增模型测试时间：
hy3-prevew: 2026/05/31

MiniMax-M3:2026/06/01

qwen3.7-plus:2026/06/02

qwen3.7-max:2026/06/02

GPT-5.5：2026/06/04

longcat-2.0:2027/07/07

注意：以下文件下载后是个zip文件，改名为企业IT架构选型指南.pptx再打开可查看。

题外话：

1、小米模型在2026-05-27宣布永久大幅降价后，分别用mimo-v2.5、mimo-v2.5-pro、glm-5、qwen3.5-plus 测试了写Word文档，基于blue-word-skill 技能写蓝色科技风格的Word报告文档，测试结果：都可以很好的完成指定格式的Word文档，但mimo-v2.5 和 mimo-v2.5-pro 这两个模型在写Word文档场景下的通畅程度比glm-5 和qwen3.5-plus 都要好, 在这个测试场景中glm-5反而表现是最差的，错误率高，有时遇到较长的文档，比如30K以上的，还会出现卡住的情况。（备注：blue-word-skill 技能地址：https://github.com/syfvb/openclaw-skills/tree/main/blue-word-report）

附：

mimo-v2.5基于blue-Word-SKILL生成的Word文档：

2、WPS 的PPT生成能力也比原来大幅进步了