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。