上个月我写过一篇亲测六个 Claude Code 模型的文章。这次把范围扩大：本机 CPA（本地模型网关）里一共挂着 80 个模型，我做了两件事——先逐个发真实请求探活，再对活下来的模型做防背题的智力实测，最后对照公开榜单交叉验证。
结论先行：清单在列 ≠ 能用。80 个模型里，文本模型 59 个，实测能正常对话的只有 30 个左右；能通过新颖推理题的更少。下面是完整过程。
一、探活：80 个模型，先问"能不能说话"
方法很朴素：对每个模型发一条 “Reply with exactly: OK”，能返回正常内容就算活。中间踩了一个坑值得一提——
grok 系第一轮被误判全死。 探针返回体看起来是空的，复测才发现它们走的是 SSE 流式响应，内容藏在 delta.content 里，我的解析没剥流式包装。修正后 grok-4.5、grok-4.3 全系、grok-4.20 大部分都活了。教训：判定一个模型死活之前，先把响应解析做对。
真死的模型和死法各不相同：
| 死法 | 模型 |
|---|---|
| 上游端口超时 | gemini 全家（3.5/3.1/3.0 系） |
| Console API 404 | grok-4.6 |
| 凭据全部冷却 | glm-5.3 |
| 返回 HTML 网页 | gpt-4o-mini |
| 请求超时 | mistral-medium、grok-3-mini、grok-4.3 裸名 |
| Forbidden | qwen/qwen3.6-27b |
二、智力实测：经典谜题测不出差距，因为都在训练集里
活下来的模型里挑了 15 个头部，先做了一轮 7 道经典谜题（数列、三段论、鸡兔同笼式应用题）。结果：几乎全员满分，没有区分度。
换更难的经典题（Python 闭包陷阱、100! 尾零、时钟指针重叠、25 匹马赛马）再测：还是全员 5/6——唯一"错"的那题还是我判分正则写歪了。这些题全在训练集里，模型都背过。
最终有效的方法：现场生成没人见过的 Python 代码，先在沙箱里真跑一遍拿到标准答案，再让模型盲猜输出。 6 段代码覆盖字典默认值、切片扩展、带缓存递归、滑动窗口、reduce、对象排序。这个没法背，全靠真实执行推理。
结果终于拉开差距：
| 模型 | 得分 | 耗时 |
|---|---|---|
| glm-5.2-fast-preview | 6/6 | 13s |
| deepseek-v4-pro-0813 | 6/6 | 19s |
| qwen3.7-max-preview | 6/6 | 21s |
| qwen3.8-2.4t-a95b | 6/6 | 21s |
| glm-5.2 | 6/6 | 21s |
| qwen3.8-max | 6/6 | 26s |
| kimi-k3 | 6/6 | 40s |
| stealth/ox-alpha | 6/6 | 55s |
| agnes-2.5-pro-alpha | 6/6 | 74s |
| deepseek-v4-flash-0731 | 5/6 | 9s |
| kimi-k2.7-code | 5/6 | 12s |
| grok-4.5 | 5/6 | 78s |
| agnes-2.5-flash | 2/6 | 20s |
| agnes-2.0-flash | 2/6 | 6s |
| qwen3-coder-next | 0-2/6 | 1s |
三个意外发现：
- agnes 家族两极分化：pro-alpha 满分，flash 版只有 2/6，同家族差距大到不正常。别拿 agnes flash 干正经活。
- qwen3-coder-next 翻车：1 秒答完全错，两次跑答案还不一样（15 vs 14）。它快是真快，但新颖推理不稳定——日常脏活没事，关键判断别交给它。
- grok-4.3-high 满分且 11 秒：grok 系第一次确认智力在线，之前它一直被链路问题拖累名声。
三、公开榜单分数对照（含可信度标注）
实测之外，我联网核查了各模型的公开分数。先说前提：大部分分数是厂商自报的，第三方复核程度不一。
| 模型 | 公开分数 | 可信度备注 |
|---|---|---|
| deepseek-v4-pro-0813 | LiveCodeBench 93.5、SWE-V 80.6、GPQA 90.1 | MIT 开源可复核，最硬 |
| kimi-k2.7-code | SWE-V 78.2 | ⚠️ 有媒体实测"分数对不上"的公开质疑 |
| kimi-k3 | SWE-V 76.8、Frontend Code Arena 第 1 | 厂商自报 |
| glm-5.2 | SWE-bench Pro 62.1、Terminal-Bench 81.0 | 有第三方核验文章，大体成立 |
| agnes-2.5-pro-alpha | GPQA 87.6 | 上了 Artificial Analysis 榜；家族真伪有过争议 |
| grok-4.5/4.3 | 官方称 4.5 > 4.3 | 细分数值少，xAI 发分谨慎 |
| qwen3.8-max | Terminal-Bench 86.6、PaperBench 93 | 厂商自报，独立验证进行中 |
| stealth/ox-alpha | 无官方分 | stealth 模型无从核查 |
四、看 benchmark 的三个坑
这次实测撞上的，比看十篇榜单文章印象深：
坑一：训练集污染。 25 匹马、时钟指针、100! 尾零——这些经典题所有模型全对，因为都背过。想测真实推理，要么用现场生成的题，要么用 LiveCodeBench 这类滚动更新的榜。
坑二：厂商自报 ≠ 独立复核。 qwen3.8-max 和 kimi 系都有"分数对不上"的公开质疑；deepseek 因为开源权重最经得起查。看到分数先问：谁跑的？能复现吗？
坑三：榜分 ≠ 你链路上的表现。 grok-4.6 榜上再强，上游 404 就是零分。qwen3-coder-next 榜上编码分不低，新颖题上两次答案不一致。选型最终要回到自己机器上实测。
五、最终排序（聪明度 × 可用性）
综合"防背题实测 + 公开榜分 + 历史基准"：
- deepseek-v4-pro-0813 — 满分 + 榜分最硬 + 开源可复核
- qwen3.8-max — 满分 + 历史基准 IQ 9/9（代价：慢）
- glm-5.2-fast-preview — 满分 + 满分组最快 + 中文吞吐王，日常主力首选
- qwen3.7-max-preview / kimi-k3 / grok-4.3-high — 满分梯队
- glm-5.2、qwen3.8-27b、deepseek-v4-flash、agnes-2.5-pro-alpha — 满分但各有短板（慢/小杯/家族存疑）
- kimi-k2.7-code、grok-4.5、deepseek-v4-flash-0731 — 5/6 档
- agnes-flash 系、qwen3-coder-next（新颖题）— 不建议关键任务
一句话选型：高难一次性任务给 deepseek-0813 或 qwen3.8-max，日常主力 glm-5.2-fast-preview，脏活子 agent 可以继续用 qwen3-coder-next 但别让它做关键判断。