前情提要

因为做了个「📦豆腐」 https://www.v2ex.com/t/1199643 ，不可避免的需要做各个「主流」模型的适配。

因此买了一堆 Coding Plan 的会员，以及给平台充了 Token 费用。

友情提示

本测评仅对「📦豆腐」 0.0.3 版本有效，不代表相关模型的实际表现。

也不构成任何购买建议。

本次模型以及购买渠道

• Claude Opus 4.6 (Claude 官网 Max 订阅)
• OpenAI GPT-5.4 （ OpenAI 官网 ChatGPT Plus 订阅）
• Kimi K2.5 (月之暗面官网)
• 小米 Mimo-V2-Pro (小米 MiMo 官网)
• GLM-5 (z.ai Pro 订阅)
• Qwen3.5-Plus-2026-02-15 (阿里云)
• Minimax M2.7 Highspeed (Minimaxi Token Plan Max)
• 豆包 doubao-seed-2.0-pro (火山引擎 Coding Plan Pro)

测评流程

1. 简单 prompt ，查看具体 Token 花费和实际成果
2. 复杂 prompt 查看生成结果，并在实现的基础上，尽量一次说一个问题，看看能够调出基本实现功能的成品需要说多少次，花费如何

第一项-简单 Prompt

Prompt

做一个翻页时钟

图像结果

Token 和时间耗费

1. Claude Opus 4.6：Token 58809+4089 ，时间 1 分 20 秒
2. OpenAI GPT-5.4：Token 64142+11954 ，时间 4 分 08 秒
3. Kimi K2.5：Token 31385+3877 ，时间 1 分 20 秒
4. 小米 Mimo-V2-Pro：Token 96302+4137 ，时间 1 分 48 秒
5. GLM-5：Token 61492+3687 ，时间 1 分 59 秒
6. Qwen3.5-Plus-2026-02-15：Token 54114+4235 ，时间 1 分 04 秒
7. Minimax M2.7 highspeed：Token 34379+4449 ，时间 1 分 06 秒
8. 豆包 doubao-seed-2.0-pro：Token 56160+5562 ，时间 1 分 36 秒

个人评价

Opus 4.6 、GPT-5.4 、GLM-5 基本上完成了翻页时钟的时间显示，虽然动画更新上都有点小问题。就不排序了。

豆包虽然看上去好像也完成了，但是有三个页板，动画也诡异。

其他几家都属于做小孩那桌的水平。

第二项-复杂 Prompt

Prompt

实现一个高质量的 Flip Clock （翻页时钟）页面。
翻页时钟由上下两页共同显示当前数字。

翻页机制：
上页沿着上页底边向前向下翻，最终覆盖下页，实现数字更新

目标：
实现一个具有真实机械翻页质感的数字时钟，支持 HH:MM:SS 实时显示，并在数字变化时执行平滑、稳定、逼真的翻页动画。

具体要求：
1. 使用原生 HTML + CSS + JavaScript 实现。
2. 页面加载后自动读取本地系统时间，并持续更新。
3. 显示格式为 24 小时制：HH:MM:SS 。
4. 视觉风格要求极简、高级、现代，背景为深色。
5. 页面需水平垂直居中，并考虑手机横屏竖屏显示。
6. 代码需具备良好结构、注释清晰、便于维护。

Claude Opus 4.6

修正次数 2️⃣

耗时 66 秒+44 秒+93 秒 = 203 秒（ 3 分 23 秒）

总输入 Token 204,763

总输出 Token 12,122

评价：反应迅速，智商在线

GPT-5.4

修正次数 1️⃣

耗时 5 分 08 秒+1 分 09 秒 = 6 分 17 秒

总输入 Token 106,321

总输出 Token 16,081

评价：意外的精美，就是太慢了

Kimi-K2.5

修正次数 0️⃣

耗时 2 分 41 秒

总输入 Token 38,003

总输出 Token 6,656

评价：最开始我用 Kimi 和另外三家测试了多次翻页时钟，感觉 Kimi 表现一般，有点怀疑可能处罚到什么缓存机制，但是人家就是这一次就完成了所有需求。

小米 Mimo-V2-Pro

修正次数 8️⃣

耗时 2 分 05 秒 + 1 分 47 秒 + 2 分 12 秒 + 1 分 11 秒 + 38 秒 + 1 分 16 秒 + 43 秒 + 49 秒 + 1 分 12 秒 = 11 分 53 秒

总输入 Token 853,234 总输出 Token 30,413

评价：次数不少，效果一般，但至少活是做完了，我其实测试前是比较期待的，因为此前前期测试的时候 GLM-5>MiMo-V2-Pro>Kimi K2.5 ，但是这次测试并没有延续表现。每次来回速度挺快，经常一分钟就给出结论，但是只是快，这样子是不够的。

GLM-5

修正次数 4️⃣

耗时 3 分 21 秒 + 2 分 1 秒 + 2 分 17 秒 + 1 分 50 秒 + 1 分 2 秒 = 10 分 31 秒

总输入 Token 321,948

总输出 Token 19,853

评价：可能是最像 Sonnet 的国产模型了，整体智商还算在线，就是有点慢

Qwen3.5-Plus-2026-02-15

修正次数 1️⃣2️⃣

耗时 1 分 34 秒 + 2 分 57 秒 + 2 分 16 秒 + 1 分 45 秒 + 31 秒 + 42 秒 + 20 秒 + 1 分 07 秒 + 22 秒 + 48 秒 + 1 分 20 秒 + 51 秒 + 46 秒 = 15 分 19 秒

总输入 Token 1,174,338

总输出 Token 70,181

评价：其实很早就基本完成了，但是最后 8 次修正都是在调整横屏的文字大小，它设计了一套逻辑一直不能匹配“竖屏不裁剪，横屏显示适应宽度”的需求。聪明肯定是聪明，最后多次都调不清楚，也是实打实的，至少这一次测试中显得又聪明又傻。

另外两个模型

M2.7 是让我觉得孺子可教，结果越调越火大，可能是我驾驭不了。

某包则属于，一开始就觉得可能没戏了，硬着头皮调，最后觉得还是放过自己。

所以两个图不放出来了。

最后的话

这次基本都是原厂平台 + 「📦豆腐」进行的测试，可能会有一些地方做得不太好。

但是这个本质上也只是一个特定领域的单次表现。一个小的切面，并不全面。

就「📦豆腐」上的使用来说，GLM-5 是国产模型里感觉最稳定的，感觉是个能干活的模型。小米一度让我觉得可以摸到 GLM-5 了，但是很快它又显得有点傻傻的。千问则是一个又聪明又傻的波动状态。而 Kimi K2.5 多次测试后一次通过让我觉得有点诡异，Kimi 有点坑的地方是原来 Plan 并不提供 K2.5 使用吗？搞得我最后又去 moonshoot 官网充值，白亏一笔 99 。

至于和 GPT-5.4 以及 Claude 的差距，只能说国产模型当自强，每个都有很多路要走。但是不少已经可以干一些活了，我还是很乐观未来的 Token 降价和模型能力提升的。

大家对「📦豆腐」有什么意见和建议也请反馈。