评测系列

​  附 10 条完整 Prompt GLM-5.1 vs DeepSeek-V4 逐条拆解，新模型上线直接抄作业 测试员周周 | 14 年测试经验 | 用数据说话 上篇发布了《我让 GLM-5.1

​ 我用 10条真实任务对比了 GLM-5.1 和 DeepSeek-V4 测试员周周 | 14 年测试经验 | 用数据说话 新模型发布，媒体通稿满天飞。"XX 模型全面超越 XX"、"性能提升 XX

​ DeepSeek-V4 全面测评：76 条测试用例的真实成绩单，10 个维度全部通过  摘要 DeepSeek-V4 测评：代码能力、长文本理解、创意写作如何？本文通过 76 条真实 API 全面

我自建了一套 agent_bench 评测系统 目标： 按"能力维度"设计（不是任务类型） 细粒度指标（不只是成功/失败） 可视化报告（雷达图 + 诊断建议） 可扩展架构（随时加新维度） 结果： 二、

用自研评测框架，对 OpenClaw Agent 进行全方位评测。54 个测试任务、5 个核心维度、15 个细粒度指标，最终得分 3.47/5（C 级）。本文公开全部评测数据、测试用例和评分标准，帮你

一、为什么需要独立的 Agent 评测？ 2026 年，AI Agent 已经成为最热门的技术方向之一。 在 GitHub 上，有一个项目悄然突破了 48,000+ stars，它就是清华团队开源的 

今天我没做“主观测评”，而是把 gpt-image-2 当成一个待上线能力，按测试工程流程跑了 17 条用例，文末附有完整用例。 从文字渲染、复杂指令遵循、风格一致性，到边界值测试，全部走 API 自

​ 我通宵测了 ChatGPT Image 2：100%通过背后，藏着1个危险信号 先看结论（30秒读完） 视觉理解（Vision）黑盒测试：4/4 通过（100%） 边界值测试（超长 Prompt、