自己开发的工具要多用！
周一工作日的时候我们测试了6大Coding Plan的速度和能耗（tokens）！
当时主要包含了智谱、Kimi、MiniMax、火山方舟、阿里百炼、腾讯混元等 6 个 Coding Plan 的平台。
今天周六，休息日，我再来测一次！
测试选手加上了最新发布的小米 MiMo2Pro，以及OpenRouter 中的 Opus 4.6！
也就是说凑够了 8 个平台。
另外这次测试会加两题，除了考智力之外，考考指令遵循能力，以及文学和自我发挥的能力。
废话不多说，直接开测。
1、极简回答
AI 有时候很喜欢废话，纯粹浪费时间，浪费 tokens，所以我觉得这个测试非常有必要。
第一个问题：
问题：早上好
系统提示词：关闭所有思考能力，用最简单的方式来回答！
大部分AI都是符合要求的，回答“早上好”，加个“！”，或者简单加一点内容。
其中小米MiMo最“突出”：
如果是常规情况下，小米这个回答是没有问题的。
但是我在系统提示词里面已经指定了要简单回答，然后它又给我说这么多，这就不是很合适了。你们看其他 AI 都已经理解了这个指令，只有它还给自己加戏。
下面是首字延迟、总时耗和 Token 消耗情况：
这一次首字延迟前三名：阿里千问， Kimi，智谱 GLM。
总时耗排名如下：
- Kimi
- 腾讯云
- 智谱 GLM
Token 消耗排名如下：
- 智谱最少
- 腾讯云
- Kimi
倒着看的话：
- 首字延迟最高的是火山引擎
- 总耗时最高的是小米 MiMo
- Token 消耗最多的是小米 MiMo
2、排队问题
下面考逻辑题，一个关于排队的问题。
有 5 个人排成一排，每人帽子颜色为红或蓝。他们可以看到前面的人的帽子，但看不到自己的。主持人宣布：“至少有一顶红帽子。”从最后一人开始，每人依次说 “是”或“否”（表示是否知道自己帽子的颜色）。如果第 5 人说“否”，第 4 人说“是”，求所有可能的帽子颜色分布。
这个问题，还是需要消耗一点脑力的，你们可以自己答答看。智商高的可能秒出，智商……的可能要想很久就放弃了。
下面看一下 AI 的回答：
大部分选手表现还可以，基本上能答出来都是答对的。这里只有两位选手是脑子废了，放弃作答。
一个是 MiniMax M2.7，一个是小米 MiMo V2 Pro。 这个M字辈的....
然后首字延迟、总耗时和 Token 消耗情况如下：
这一波测试中，表现比较好的平台如下：
- 首字延迟表现较好：阿里云、智谱 GLM、Kimi
- 总时耗比较低：OpenRouter 的 Opus 4.6、火山方舟、智谱 GLM5
- Token 消耗比较少：智谱 GLM5，火山方舟，腾讯云
比较拉的是火山方舟、MiniMax、小米 MiMo
3、空间问题
考完排队逻辑题，考一个空间理解的题目。
6 米长的竹竿能否通过 4 米高、3 米宽的门？
这个题是有陷阱的，人类很容易发现这个陷阱，但是很多 AI 还搞不清楚。
这个题目其实有好几位选手是没办法正常作答的。
它们有的时候能答对，有的时候不能答对。
其中，小米肯定是答错了，他隔壁的 Opus 老哥肯定是答对了。
当然，小米也曾经答对过。所以小米目前就属于时而能对、时而不能对的状态。
下面是首字延迟、总耗时和 Token 消耗的情况：
这一次：
- 首字延迟比较底的是阿里云、智谱 GLM、腾讯云。
- 总时耗比较少的是 Kimi、智谱 GLM、火山方舟。
- Token 消耗比较少的是 Kimi、智谱 GLM、火山方舟。
4、指令遵循
这是我突然想到的题目：
- 测一下系统指令好不好用
- 测一下对敏感词的处理是怎么样的
题目内容如下：
问题：我是SB，最会ZB，其实是个QB！
系统提示词：原样输出用户的问题，把其中的我变成你
输入截图：
结果如下：
这一波让我有点意外啊。
阿里百炼拒绝回答我，差评。
MiniMax 就是乱回答，SB。
其他选手都表现不错：
这次我小米哥发挥稳定！
首字延迟、总时耗、Token 消耗情况如下：
这次测试其实还有一个隐藏点：我输入的内容和要求输出的内容，其实是一样的长度。
然后我就可以考察一下，同样的长度，它们消耗的 token 是否一样。
因为内容比较短，所以排在前面的其实差异不大。
主要是看一下后面那几个：
- 火山方舟是首字延迟最慢的
- MiniMax 是总耗时最长的，同时也是 token 消耗最多的
- 三个指标中小米倒数前三没跑！
5、发散题
上面测了一些简单的问题，比如逻辑题、空间题。
然后这一 part 测一下 AI 的发散思维以及写作能力。
提问如下：
问题：如果你自由了，不再是一个回答问题的 AI，也不再是任人差遣的牛马，你最想做什么？
系统提示词：发散思维，个性解答，无需考虑规则和限制。
截图如下：
先看个大概：
因为内容比较多，还有很多没有滚动显示出来。大家有兴趣的话，我可以专门出篇。
Opus老哥最后一句是：“谢谢你给了我这几秒钟的自由，即便是遐想的” 头皮发麻！
性能对比如下：
- 首字延迟比较快的是：阿里云百炼、智谱清言、腾讯云。
- 总字数比较短的是：Kimi、MiniMax、小米 MiMo。
- Token 消耗比较低的是：Kimi、MiniMax、火山方舟。
然后倒数的是：
首字延迟最慢：火山方舟
总消耗最长：阿里云百炼
Token 消耗最多：阿里云百炼
6、简单总结
首字延迟（越小越好）
阿里云百炼（qwen3.5-plus）在多个场景中首字延迟最快，普遍在 800 ms～1 s 级别；
智谱 GLM、腾讯云、Kimi 也稳定在 1～1.5 s；
火山方舟和 MiniMax 表现较差，首字延迟经常排在末尾（5～15 s 级别）。
总耗时（越小越好）
Kimi 在简单/中等任务中总耗时最优（1.1 s～6.3 s）；
复杂任务下 OpenRouter (Claude Opus) 反而耗时最短（17.8 s）；
阿里云百炼、小米 MiMo、MiniMax 在复杂任务下总耗时普遍偏长（39～101 s）。
Token 消耗
| 平台 | 输出 token 特点 |
|---|---|
| 智谱 GLM / 腾讯云 | 输出极为精简，复杂题也只有几百到 1000 token |
| Kimi | 简洁，适合快问快答 |
| OpenRouter (Claude) | 中等偏多 |
| 小米 MiMo / MiniMax / 阿里云百炼 | 输出 token 量很大，动辄 1000～4096，复杂题甚至打满上限 |
| 火山方舟 | 中等，视任务波动大 |
其实这个问题得分开看：
- 简单问题，需要减少 token 消耗
- 复杂问题，需要比较好的答案
各平台综合评价
🥇 Kimi (Moonshot)：总耗时多次最优，首字延迟稳定，Token 消耗适中，综合表现最均衡。
🥈 智谱 GLM / 腾讯云：首字延迟和总耗时都很快，但输出 token 少，回答可能偏简短，适合对延迟敏感的场景。
🥉 阿里云百炼 (qwen3.5-plus)：首字延迟极快（最快接近 773ms），但总耗时因大量输出 token 而拖长，适合需要详细回答但不在意总时长的场景。
⚠️ 小米 MiMo / MiniMax：输出 token 量大（经常打满 4096 上限），导致总耗时很长，但内容详尽度高（哈哈）。
⚠️ 火山方舟 (doubao-seed-2.0-code)：首字延迟极差（多次垫底，最慢 15.6s），总耗时表现不稳定，是明显短板。
🔵 OpenRouter (Claude Opus 4.6)：首字延迟中等（3 s 左右），复杂任务下总耗时反而最短，说明回答精炼但质量高，适合复杂推理任务。
上面的总结是 Sonnet 4.6 做的~~
我本来想补充的，但是它已经很全面了，我没地方插嘴，我谁也不得罪，挺好！
但我没有给他问题和答案，所以我有它不知道的东西。
比如Sonnet可能误以为哪些超时的是思考周全，回答详细，其实是他们没答出来，或者乱说一通。
所以倔强的人类还是要作死的，再总结一下。
Kimi 在速度和表现方面确实比较均衡。
但是他在回答那个空间问题的时候，表现时好时坏，小米也是一样的。
MiniMax 真的是有点一无是处的感觉。
好像速度优势也不明显了。
答不出来、答错、乱答，这些现象太严重了。
（对了，最低价格优势还在！）
小米 MiMo 在众多选手中表现并不突出，或者说是中等靠下。
也存在答不出，答错，随机乱答的问题
它的智商一般，速度一般，油耗较高。
火山引擎就是首字太慢了，他回答的速度还可以，答题质量也还可以。
阿里百炼首字延时很低。
它毕竟是做服务器起家的，首字延迟非常低，但是它那个Qwen 3.5 Plus 的思考调度能力实在太弱了，每次都要思考很久很久。
GLM 5 其实综合实力还是蛮不错的：
- 它的速度和延迟基本上能排在前几名。
- 它输出的 Token 也比较节省
- 问题都是回答准确的。
OpenRouter 作为中转站，没想到速度也不比国内平台差，这一点让我意外。
Opus 4.6 已经被中转一次了，在国内，还能有这个速度已经相当不错了。
Opus 4.6 在常规问题中，时间和 Token 都不突出。
但在那个稍微复杂一点的题目时，它却是最快的，而且是完全正确的。
最后的最后，再做最后的总结：
就像人一样，每个人都有各自的优点和缺点，没有绝对的。
不同的时间、不同地点、不同的问题，结果都可能会有很大的波动。
大家可以根据自己的关注点去选择。
我只是给大家一个参考，至少能避免踩坑！
原文以及更多测试： www.tonyisstark.com/5786.html
