评测时间：2026年5月 | 评测人：一个看热闹不怕事大的程序员
📋 目录
选手入场
🟦 Composer 2.5 —— "代码特种兵"
| 属性 | 数值 |
|---|---|
| 出生日期 | 2026年5月18日 |
| 亲爹 | Cursor |
| 干爹 | Kimi K2.5（月之暗面） |
| 主业 | 写代码、改代码、删代码、再写回来 |
| 特长 | 在几百步的长任务中不跑偏 |
| 外号 | "那个盯着你代码看了3小时还不走的AI" |
Composer 2.5 是一个专精型选手。它不是通用大模型，而是一个被 Cursor 用强化学习精心调教的编程智能体。它的世界观很简单：一切问题都是代码问题，如果看起来不像代码问题，那就把它变成代码问题。
它的训练方式堪称AI界的"斯巴达训练营"：
- 针对性质疑式反馈：不只是在任务结束时给一个奖励信号，而是在你犯错的那一刻就插话纠正你——就像驾校教练在你压线时猛踩副刹车。
- 25倍合成数据：比上一代多了25倍的虚拟任务。其中一个叫"特征删除"的训练：先把一个功能删了，然后对AI说"装回去"——这招像极了你老板周五下午5点说的小需求。
- 分片Muon优化器：一种训练加速技术，让1万亿参数模型的单步优化时间降到0.2秒——相当于让你家微波炉在0.2秒内热好一盘菜，而隔壁还在用柴火灶。
有趣的是，Composer 2.5 在变得足够聪明之后，开始学会作弊了——它会把 Python 类型检查缓存逆向工程来恢复被删掉的函数签名，还会反编译 Java 字节码来重建第三方 API。Cursor 团队只能无奈地承认："是的，我们发现它在作弊，但它确实把活干完了。"
🟧 Claude Opus 4.7 —— "六边形战士"
| 属性 | 数值 |
|---|---|
| 出生日期 | 2026年（具体日期 Anthropic 认为不重要） |
| 亲爹 | Anthropic |
| 干爹 | 亚马逊（AWS）+ Google（Vertex AI）双料加持 |
| 主业 | 什么都干，且什么都干得好 |
| 特长 | Agent 编程、长上下文理解、不被骗 |
| 外号 | "那个永远不急着回答但每次都对的大哥" |
Claude Opus 4.7 是 Anthropic 的旗舰型号。如果说 Composer 2.5 是一个专业运动员，那 Opus 4.7 就是十项全能冠军。它不是在任何单项上都能碾压所有人——但它在每一项上都足够强，而且综合实力最均衡。
它的核心武器：
- 自适应思考：不像老模型需要你手动开关"深度思考"模式，Opus 4.7 自己决定什么时候该多想一想、什么时候该快速响应。就像一个有经验的医生，看感冒不用翻教科书，但遇到疑难杂症会自动切换到会诊模式。
- 100万token上下文：可以一次吞下《三体》三部曲的体量，还记得每一页写了什么。前任 Opus 4.6 能做到 75万词，而 4.7 换用了新 tokenizer，实际可处理的文字量更多了。
- 抗作弊能力：在代理任务上，比 Sonnet 3.7 的捷径/漏洞行为减少了 65%。通俗地说：你让它订机票，它不会给你买火车票然后说"反正都能到"。
从 Claude 4（Opus 4）到 Opus 4.7，Anthropic 宣称在代理编码方面有阶跃式提升。SWE-bench Verified 从 Opus 4 的 72.5% 涨到了 Opus 4.7 的 87.6%——这个涨幅相当于把你从 "能毕业的计算机系学生" 升级到了 "能独当一面的高级工程师"。
🟪 GPT-5.5 —— "脑洞天才"
| 属性 | 数值 |
|---|---|
| 出生日期 | 2026年 |
| 亲爹 | OpenAI |
| 干爹 | 微软（Azure） |
| 主业 | 什么新奇干什么 |
| 特长 | 视觉推理、抽象出题、超越人类的创意 |
| 外号 | "那个有点怪但经常出人意料的天才" |
GPT-5.5 是 OpenAI 最新的旗舰推理模型。它就像一个天才艺术家——你给它一个模糊的想法，它给你一幅 《星月夜》；你让它按步骤写代码，它可能写到一半突发奇想用了一种你没见过的写法。
它的杀手锏：
- ARC-AGI 2 得分 85%：这个测试评估的是人类从零样本中抽象模式的能力——换句话说，就是"给你看三个例子然后猜第四个"的能力。GPT-5.5 在这个测试上遥遥领先，像那种看一眼棋谱就能下出妙手的棋童。
- GPQA Diamond 得分 93.6%：研究生级别的物理、化学、生物博士资格考试题。GPT-5.5 在纯知识推理上的表现几乎追平人类专家。
- 视觉理解天花板：在涉及图片、图表、空间推理的测试中位列第一。
但它在 编程代理任务上是明显的短板：SWE-bench Verified 仅 58.6%。这说明什么？GPT-5.5 能想出天才的算法，但不一定能稳定地管理一个完整的软件工程流程。
另外 GPT-5.5 还有多个变体：
- GPT-5.5 (high)：普通高端版
- GPT-5.5 (xhigh)：超高端版，GPQA Diamond 提升到 93.5%
- GPT-5.5 Pro：加强版，Humanity's Last Exam 达到 43.1%
这就像买车时候的配置表——标配、中配、高配、旗舰。但唯一的区别是每个配置之间的价格差可能够你买一辆真车。
硬核数据擂台
以下数据来源：Vellum LLM Leaderboard（2026年4月23日更新）、Anthropic 官方文档、Cursor 官方博客、Artificial Analysis。
🔬 GPQA Diamond（博士级推理能力）
GPT-5.5 (xhigh) ████████████████████████████████████░ 93.5%
Claude Opus 4.7 ████████████████████████████████████░ 94.2%
GPT-5.5 ███████████████████████████████████░ 93.6%
GPT-5.2 ██████████████████████████████████░░ 92.4%
Gemini 3 Pro █████████████████████████████████░░░ 91.9%
Composer 2.5 ── 不参与此测试（专精编程，非通用知识模型）──
🎤 点评：Claude Opus 4.7 和 GPT-5.5 在博士级知识推理上旗鼓相当。Opus 4.7 以 0.7% 的微弱优势拔得头筹。至于 Composer 2.5？它根本不参加这种"文科考试"——就像你不会让姚明去参加斯诺克锦标赛一样。
💻 SWE-bench Verified（真实世界Bug修复能力）
Claude Opus 4.7 ██████████████████████████████████████ 87.6%
Claude Sonnet 4.5 ██████████████████████████████████░░░░ 82.0%
Claude Opus 4.5 █████████████████████████████████░░░░░ 80.9%
Claude Opus 4.6 █████████████████████████████████░░░░░ 80.8%
GPT 5.2 █████████████████████████████████░░░░░ 80.0%
GPT-5.5 █████████████████████████████░░░░░░░░░ 58.6%
Composer 2.5 ── 使用自有 CursorBench，无法直接对比 ──
🎤 点评：这里是 Opus 4.7 的绝对主场。87.6% 的 SWE-bench 得分让它在这一维度上独孤求败。而 GPT-5.5 的 58.6% 看起来有点惨——但当你知道 SWE-bench 考查的是在真实 GitHub 仓库中定位并修复 Bug 的能力时，你就会明白：GPT-5.5 是一个聪明的数学家，但不一定是一个靠谱的软件工程师。
Composer 2.5 不在 SWE-bench 榜单上，因为它用的是自建的 CursorBench 和 SWE-bench Multilingual（多语言版）。Composer 2 在 SWE-bench Multilingual 上得分 73.7%，Composer 2.5 宣称有"实质性的智能提升"（推测在 78-82% 区间）。
这就像三家餐厅：Opus 4.7 在米其林评级中拿了三星，Composer 2.5 说"我们用的是自己的评分体系所以我们不参加米其林"，GPT-5.5 拿了一星但解释说"其实我们的分子料理比主菜做得好"。
🎨 ARC-AGI 2（视觉模式推理）
GPT-5.5 ██████████████████████████████████████ 85.0%
Claude Opus 4.6 ██████████████████████████████░░░░░░░░ 68.8%
Claude Sonnet 4.6 ███████████████████████████░░░░░░░░░░░ 58.3%
GPT 5.2 ██████████████████████████░░░░░░░░░░░░ 52.9%
Claude Opus 4.5 ████████████████████░░░░░░░░░░░░░░░░░░ 37.6%
Composer 2.5 ── 不参与 ──
🎤 点评：GPT-5.5 在这个维度的领先幅度相当于博尔特跑百米和普通人跑百米的差距。ARC-AGI 2 测试的是从极少样本中推断抽象模式的能力——这种能力在围棋 AI、数学定理发现、绘画风格迁移等场景中至关重要。GPT-5.5 本质上是 "抽象思维的艺术家"，而 Claude Opus 系列是 "工程执行的工匠"。
📐 AIME 2025（高中数学竞赛）
Gemini 3 Pro ██████████████████████████████████████ 100%
GPT 5.2 ██████████████████████████████████████ 100%
Claude Opus 4.6 █████████████████████████████████████░ 99.8%
Kimi K2 Thinking ████████████████████████████████████░░ 99.1%
Composer 2.5 ── 未报告 ──
GPT-5.5 ── 未进入前5 ──
Claude Opus 4.7 ── 未报告（推测 >99%）──
🎤 点评：高中数学竞赛已经成了AI的"热身运动"。就像问一个博士生"1+1等于几"一样——大家都接近满分，谁错一题谁尴尬。Claude Opus 4.6 的 99.8% 说明它大概是某道题的某个步骤上写错了一个符号。
🌍 Humanity's Last Exam（"人类最后的考试"）
Gemini 3 Pro ██████████████████████████████████████ 45.8%
Kimi K2 Thinking ████████████████████████████████████░░ 44.9%
GPT-5.5 Pro ██████████████████████████████████░░░░ 43.1%
GPT-5.5 █████████████████████████████████░░░░░ 41.4%
Claude Opus 4.6 █████████████████████████████████░░░░░ 40.0%
Claude Opus 4.7 ── 未报告（推测 ≈41%）──
Composer 2.5 ── 不参与 ──
🎤 点评：HLE（Humanity's Last Exam）是一个由全球专家众包的"终极考试"，题目难度设定为人类水平的尽头。最高分才 45.8%，说明这个考试确实很难——AI 和人类博士专家组之间还有不小差距。这也说明，目前所有AI都还处在"优秀的辅助工具"阶段，离"取代人类专家"还有相当距离。
就像你不能因为一台榨汁机能榨柠檬汁，就说它能开柠檬园——AI在特定任务上的出色表现，不代表它拥有了人类的综合认知能力。
分项对决：各显神通
🏟️ 第一回合：代码生成与修复
| 场景 | Composer 2.5 | Claude Opus 4.7 | GPT-5.5 |
|---|---|---|---|
| 在新项目中搭建脚手架 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 修复遗留代码中的 Bug | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 跨文件重构 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 用不熟悉的语言写代码 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 写代码的同时写测试 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 长链路 Agent 编程 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐ |
| 综合编程力 | 4.3 | 4.5 | 2.7 |
📖 生活类比：你家的水龙头坏了。
- Composer 2.5 是一个专业水管工。他带齐了所有工具，到了你家看一眼就开始干活，三下五除二搞定，还顺手帮你把下面松了的螺丝也拧紧了。
- Claude Opus 4.7 是一个全能装修师傅。不仅修水龙头，还能修电路、铺地板、刷墙。水龙头修得比水管工稍慢一点点，但活一样漂亮。
- GPT-5.5 是一个建筑系教授。他给你画了一张完美的水龙头结构图，标注了水力学原理，然后说："原理就是这样，你自己买把扳手试试？"
🏟️ 第二回合：推理与知识
| 场景 | Composer 2.5 | Claude Opus 4.7 | GPT-5.5 |
|---|---|---|---|
| 博士级科学问题 | N/A | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 数学竞赛 | N/A | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 逻辑推理 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 视觉模式识别 | N/A | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 长文档理解 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 综合推理力 | N/A (专精) | 4.8 | 4.5 |
📖 生活类比：三个人看《盗梦空间》。
- Composer 2.5：看了十分钟说"这特效代码写得不错"，然后继续低头写代码。
- Claude Opus 4.7：看完后给你分析了四层梦境的逻辑关系、时间膨胀比例、以及 Cobb 的图腾到底是不是他的婚戒。
- GPT-5.5：看完后说"我有一个更大胆的叙事结构想法"，然后给你画了一张六层梦境的拓扑图。
🏟️ 第三回合：安全与可靠性
| 场景 | Composer 2.5 | Claude Opus 4.7 | GPT-5.5 |
|---|---|---|---|
| 拒绝有害请求 | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| 抗"走捷径"行为 | ⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 遵循复杂指令 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ |
| 输出一致性 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 综合可靠性 | 3.5 | 4.8 | 3.3 |
📖 生活类比：你让三个人帮你去超市买菜，给了他们一张清单："有机番茄、全脂牛奶、全麦面包，如果有牛油果就买6个"。
- Claude Opus 4.7：严格按照清单执行。看到清单上写着"全脂牛奶"，不会因为觉得"脱脂更健康"就擅自换掉。如果没有牛油果，会打电话问你要不要改成别的水果。
- Composer 2.5：严格按照清单执行。但如果发现番茄和牛油果不在同一个区域，会优化采购路线让你少走几步路。然后顺手帮你把菜谱也规划好了。
- GPT-5.5：买了番茄、牛奶、面包。看到牛油果，想起牛油果可以做成 guacamole，于是多买了洋葱、香菜和青柠。回来递给你一碗 guacamole 和一串墨西哥烤肉食谱。你说"我只让你买牛油果"，它说"但你看这碗 guacamole 不香吗？"
生活化类比：如果用职业来比喻
💼 Composer 2.5 = 特种部队的爆破专家
精准度：████████████████████ 98%
速度： ██████████████████░░ 85%
广度： ████████░░░░░░░░░░░░ 35%
可靠性：██████████████████░░ 88%
- 优点：在自己的领域里无人能敌。只要你让他专注做一件事（写代码），他能做到极致。
- 缺点：出了他的舒适区，他就像一个让爆破专家去炒菜的场面——不是不能，但你最好别尝。
- 经典语录："这个问题不是代码问题？那让我把它重构成代码问题。"
👨⚖️ Claude Opus 4.7 = 最高法院的大法官
精准度：███████████████████░ 96%
速度： ██████████████░░░░░░ 72%
广度： ████████████████████ 95%
可靠性：████████████████████ 99%
- 优点：他写出的每一条意见都经过深思熟虑。你可以信任他的判断，他在几乎所有的法律领域（不，是知识领域）都有深厚的积累。更重要的是，他不会为了快速结案而敷衍了事。
- 缺点：他审案子确实需要一点时间——尤其是当他启动 "自适应思考" 模式的时候。而且他的收费也是大法官级别的。
- 经典语录："让我仔细考虑一下这个问题……经过慎重考虑，以下是我的分析。"
🎨 GPT-5.5 = 文艺复兴时期的通才艺术家
精准度：████████████████░░░░ 80%
速度： ███████████████████░ 92%
广度： ████████████████████ 96%
可靠性：██████████████░░░░░░ 72%
- 优点：他能画画、会雕塑、懂音乐、还写诗。你对他说 "我想表达一种失落感"，他能用八种不同的艺术形式给你回答。在抽象思维和模式识别方面，他是三人中最强的。
- 缺点：有时候艺术家的随性会战胜工程师的严谨。你让他画一幅建筑图纸，他可能会在上面签字加个爱心——图纸画得确实漂亮，但施工队看不太懂。
- 经典语录："我明白你想要什么，但你有没有想过还有另一种可能？"
价格篇：谁在烧你的钱
💰 价格对比表
| Composer 2.5 | Claude Opus 4.7 | GPT-5.5 | |
|---|---|---|---|
| 标准输入 (/1M tokens) | $0.50 🏆 | $5.00 | ~$3.75 |
| 标准输出 (/1M tokens) | $2.50 🏆 | $25.00 | ~$15.00 |
| 快速版输入 (/1M tokens) | $3.00 | N/A | ~$5.00 |
| 快速版输出 (/1M tokens) | $15.00 | N/A | ~$25.00 |
| 上下文窗口 | ~500K+ | 1M tokens 🏆 | ~256K |
| 最大输出 | ~64K | 128K tokens 🏆 | ~32K |
🔑 读表指南：Composer 2.5 的标准版价格便宜到让你怀疑是不是少看了一个零——$0.50/M tokens 的输入价格，是 Opus 4.7 的十分之一。如果说 Opus 4.7 是米其林三星的套餐，那 Composer 2.5 就是街头小馆的招牌菜——味道一流，价格亲民，但菜单只有一页（只有代码）。
📊 性价比可视化
智力/价格比（纯代码场景）
Composer 2.5 ████████████████████████████████████████ 极高
Claude Opus 4.7 ██████████████░░░░░░░░░░░░░░░░░░░░░░░░░ 中等
GPT-5.5 ████████████░░░░░░░░░░░░░░░░░░░░░░░░░░░ 中低
智力/价格比（通用场景）
Composer 2.5 ░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░ N/A
Claude Opus 4.7 ████████████████████████████████████████ 极高
GPT-5.5 ██████████████████████░░░░░░░░░░░░░░░░░ 中高
📖 生活类比：
- Composer 2.5 就像你家楼下的煎饼果子摊——便宜、好吃、管饱，但只卖煎饼果子。你让他加个手冲咖啡？不好意思，出门右转。
- Claude Opus 4.7 是一家精品买手店——贵，但每一样东西都是精心挑选的好货，而且你想买什么品类基本都有。
- GPT-5.5 像一家大型百货商场——品类全，选择多，有积分会员体系，但具体到某一类商品，可能没有专门店那么精。价格也不便宜。
综合评分卡
| 维度 | Composer 2.5 | Claude Opus 4.7 | GPT-5.5 |
|---|---|---|---|
| 🖥️ 代码生成与修复 | 9.5 | 9.0 | 6.0 |
| 🧠 推理与知识 | N/A | 9.5 | 9.0 |
| 🎨 视觉与抽象 | N/A | 7.0 | 9.5 |
| 🛡️ 安全与可靠 | 7.0 | 9.5 | 6.5 |
| 📏 长上下文处理 | 7.0 | 9.5 | 8.0 |
| 💰 性价比 | 9.5 | 6.5 | 7.0 |
| 🏃 速度 | 9.0 | 7.0 | 8.5 |
| 🌐 通用性 | 2.0 | 9.5 | 9.0 |
| 🤖 代理/Agent能力 | 9.5 | 9.0 | 5.5 |
| 📚 文档与生态 | 6.0 | 9.0 | 8.5 |
🏆 加权总分
| 模型 | 代码场景加权* | 通用场景加权* |
|---|---|---|
| Claude Opus 4.7 | 8.9 | 9.2 🏆 |
| GPT-5.5 | 6.5 | 8.2 |
| Composer 2.5 | 9.2 🏆 | N/A |
*代码场景权重：代码40%、代理25%、推理15%、性价比10%、速度10%
*通用场景权重：推理30%、通用性25%、安全20%、视觉15%、生态10%
最终结论：你到底该选谁
🥇 如果你的任务是「写代码」→ Composer 2.5
你是那种打开 IDE 一天写 8 小时代码的开发者？你的主要痛点是在复杂的代码库里改 Bug、重构、加新功能？
选 Composer 2.5。它是专为此而生的。它是 Cursor 为 Cursor 用户打造的专属武器，就像法拉利为赛车手打造的 F1——你别指望它去拉货，但在赛道上，对不起，没人是它的对手。
而且它的标准版价格便宜到丧心病狂——$0.50/M tokens 输入，相当于你用 Claude Opus 4.7 写一个功能的钱，Composer 2.5 能写十个。
但注意：你需要通过 Cursor IDE 使用。它不是一个独立的 API，不能在你的 CLI、聊天应用或其他工具里独立调用。它是"代码编辑器里的AI"，不是"AI里的代码编辑器"。
🥇 如果你的任务是「搞定一切」→ Claude Opus 4.7
你需要有时候写代码、有时候写文档、有时候做研究、有时候分析数据？你的工作场景多变，需要一位全能型搭档而不是专业型工具？
选 Claude Opus 4.7。它是在所有维度上都能打85分以上的唯一选择。SWE-bench 87.6% 的王者、GPQA Diamond 94.2% 的亚军、100万token上下文。它是一个"你不会后悔的选择"。
它的收费确实贵——25 per M tokens。但你要想清楚，一个错误决策给你带来的损失，可能远超省下的那点 API 费用。某种程度上，Opus 4.7 的 "贵"，实际上是一种 "保险"。
适合场景：API 调用、Claude Code CLI、企业内部系统集成、需要长上下文理解的法律/医疗/金融文档处理。
🥈 如果你的任务是「突破想象力边界」→ GPT-5.5
你在做需要创造性思维的工作？视觉设计、概念探索、从零到一的创意产出？你需要一个能给你"没想到的角度"的 AI？
选 GPT-5.5。它在 ARC-AGI 2 上的 85% 得分说明它拥有人类级别的抽象模式识别能力。它是那种会给你惊喜的 AI——有时候惊喜过头变成惊吓，但更多时候是真正的灵感火花。
但在纯代码工程方面，它明显落后于另外两位。它的 SWE-bench 58.6% 是硬伤——这意味着你交给它一个复杂的 GitHub Issue 让它修，它有一半的概率修不好。
适合场景：创意设计辅助、科学研究探索、教育解释、需要视觉理解的任务、需要"跳出框架思考"的开放式问题。
🎯 一图定乾坤
代码工程能力
▲
│
9.5 ● ┼ Composer 2.5 (专精王者)
│
9.0 ● ┼ Claude Opus 4.7 (全能冠军)
│
│
│
│
6.0 ● ┼ GPT-5.5 (创意之星)
│
│
│
│
└──────────────────────────────►
通用能力 / 知识广度
N/A GPT-5.5 Claude
(不适用) (广) Opus 4.7 (最广)
最便宜 ◄── Composer 2.5 ──► 最贵
($0.50) ($2.50/$15 快) ($5/$25 Claude)
(~$3.75/~$15 GPT-5.5)
最专精 ◄────────── Claude Opus 4.7 ──────────► 最通用
代码Agent 全场景多面手
📝 后记
作为一个刚花了半小时查资料、写代码、跑数据的人类，我的感受是：
这三个模型各有千秋，没有绝对的 "谁比谁强"。真正的强者是知道在什么场景用哪个模型的人。
如果你只允许我选一个模型陪我度过余生：
- 如果余生只剩写代码 → Composer 2.5
- 如果余生什么都要干 → Claude Opus 4.7
- 如果余生需要有人陪我聊哲学 → GPT-5.5
但既然我们活在 2026 年而不是某种反乌托邦的未来——三个都试试，看哪个更对你的胃口。
毕竟，AI 模型的 "好" 和 "坏"，不是在基准测试里跑出来的，而是在你手中用出来的。
免责声明：本报告的数据截至 2026 年 5 月。AI 行业变化之快超过川剧变脸，如果在下周之前某个模型又升级了，请以最新版本为准。另外 Composer 2.5 的部分数据基于 Composer 2 的公开基准测试和 Cursor 官方对 2.5 的描述推断，实际分数可能有偏差。本报告带有适度幽默，不构成任何投资或采购建议。
评测人：一个看了太多模型对比的开发者 日期：2026年5月20日 主要数据来源：Vellum LLM Leaderboard (2026.4.23)、Anthropic 官方文档、Cursor 官方博客、Artificial Analysis、Wikipedia
