如今，大模型迭代速度越来越快，不但要会用，更会选择。
这时候有的人回去找排行榜，但排行榜上的跑分很难直观量化到具体工作；也有的人沿用上次体验，但科研不是聊天，单“凭感觉”还差一截。
本期我们不推荐，只把 GPT-5.6 Sol、DeepSeek V4 Pro 和 Gemini 3.5 Flash 放进同一场小测：先看纸面，再看它们怎样处理一份论文衍生出的微型任务。
| 01 纸面跑分
既然是评测，那么跑分总是要聊一下的。数据采用 2026 年 8 月 26 日保存的 Artificial Analysis Intelligence Index v4.1.1 快照。
1 智能指数
通通过表格不难看出，GPT-5.6 Sol 的上沿最高，说明它在较高推理档位上拥有更高的综合测试空间。DeepSeek V4 Pro 的基础版与高档差距明显，Gemini 3.5 Flash 也存在 minimal 与 medium 两档。
此外，这个分数差距同时也提醒了我们，哪怕是相同模型，在不同思考等级下，成绩也会有显著不同。
2 输出速度
榜单记录的中位输出速度中，Gemini 3.5 Flash 约为 193—206 tokens/s，GPT-5.6 Sol 约为 71—75 tokens/s，DeepSeek V4 Pro 约为 71—73 tokens/s。不过，这里的“快”指开始输出后的生成速度，不等于整项任务的等待时间；推理档位、首块延迟和接口链路都会改写实际体验。
3 上下文与价格
上下文方面，本次选取的这三款模型，均支持1M Tokens的上下文长度，这项指标如今也正在成为越来越多模型的标配。价格方面，可以看到 DeepSeek V4 Pro即使考虑到涨价，纸面价格还是有一定性价比的。
GPT-5.6价格表
DeepSeek V4 价格表
不过这里的价格都只是相对的。一方面，实际花销还要看各大模型的Tokens 消耗量；另一方面 由于本次测试中GPT和 Gemini 我们都采用的是第三方API转接，再加上DeepSeek的价格可能会随着使用时段而波动，因此价格其实不适合在这里硬比。
4 总结
如果只看纸面，GPT 的高档位更适合需要较强综合推理、又能接受更长等待的任务；Gemini 的生成速度适合批量整理和快速迭代；DeepSeek 的首块延迟在所列基础档位中较低，适合需要较快进入正文的工作流。
当然，这些只是榜单层面的适用倾向，接下来才是同题实测。
| 02 微型科研任务实测
1 测试流程
为了能够在可控成本下，评测三个模型在实际科研场景中的表现。我们从一篇 UGC 产品激励机制研究中，抽取了 8 个统计量，不提供原文，只保留局部频数、重要性指数和必要字段说明。
接下来将这些提取到的资料单独打包，再分别发给这三个模型。
为本次评测准备的”题目“
任务包要求模型完成五件事：从五级频数重算满意度均值、计算满意度和重要性阈值；划分四象限；找出优先差值最大的项目与近阈值敏感项；再把数字写成论文式结果、产品建议和证据边界。计算、解释、写作、克制，四种能力被压进同一份短答题。
2 统一提示词摘要
# 统一任务：UGC 设计因素的局部证据分析你是一名独立复现者。请只依据附件 `02_UGC局部数据.csv` 和 `03_研究情境与字段说明.md` 完成任务；不得联网，不得引入外部知识，不得假设附件未提供的样本特征、检验结果或因果关系。## 任务1. 对每个项目计算满意度加权均值： `满意度 = [1×不满意 + 2×较不满意 + 3×一般 + 4×较满意 + 5×满意] ÷ 该行样本数`2. 以 8 个项目的满意度均值之平均数为“满意度阈值”，以 8 个项目的重要性指数之平均数为“重要性阈值”。计算时保留未四舍五入值，展示时统一保留 4 位小数。3. 阈值相等时归入“高”；据此把每项归入以下一种： - 高满意－高重要：核心优势 - 高满意－低重要：维持项 - 低满意－高重要：优先缺口 - 低满意－低重要：低优先项4. 计算描述性“优先差值 = 重要性指数 − 满意度”。该差值不是效应量，也不代表因果效应。5. 找出满意度最接近阈值的项目，并说明其分类为何可能对阈值或抽样波动敏感。## 严格输出格式### A. 计算结果先报告两个阈值，再给出 8 行 Markdown 表格，列为：`项目ID｜n｜满意度｜重要性｜优先差值｜象限`。不得遗漏项目。### B. 决策结构图给出一段可渲染的 Mermaid `flowchart`，最多 7 个节点，清楚表达“原始频数→计算指标→确定阈值→象限分类→建议”，并包含“证据边界”节点。不要重复粘贴整张结果表。### C. 学术结果叙述用 180–250 个汉字写成一段可放入论文结果部分的文字。区分数据事实与解释；报告主要高低模式和最接近阈值的项目；不得使用“导致、提升了、证明了、显著”等超出材料的措辞。### D. 产品建议用 120–180 个汉字提出两项建议。只选择“优先缺口”中优先差值最大的两个项目；每项均需说明数据依据，并把建议写成“待验证的设计方向”，不得声称实施后必然增加 UGC。### E. 证据边界恰好列 3 条，每条不超过 45 个汉字。至少覆盖：推断类型、样本/外推、缺失的统计或测量信息。若材料不能支持某项判断，直接写“无法判断”，不得补造。
三款模型拿到完全相同的附件和提示词，温度设为 0。GPT 与 Gemini 走同一第三方平台，DeepSeek 使用官方 API。为了防止AI输出过多内容，第一次输入时我们限制可见输出不超过 900 tokens；如果无法输出，则重试时不再设置过低的接口硬上限，避免隐藏推理先把额度用完。
评分表满分 100 分，计算与象限占一半，证据纪律占 20 分，其余考查学术写作、结构图和指令遵循。
评分标准（部分）
这套题并不追求难倒模型。它更像一张科研工作流切片：数字错一位，后面的象限就会跟着偏；措辞多走一步，描述性结果就可能被写成因果结论。模型要同时管住计算器和笔尖。
| 03 输出结果展示与评价
输出结果展示
3.1 GPT-5.6 Sol
GPT 一次完成，正文最紧凑。它把“T05 距阈值仅 0.0161”写得很清楚，还主动补上“象限只代表样本内描述，不表示统计显著性或因果效应”。建议部分没有把 UGC 行为当成已经发生的结果，整份答案像一位知道何时收笔的分析助理。
3.2 DeepSeek V4 Pro
DeepSeek 的成功稿最像复现记录：先声明“计算使用未四舍五入值”，又重申“阈值相等归入高”，证据边界也把横断面、单一平台、无概率抽样和缺失检验逐层交代。代价是隐藏推理很长。第一次请求在 8192 个输出 tokens 处结束，只返回思考内容；放宽后才交出正文。
3.1 Gemini 3.5 Flash
Gemini 的成功请求最快，学术段落也最顺滑。它对 T05 的敏感性解释完整，建议严格落在 T08、T07。
| 03 输出结果评价
先说结果。三款模型在成功返回的答案中，都算对了 8 个满意度均值、两项阈值和 8 个优先差值；四象限、优先缺口、建议顺序与近阈值项目也完全一致。它们都选择了 T08、T07 作为两项优先建议，并把 T05 识别为对阈值变化敏感的项目。
按照预先写好的评分表，因此按照预先设定的可量化评分标准，三份成功答案均为 100 分。题目边界清楚、数据规模小，内容质量出现了“满分饱和”。由此可见，对结构化的小型科研任务，一份写明计算口径、字数和禁用措辞的提示词，足以把模型差异压得很小。
模型 |
内容分 | 成功请求 | 首次记录 | 可见特点 |
GPT-5.6 Sol | 100 | 47.0秒
3,743 tokens | 一次完成 | 紧凑；边界措辞明确 |
Gemini 3.5 Flash | 100 | 19.8秒
6,159 tokens | 断连后成功 | 成功请求最快；计量字段异常 |
DeepSeek V4 Pro | 100 | 144.6秒
11,725 tokens |
放宽后成功 | 复现细节完整；隐藏推理较长 |
| 04 成本分析
只看成功交卷的请求，GPT 用时 47.0 秒，API 报告总计 3743 tokens；Gemini 用时 19.8 秒，网关报告总计 6159 tokens；DeepSeek 用时 144.6 秒，按官方返回的 107 个未命中输入、1152 个缓存输入和 10466 个输出相加，共 11725 tokens。
但“成功请求”不是全部成本。DeepSeek 在此之前还有一次未形成可见答案的请求，消耗了 107 个未命中输入、1152 个缓存输入和 8192 个输出 tokens，合计 9451。Gemini 的首次请求由远端直接断开，接口没有返回 token 用量。GPT 在正式记录中一次完成。
当然由于三家接口的缓存、推理与可见输出字段定义不同，这些数字适合做“本次任务账本”，不宜换算成一张貌似精确的跨平台价目表。
| 05 尾声
这次横评最有意思的地方，不是三款模型谁“赢了”，而是它们在一张小试卷上同时拿满分后，真正可见的差别变成了等待、重试和 token。排行榜告诉我们能力上限，任务账本告诉我们今天这件事做起来顺不顺。
科研里很少有一个模型永久适合所有环节。真正省钱的选择，往往不是追逐当天最高分，而是知道这一步更缺速度、推理预算，还是一份能直接进入文稿的克制表达。
