同一批模型，两场造桥赛，两个冠军。10 月的 Agent Wars 让 5 个模型设计一座 2 英尺跨度的桥，再 3D 打印出来比承重，Claude Opus 5.5 以约 130 磅承重拿第一，GPT-6 Astra 17.5 磅第三，Grok 4.7 和 Kimi K3 连组装都没完成。 到了 11 月 9 日，ModelDial 挑战赛换了规则：8 个模型、6 道关卡、全程盲打，GPT-6 Astra 98.58 分第一，Gemini 4 Argon 95.12 分第二，Claude Opus 5.5 69.91 分第三；千问 60.67 分第四，Kimi 49.54 分第五，Grok 39.33 分第六，DeepSeek 20.34 分第七，混元 20.32 分第八，后两者只差 0.02 分。 同一批模型，换个规则，冠军就换了人。那这份排名，能不能直接拿来选模型？小红书ModelDial
先看 ModelDial 这场比的是什么。6 关全部盲打，只给河宽和预算，模型要自己算结构、交图纸；每关两次机会，第一次过拿满分，第二次过只拿一半；最后两关权重最高，合计占了一半分。 计分也不是纯能力：能力分满分 90，效率分满分 10，按生成 token 计，不是按美元计。GPT-6 和 Gemini 都是 6 关一次过，能力分同为 90；GPT-6 最终领先 3.46 分，赢在效率分，而不是“桥造得更好”。 所以，如果“选品”只看第一名，你实际上把 10% 的 token 效率当成了决定项。哔哩哔哩ModelDial
更值得看的是失分原因，而不是名次。混元排第八，但它的两个 0 分都写着“schema”——输出格式没过，不是桥塌了；它在长跨关一次过，在载车抬升关也通过，工程能力并不是零。 不过，这类失败对选型反而好办：加一层结构化输出校验，可能就补上了；但如果你的系统就是让模型裸出 JSON，这就是实打实的风险。ModelDial
另一些失分则是能力或约束问题。Claude 和 Kimi 在最后一关栽在 boat_clearance，千问栽在 dock_alignment，都是空间几何与对位问题；DeepSeek 是 buckling 和 tension，是力学；Grok 是 material_limit 和 timeout，是约束与时限。 所以，这些坑对选型的含义完全不同：几何/力学短板要靠换模型或加工具，超时则是延迟敏感场景的直接红灯。一个总排名把“不会做”和“没按格式交”压成了同一个分数。ModelDial
成本和时间也不在同一条线上。Claude 排第三，但调用账单约 21.12 美元，是 GPT-6（约 5.26）的四倍、DeepSeek（约 0.82）的二十多倍；Grok 约 5.52，Gemini 约 4.46，Kimi 约 3.40，混元约 2.03；千问的调用在榜上是未定价，美元成本缺一块。效率分按 token 算，账单按美元算，两者不是一回事。 另一边，Claude 的总耗时约 127.7 分钟，Grok 约 277.1 分钟，其中第五关有模型整整 80 分钟没算出来交了白卷，却又在最后一关手算到小数点后六位过关。 回到选型上，如果你的场景是高并发、低单价，排名第七的 DeepSeek 可能比排名第三的 Claude 更合适；如果是一次性的高价值设计，Claude 的能力分仍然值得那个价。名次回答不了这个问题。ModelDial哔哩哔哩
还有一个容易被忽略的前提：这不是一次受控实验。只有 1 轮、6 关、8 个模型，单次结果；思考档位并不统一，Gemini、千问用 high，混元在部分关卡用 default，Grok 用 xhigh，其余多为 max；同一位模型在不同关卡的档位也可能变，混元第一关是 default、后面是 high；千问还是以匿名鸭子模型 QoDuck 参赛。样本小，最后两关又占一半权重，一道题失手就足以把名次拉下去。把它当成“结构推理和长程约束”的一个切片可以，当成通用模型能力榜就超纲了。
所以，这份排名能当参考吗？能，但要降级使用。先看能力分和一次过率，圈出在“空间结构 + 长程约束 + 预算控制”上稳的模型；再看失分原因，确认那些坑你的业务能不能容忍；最后把账单和延迟放进来，算你自己的单位成本。真正的选型，还是得拿 50 到 100 条自己的真实任务做 A/B，把质量、格式合规、成本、延迟和失败可恢复性一起打分。造桥赛能告诉你谁在桥上稳，不能告诉你谁写文案、写代码、做客服更好。
