十月最佳模型评测：我让本月最热门的 6 款模型执行了相同的智能体任务。被炒得最火的那款，5 项只通过了 1 项

十月是模型领域热闹非凡的一个月。DeepSeek、Google、OpenAI、Anthropic 和 Moonshot 都发布了新东西，Flint 则突然冒了出来，凭借一项 SWE-bench 分数引发了大家的热议。我一直听人提起的就是这六款，所以趁着这个月即将结束，我把它们都测了一遍。测试配置：Atomic Agent 0.6.13，云端模式，开启自动批准，全部 6 款模型均通过 OpenRouter 接入，每项任务都在 macOS 沙盒内的全新文件夹中进行。每款模型都要完成 5 项小型编程任务，每项都藏着一个陷阱：YAML 覆盖配置、在隐藏数据上重新运行统计脚本、修复 slugify、统计 ERROR 日志行，以及在一个相似函数旁进行重命名。每项任务限时 10 分钟，每款模型只跑一轮。模型 发布日期 通过数 每项任务耗时中位数 全部 5 项任务的费用 DeepSeek V4.1 Flash 10月17日 5/5 14秒 0.02美元 Claude Haiku 5.5 10月7日 5/5 12秒 0.035美元 Gemini 4 Argon 10月13日 5/5 43秒 0.47美元 Kimi K3.1 Pro 10月23日 5/5 40秒 0.59美元 GPT-6.1 Terra 10月26日 5/5 18秒 0.65美元 Recursive Flint（免费档）10月21日 1/5 8分钟 免费 样本很小，所以这只是初步体验，并非最终排名。所有大模型都通过了全部任务。但收费差别很大：同样的 5 项任务，DeepSeek V4.1 Flash 花了 2 美分，GPT-6.1 Terra 花了 65 美分。同样全部通过，费用却相差约 30 倍，而且 DeepSeek 还更快。Haiku 5.5 则是另一位低调的赢家：在所有模型中速度最快，费用还不到 4 美分。Flint Flint 就是最近大家一直在发帖讨论的那款模型，厂商宣称它在 SWE-bench Verified 上得到了 74.2 分。在我的测试中，它通过了 YAML 任务，但其他模型几秒就能完成的事情，它花了 8 分钟。它算错了统计结果，没完成重命名，另外两项任务则耗尽了时间。公平地说，那个下午免费端点一直断断续续地宕机（“no upstreams available”，即“没有可用的上游服务”），所以它可能运行在一台不堪重负的服务器上。我尝试通过另一个智能体（Pi）重新运行相同任务，以排除我这边配置的问题，但端点一直返回 503 错误，因此这次复核始终没能得到一次公平的测试机会。如果有人在本地运行 Flint，我很想看看你们的数据。我的收获 智能体在每一步都保持提示词的开头完全一致，因此每款模型 79% 到 83% 的输入都命中了提示词缓存，这也是连那些昂贵模型的费用都能控制在一美元以内的重要原因。每一步都有日志，所以我才能判断 Flint 是卡住了，而不只是速度慢。十月发布的这些模型，你日常实际在用哪一款？