魔方复原动画测试里，Claude Opus 4.8 五次尝试全部翻车，零次干净通关。同门的Claude Fable 5，五次全部干净通关。同一个"Claude"品牌，答案完全相反。
这轮横评来自 TryAI，用 12 个模型测 4 类应用，每项任务各跑 5 次。作者说得很直白：这是主观判断，不是科学基准，但所有尝试都留了公开链接，方便读者自己验证。
三个任务，三张成绩单
光线投射迷宫（Doom式第一人称迷宫）看角色能不能真的走起来。GPT-5.6 Sol 五次全过关，质量在这轮里最好；Grok 4.5 同样5/5，成本却低得多；GPT-5.6 Luna 也是5/5，成本最低。Muse Spark 1.1 只成功两次，但成功时质量能追平Sol——能力上限高，不代表每次都够得到。
魔方任务测的是打乱后能不能干净复原，动画不能卡顿、颜色不能跳变。Claude Fable 5 五次全部通关；Claude Opus 4.8 五次全部翻车。GPT-5.6 Luna 在这里也是0/5，一打乱就崩；GLM-5.2 同样挂零。
计算器任务看着最简单，却翻车得最没道理。Kimi K2.6 五次全灭，原因是处理不了负数。GPT系普遍用力过猛，一个计算器也要做3D效果、加多余按钮，反而更不稳。Qwen 3.7 Plus 便宜又稳，4/5，五次调用总成本只要0.04美分。
| 任务 | 表现最好 | 表现最差 | 关键变量 |
|---|---|---|---|
| 光线投射迷宫 | GPT-5.6 Sol（5/5，质量最佳） | Muse Spark 1.1（2/5，成功时质量追平Sol） | 成本相差近9倍 |
| 魔方复原动画 | Claude Fable 5（5/5） | Claude Opus 4.8（0/5） | 同门两极分化 |
| 计算器 | Qwen 3.7 Plus（4/5，成本0.04¢） | Kimi K2.6（0/5，负数处理失败） | 简单任务不等于零风险 |
原文还测了第四个应用，但完整数据没有给出，这里不展开。
对开发者和技术圈读者意味着什么
对做小工具生成的开发者，这轮测试给出的提示很具体：同一家公司的不同档位模型，不是同一套能力打折出售，是完全不同的工程取舍。选Claude不能只看品牌，要先看具体任务的历史通过率。
如果任务里有数值边界，比如计算器要处理负数、除零，Kimi K2.6 这类模型需要单独测试，不能直接信任demo效果。高频调用、预算敏感的场景，Grok 4.5和Qwen 3.7 Plus这类低成本高稳定组合更值得先试，但同样要按具体任务验证，不能照搬这轮的通过率。
对跟踪模型性价比的读者，这轮结果说明"开源全面落后"或"闭源全面领先"都站不住。Qwen便宜又稳，GLM-5.2和Kimi K2.6却在某些任务上直接挂零。开源与闭源的差距，已经变成任务对任务的差距，不是阵营对阵营的差距。
下一轮如果把尝试次数从5次拉长到10次，或者换成更接近真实项目的复杂场景，同门模型的两极分化会不会缩小，这是比"谁赢了"更值得盯的问题。
稳定比高光重要
峰值能力决定种草，交付稳定性决定能不能真用。孙子说"兵无常势，水无常形"，放在这轮测试里恰好对上：没有一个模型能在三个任务里通吃，连同门兄弟都能打出天壤之别。
Claude Opus 4.8和Fable 5的分裂说明品牌不能兜底。Qwen 3.7 Plus 性价比突出，但同为开源的GLM-5.2和Kimi K2.6在各自任务上直接挂零，"开源能打"这句话得看具体任务才算数。
AI编程工具卖的不是一次演示的惊艳，是十次、一百次调用后依然靠谱那份笃定。Muse Spark 1.1 的2/5，就是"高光但不可靠"留给真实产品的一个具体案例。