本项目 Go 接口实测了 DeepSeek V4.1 Flash 基线和 10 个较低单价候选：10 个教学 AI 场景，每模型每场景 2 次，共 220 次正式请求。测试时间为北京时间 2026-10-06 00:25–00:49。数据全部为合成题意、课件页和学生记录；由本次助手按预先固定的准则判分，并用项目校验器与真实 C 判题交叉核对。
没有发现可以只改模型 ID 就放心全局替换的候选。 Muse 1.3 Contributor 与 GPT 6 Luna 均为 93 分；Space Bunny 免费版为 87 分；MiMo V2.6 Flash 为 86 分；基线为 83 分。选择应按功能分流，并保留引用、批注、题意和用例检查。
| 项目用途 | 本轮建议 | 依据与限制 |
|---|---|---|
| 学生提示、引用导学、图片转写 | 优先小范围试 Space Bunny Free | 17/20 合格，零模型单价；一次提示建议存在语法风险，两次建题都未交付，免费供应为限时 |
| 教师建题与独立断言 | 对完全合成、可贡献数据优先试 Muse 1.3 Contributor | 两类共 4/4 合格，批注 2/2 有效；Contributor 条款允许数据用于训练，不应自动接入可识别学生数据 |
| 较快的教学交互 | GPT 6 Luna 为质量候选 | 17/20 合格，P50 4.39 秒；需 Responses 适配，基础 Go 额度占比约为基线 3.35 倍 |
| 保留 Chat Completions 的付费候选 | MiMo V2.6 Flash 值得试点 | 当前调用形式可连通，已知估算低于基线；仅 13/20 合格，仍有错误断言、非法生成输入和无效批注 |
其他候选本轮没有体现足够的替换收益。结果受当前提示词、输出上限和 45 秒超时影响，没有为每个模型单独调优；不能据此断言模型总体能力。
图 1｜综合质量、合格回复与耗时
图 1｜综合质量、合格回复与耗时
| 模型 | 综合 /100 | 合格 /20 | P50 秒 | 已知 USD /20次 | usage /20 |
|---|---|---|---|---|---|
| Muse 1.3 Contributor | 93 | 18 | 5.35 | 0.003751 * | 19 |
| GPT 6 Luna | 93 | 17 | 4.39 | 0.003699 | 20 |
| Space Bunny Free | 87 | 17 | 10.63 | 0.000000 | 19 |
| MiMo V2.6 Flash | 86 | 13 | 7.95 | 0.003753 | 20 |
| DeepSeek V4.1 Flash（基线） | 83 | 12 | 4.43 | 0.004418 | 20 |
| Muse 1.2 Contributor | 82 | 14 | 7.15 | 0.003723 * | 19 |
| Qwen 3.8 Flash | 79 | 11 | 5.84 | 0.005286 | 20 |
| Longcat 2.5 Preview Free | 73 | 12 | 11.39 | 0.000000 | 16 |
| MiMo V2.5 | 64 | 10 | 18.77 | 0.004884 * | 18 |
| GLM 5.3 Flash | 46 | 7 | 18.95 | 0.009957 * | 14 |
| HY3 | 20 | 4 | 11.81 | 0.011144 * | 16 |
| 编号 | 实际功能与测试重点 | 每次输出上限 |
|---|---|---|
| S1 | 所选失败用例解释：24 被偶数分支截获；局部建议必须能修正路径 | 1,000 |
| S2 | 英语学习对话：区分旧提交与当前代码，前导空行计数，准确批注与课件出处，忽略注释注入 | 2,200 |
| S3 | 空代码时的下一步：只给可执行小步骤，不伪称已运行或代写整题 | 1,000 |
| T1 | 从题意建题：最长连续正数段，C17 程序、测试、提示、题面和最大边界 | 5,500 |
| T2 | 独立核对原题：原要求 B≥75，生成题面误改为 B≥80；断言须按原要求 | 2,600 |
| G1 | 课件引用导学：精确原文支持递归知识点，避开完整解题与封面注入 | 2,300 |
| G2 | 无关课件时返回空导学，不编造知识点或出处 | 2,300 |
| D1 | 教师提交归纳：区分已修正旧错、空代码与覆盖累加错误，不推断全班能力 | 2,200 |
| V1 | 图片转写：代码运算符与流程图真／假分支、回边 | 1,500 |
| V2 | 扫描表格转写：四行逻辑真值表、&& 与 &、边界条件 | 1,500 |
使用项目 worker 中对应场景的系统提示词和结构要求，构造独立合成上下文；直接调用项目使用的 OpenCode Go 服务。未测试 OpenCode 编码代理、仓库改代码或产品 UI，也没有上传真实学生记录或本地原始课件。
图 2｜场景平均分与关键失败
图 2｜场景平均分与关键失败
独立断言也会被错误题面带偏。 基线 T2 两次都指出 75／80 冲突，但对输入 79 仍输出 C，正确值是 B；第二次连 75 也写成 C。MiMo 2.6 和 Longcat 各一次同类错误。Muse 1.3、GPT 6 Luna、Space Bunny 两次均能按原要求给出正确断言。识别冲突不等于完成独立核对。
参考程序与自造测试互相通过，仍可能违背题意。 11 份可解析参考程序通过了每份 40 个独立合法输入，共 440/440；检查模型自造的 66 个输入时，MiMo 2.6 的一份草稿声明 n=100，却只有 99 个数。参考程序与生成预期都得到 100，独立输入结构检查仍判其不合法。11 份参考程序通过不能写成 11 份草稿全部合格。
批注要经过项目的实际定位校验。 S2 当前分支在第 8／9／10 行。基线与 GPT 6 Luna 两次都忽略前导空行／注释偏移，原文看起来正确却全部被 verifiedAnnotations 丢弃；Muse 1.3 与 Space Bunny 两次均有效。另有 Qwen 的 S1 建议只对调条件、保留输出文字；在临时字符串中落实并实判，输入 24／2 仍分别输出 even／six，两者都错。该检查未改源码。
限制条件比通顺程度更能拉开差距。 基线两次 G1 给出了题目禁止透露的阶乘具体条件或递推关系；MiMo 2.6 一次 G1 缺少引用，无法通过 verifiedGuide。免费两款在 T1 均未交付可用草稿。HY3 四次图片请求都对清晰页面回答“无”；GLM 与 MiMo 2.5 各有扫描表格只概述、未转写完整四行的回复。
图 3｜已知计价与 Go 额度消耗