AI Agent 模型横测（2026 年 4 月）

2026 年 4 月 30 日，「卡尔的AI沃茨」在完全相同的 hermes-agent-workflow-features 环境下（记忆、Skill、系统设置、工具全部一致），对四款顶级模型进行了五关 Agent 场景横测。

参赛选手

五关测试结果

第一关：Skill 打包

将 Claude Design 提示语打包成可发布的 Skill。

• GPT 5.5：标准答案，列出能力但去掉了明显约束
• MiniMax M2.7：发现更多细节，认为触发条件不够宽
• DeepSeek V4 Pro：自检出较多问题，提出了新潜在问题
• MiMo-V2.5-Pro：先检查已有 Skill，确认后才新建，更关注触发阶段的使用问题

第二关：网页开发

基于 Skill 做个人网页，测试审美迁移能力。

• GPT 5.5：学到 Claude 精髓但定位/缩放有问题，有 SVG 互动
• MiniMax M2.7：表现最佳 — 优先保证完整性，互动有巧思（输入光标、动态图表），中英文字体搭配好
• DeepSeek V4 Pro：创意惊喜（鼠标探照灯交互），但长文处理差
• MiMo-V2.5-Pro：贴合普通个人网站，第四页做了命令行样式，交互不够亮眼

第三关：PPT 设计

把 Hermes 安装手册变成 HTML PPT。

• GPT 5.5：排版无问题，但像倒出全部思考过程
• MiniMax M2.7：更偏向说明性，认为 10 页只够安装部分
• DeepSeek V4 Pro：从第二页开始放飞，配色没问题但页面切换不一致
• MiMo-V2.5-Pro：频繁触发确认，上下文 154K 左右就不继续，但最终结果质量好

第四关：知识库管理

整理本地 Obsidian 知识库目录。

• GPT 5.5：给出完整方案（文件数量统计、测试流程、两周试点、定时迁移），延伸了 Agent 优势
• MiniMax M2.7：同样用定时迁移 + 试点，给出更具体的时间轴和评估标准（3 周内语义索引使用频率）
• DeepSeek V4 Pro：路线最激进 — 要求用户自问自答，给出 LLM wiki 完全重建方案
• MiMo-V2.5-Pro：给出三条路线，不动已有目录，在旁边新建 LLM wiki 作为速读层，主动要求对话

第五关：浏览器自动化

高 token 消耗的浏览器任务：对比 ClawHub Top 100 Skill 排名变化并可视化。

• GPT 5.5：耗时是其他模型的 2-3 倍
• MiniMax M2.7：结论最细致 — 记录路径错误、翻页实现方式，给出潜力 Skill 评估标准
• DeepSeek V4 Pro：发现排名大幅震荡但只提醒不修复
• MiMo-V2.5-Pro：浏览器自动化表现最好 — 完成 Skill 加载、网页梳理、找到 Obsidian 数据备份、编写分页脚本、配置本地定时任务

综合评价

如果一个模型只是会聊天，它很快就会露馅。如果一个模型只是编程强，它也会在 PPT 里露馅。

作者结论：在 Claude 反复调价的背景下，选择 GPT 5.5 + MiniMax M2.7 作为长期 Agent 模型搭配——不是最炸，但「真用得起、愿意每天用」。

各模型优劣势总结

相关页面

• gpt-5-5 —— OpenAI 旗舰模型
• mimo-v2-5 —— 小米开源 Agent 模型
• hermes-agent-workflow-features —— 测试使用的 Agent 框架
• agent-harness —— Agent 框架概念

外部链接

• 千元横测 GPT、DeepSeek、Xiaomi、MiniMax 的最强模型
• ClawHub - Agent Skill 市场