千元横测GPT、DeepSeek、Xiaomi、MiniMax的最强模型，我找到了跟Agent们的绝配
卡尔的AI沃茨 | 2026年4月30日
事情是酱的
这天我在AA榜上看前28的模型感到有点陌生。上周太集中发的后果就是光在用GPT-5.5了，小米的Mimo-V2.5-Pro，DeepSeek V4 Pro还没有放在Agent的场景上测。
所以我跟钱包一拍即合，复制了4个一模一样的Hermes Agent，记忆一样，skill一样，系统设置一样，能调用的工具也一样。我只换模型。
这次的4个候选是GPT 5.5、MiniMax M2.7、DeepSeek V4 Pro和小米Mimo-V2.5-Pro，默认能开高推理就上高。
选手介绍
- DeepSeek V4 Pro：最近刚开了识图模式，5月底之前都是2.5折。总参数量1.6T，比V3.2翻了两倍多。但有被发现放在Agent场景上识别本地的Skill不成功，执行高风险动作的时候也没有询问，Agent框架失效了。还有说V4 Pro巨烧token的，同样的任务是sonnet 4.6 medium的8倍。
- Mimo-V2.5-Pro：能跟GLM 5.1打得有来有回。但额度烧超快，据说是一个5分钟编程任务月额度就没了50%。
- MiniMax M2.7：Coding Plan量大管饱。MiniMax开源了自家CLI，在一个coding plan里还用视频生成，音乐生成和语音合成模型，不需要额外去接MCP server，额度也是分开计算的。
五关横测
第一关：Skill打包
让模型把Claude Design提示语打包成可发布的skill。
GPT 5.5：列出了原版提示语提到的一些能力，去掉了一些很明显的约束条件，整体来说就是一个很标准的答案。
MiniMax 2.7：在打包的过程发现了更多的细节，包括因为它只是一个提示语，里面提到的很多环境都是没有的，所以直接打包成Skill的时候，会把这些理想化的条件设定进去。2.7还觉得现在Skill的触发条件不够宽。
DeepSeek V4 Pro：自检出了不少的问题，甚至提出了一些在之前用Claude Opus 4.6打包这个skill的时候没看到的一些潜在的问题。
小米：先是看到本地已经有一个打包好的Claude design skill，觉得这个skill已经非常完善了，去检查了一下它有没有什么问题。当我明确给他答复要打包成为一个新的skill之后，又给了一个新的，更多针对这个skill在触发的过程中会遇到什么使用问题。
第二关：网页开发
基于刚生成的skill做个人网页。测的是审美迁移。
GPT 5.5：学Claude有点学到精髓了，但定位跟整个尺寸的放大缩小有问题，页面跟组件不是完全对位的，整体是往左边上面缩小的。虽然有SVG点击跳转和右下角提问的互动，但整体不能说是一个成品。
MiniMax M2.7：优先保留了页面的完整性，然后再去做整体的设计和互动。互动有巧思，保留了输入光标，用动态图表做成果展示。中英文字体搭配不丑。
DeepSeek：脑回路跟大家想的都不一样，根据知识库过去分享的内容，想出了用鼠标作为探照灯去看四个角跟中间的信息。交互方式蛮惊喜的，但长文知识处理上差点。
小米：网页更贴合普通的个人网站，在第四页做了一个简单的命令行样式。太强调程序员身份了，没有给到很亮眼的交互。
第三关：PPT设计
加载PPT相关skill，把Hermes的安装手册变成一份能讲的HTML PPT。
GPT 5.5：排版没什么问题，但就像把自己的思考过程一股脑全部倒给你。
MiniMax M2.7：更偏向于说明，觉得10页只够安装Hermes，更想做一个总篇目录。
DeepSeek：从第二页开始放飞自己，配色没问题但页面切换一页蓝一页白，小字排版有问题。
小米：中间做了一次对话重置，会比较频繁触发确认。上下文明明只消耗了154K左右就不往下跑了，需要手动输入继续。但最后输出结果是好的。
第四关：知识库管理
让模型判断本地Obsidian目录怎么整理，准备了从5号到30号中间收录到知识库里的所有零散信息。
GPT 5.5：查看整个目录文件数量，补充说明文件，给了一个测试流程，选了一个合适的目录作为试点先连续观察两周。设置了不同的资料应该进哪个文件夹。延伸了Agent的优势，完全可以做到无感、定时化的缓慢迁移。
MiniMax M2.7：同样用了定时迁移+试点目录，给出了更具体的方案，有时间轴的答复，给出先按照哪几个目录，然后观察3周。评估标准就是这3周是不是多次用到了语义索引来提问搜索里面的文件。
DeepSeek：路线更激进，让我自己给自己问问题，觉得现在的obsidian是处理到一个什么样的阶段。给出了LLM wiki的一个完全重建方案，虽然会抹掉一些项目的目录结构，但会让整体语义匹配更高效。
小米：给了三条路线，并且还给了路线规划。处理方式是在已经有比较成体系的obsidian文件夹的情况下，希望AI能够更快速的理解知识库上下文。在生成方案之前还主动要求跟我进行对话。给出的方法是不动现在已有的目录，而是在旁边新建一个LM wiki作为速读层，obsidian作为一个桥接。
第五关：浏览器自动化
让模型完成高token消耗的浏览器自动化任务。查看Clawhub网页前100的skill，跟前一天的备份对比，看看有哪些新进前100名，会不会跟原有的100名有功能重叠。完成后把结论做成可视化的网页。
GPT 5.5：花了这些下面所有的模型两倍到三倍的时间才完成任务。
MiniMax M2.7：把结论写的最细致，不仅把中间遇到的路径错误告诉我，还说明了每次翻页是怎么实现的，给出了三个双十榜。给出了潜力Skill的评估标准：新进Top100、下载增量Top20、排名比起上次涨了八位以上。
DeepSeek：对比了多个本地备份后，发现前后排名有大幅度震荡，只给了提醒没有做修复。
小米：在浏览器自动化比前面几个任务表现更好。完成了skill加载，网页内容梳理，还找到了obsidian之前对于这个网页数据的数据备份，额外编写了一个脚本实现分页、结构标准化。最后成功配置了一个在本地运行的定时任务。
结论
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。如果一个模型只会跟着提示语走，它会在知识管理的环节受到原来偏好的影响限制。
在Claude反复调价，Pro套餐已经不包含Claude Code额度的情况下，我会选择GPT和MiniMax作为长期的Agent模型搭配。
它们的组合不一定最炸，但都是真用得起、愿意每天用的模型。
以前总是在问，哪个模型更聪明。但现在真正的问题应该是，哪个模型能长期稳定干活。能封装Skill，有自己的审美，能整理本地知识库，能在浏览器自动化里摔几次后继续爬起来干活的。这才配叫主力模型。
不是榜单上的第一名，是我真的敢把任务全盘交给它负责的那个。
来源
暂无来源