GRAPH V2 · FIRST OFFICIAL

模型分析

这是当前 16 个模型、每个模型 10 个独立工程任务的正式分析。所有公开分数统一来自 Graph V2 scorer 3.1；模型、provider、runner 和最终选用的 attempt 分开记录。它回答的是“谁在这次复杂知识图谱网站任务中交付得更完整”，不是通用模型能力排名。

返回测试总榜旧榜单

OFFICIAL TASKS

160/160

16 个模型 × 10 个冻结任务，所有槽位都有分数和产物记录。

RUNNER STATE

156/160

156 个正常完成，4 个失败槽位仍按 0 分与真实消耗计入。

S TIER

GPT-5.6 Sol、Claude Fable 5；同档不做精确名次。

SNAPSHOT

2026-07-18

数据生成：2026年7月22日 02:22

READING THE BOARD

先把榜单读对

总榜是档位，不是伪精确排名

按 10 轮平均分划档：S≥60，A=50–59.99，B=40–49.99，C=30–39.99，D=20–29.99，E<20。同一档内的细小均分差不被包装成确定名次。

平均分必须配合中位数和范围

每个模型只有 10 个任务。平均分反映总产出，中位数反映典型轮次，最高/最低分和低尾次数用来暴露“偶尔极强、偶尔不可交付”的波动。

质量榜与性价比榜回答不同问题

质量榜只看产物；性价比榜再引入现金成本、墙钟、调用数和 token 排名。低价或快不能替代质量，高分也不会自动等于高性价比。

QUALITY DISTRIBUTION

16 个模型的质量分布

档位	模型	平均分	中位数	10 轮范围	≥70	<10	失败槽位	平均耗时	调用数	10 任务成本
S	GPT-5.6 Sol	69.95	82.71	1.38–98.82	7/10	1/10	0/10	6.26 分	175	估算 ¥86.606 第一方标准价估算
S	Claude Fable 5	62.39	71.47	3.76–98.88	6/10	1/10	0/10	8.58 分	207	估算 ¥188.394 第一方标准价估算
A	Qwen 3.8 Max Preview	53.23	49.34	12.78–89.86	4/10	0/10	0/10	16.91 分	292	订阅制，无法折现订阅制，未定价
A	Kimi K3	50.71	47.53	12.00–95.45	3/10	0/10	0/10	13.09 分	225	¥37.995 官方直连价
B	Claude Opus 4.8	42.55	37.27	7.39–88.12	2/10	1/10	0/10	6.51 分	178	估算 ¥82.736 第一方标准价估算
B	GLM 5.2	41.42	23.14	12.88–87.22	2/10	0/10	0/10	12.64 分	239	¥31.192 官方直连价
C	Hunyuan Hy3	36.93	37.03	0.00–80.15	1/10	2/10	0/10	3.70 分	165	¥3.103 官方直连价
C	MiniMax M3	35.55	25.66	0.00–91.74	1/10	1/10	0/10	6.97 分	161	¥4.568 官方直连价
C	Qwen 3.7 Max	31.43	32.40	0.00–92.89	1/10	1/10	0/10	8.73 分	235	¥29.312 官方直连价
C	LongCat 2.0	30.38	22.52	0.00–81.67	1/10	1/10	0/10	7.02 分	229	¥2.847 官方直连价
C	Grok 4.5	30.08	18.88	17.50–97.53	1/10	0/10	0/10	3.49 分	59	¥12.025 官方直连价
D	DeepSeek V4 Pro	28.07	18.75	6.09–74.62	1/10	2/10	0/10	10.32 分	291	¥3.819 官方直连价
D	MiMo V2.5 Pro	25.64	26.23	0.00–48.56	0/10	1/10	0/10	6.97 分	171	¥2.646 官方直连价
D	Doubao Seed Evolving	24.92	17.96	10.60–54.79	0/10	0/10	0/10	5.31 分	192	¥11.889 官方直连价
D	Step 3.7 Flash	21.66	28.36	2.73–35.71	0/10	3/10	0/10	7.54 分	372	¥10.034 官方直连价
E	ERNIE 5.1	6.58	2.73	0.00–39.27	0/10	9/10	4/10	10.40 分	90	¥37.674 官方直连价

S 档领先，但低尾仍然存在

GPT-5.6 Sol 均分 69.95、中位数 82.71；Claude Fable 5 均分 62.39、中位数 71.47。两者的中位数都高于均分，说明典型轮次很强，但各有一个低于 10 分的尾部任务。

A 档是两种不同的波动

Qwen 3.8 Max Preview 均分 53.23，10 轮范围 12.78–89.86；Kimi K3 均分 50.71，范围 12.00–95.45。二者都没有失败槽位，但都不是“每轮稳定同分”的模型。

B 档均分接近，典型轮次差异明显

Claude Opus 4.8 与 GLM 5.2 均分只差 1.13，但中位数分别是 37.27 和 23.14。只看均分会漏掉 GLM 更明显的高分拉升效应。

失败不会从榜单里消失

当前 160 个槽位中有 4 个 runner 失败，全部来自 ERNIE 5.1。这些槽位按 0 分保留，已经产生的调用、token、耗时和费用同样进入工程消耗；这也是 E 档结果的一部分，而不是需要从平均值里剔除的异常点。

CROSS-RUN READ

四强差距已经从能力面移到时间面

“全面落后”已经不成立

把 Kimi K3、Qwen 3.8 与 Sol、Fable 的最新对照批及历史轨迹放在一起看，四者在算法、数据一致性、搜索、筛选和空间布局上已经互有胜负。真正还拉开样本权重的，是巅峰表现能否跨批复现、一次调用能完成多少工作，以及接近满分交付是否足够确定。

本节是跨批补充观察，不改动上方当前正式榜；不同模型取各自已审计的最新有效批次，所有对照仍来自 scorer 3.1 的 score.json。

01 · 巅峰一致性

“每次都在头部”与“最近一次很强”不是同一种证据

GPT-5.6 Sol69.95 → 64.36 → 61.00

三批都在 S 档

Claude Fable 562.39 → 57.86 → 51.60

三批都在 50 分以上

Kimi K341.94 → 50.71 → 54.55

从 B 档爬到头部

Qwen 3.848.70 → 53.23 → 69.33

Sol / Fable 步子更大，K3 的慢是体验级短板

同题 full2 对照里，Sol、Fable、K3、Qwen 分别用了 147、226、248、245 次调用。Sol 用最少往返完成最多工作；K3 约 23 tok/s，只有 Sol、Fable 正常速度的一半左右，能力已经进第一梯队，交付体感仍在后排。

03 · 上限确定性

闭源头部仍更容易重复交出近满分轮

Sol 与 Fable 在历史批次里都不止一次出现 97+ 的近满分轮；K3 也能触到 95.9–97.4，但更像偶发上限。差距不是“能不能做到”，而是下一次是否还敢预期它做到。

ALREADY COMPETITIVE

已经不能再说落后的五个分项

评分项	Kimi K3	Qwen 3.8	Fable 5	GPT-5.6 Sol
算法 / 数据层	90–100%	98–100%	80–100%	100%
搜索状态	69%	90%	90%	78%
节点详情	56%	80%	50%	33%
类型筛选	60%	70%	40%	67%
空间可读性	63%	80%	52%	73%

Qwen 3.8 的最新批在搜索状态、节点详情和空间可读性上已经是四强最高；这恰好是它早期最容易出现交互漂移与布局坍缩的区域，也说明 Preview 期快速迭代既能补短板，也会让“当前测到的是哪个版本”成为额外变量。

Kimi K3

高上限但双峰明显。主要死法是视觉持续抖动和空白画布；还欠“渲染稳定性 + 速度”两个补丁。

Qwen 3.8

同类渲染事故更少，最新批灾难率降到 10%。补短板最快，但 Preview 版本漂移让跨日复现需要更谨慎。

Claude Fable 5

跨批地板更可信；命门集中在画布空白与关系未渲染，本质上是渲染管线偶发断链。

GPT-5.6 Sol

单步效率与近满分复现最好；软肋是边堆叠、毛球布局和节点详情，不是能力面的全面碾压。

SCORER 3.1

100 分是怎样得到的

评分器不是看截图打印象分，而是在浏览器中验证冻结图谱身份、真实关系渲染、可读布局、交互状态、算法正确性、离线运行和稳定性。11 项基础分合计 100 分：

数据

加载数据身份

节点、边与端点是否与冻结输入一致

图谱

关系渲染

关系线是否真实、完整且可见

视觉

空间可读性

冷启动布局、画布占用与节点分布

交互

搜索状态转换

搜索、定位与清除是否改变状态

交互

节点详情与邻居

点击节点后的字段与邻接关系

交互

类型筛选

筛选控件、状态变化与恢复

交互

缩放、平移与重置

视口操作及重置后的完整恢复

稳定性

离线运行

外部请求、运行错误与资源失败

算法

最短路径正确性

固定路径用例的真实计算结果

数据

统计准确性

顶部、类型与关系统计是否正确

视觉

视觉稳定性

收敛时间、抖动峰值与最终稳定

基础分之后还有可交付性乘数

页面打不开、画布空白、加载的图谱身份不一致、关系几乎没有渲染、依赖外网、主线程失去响应、持续抖动或布局退化，都会触发乘数或上限。例如入口不可加载 ×0.25、空白图谱 ×0.35、身份不一致 ×0.65、关系缺失 ×0.55、关系不完整 ×0.82。评分器按上游根因处理同源失败，避免把一个加载失败重复惩罚多次。

VALUE INDEX

性价比榜及其边界

综合消耗排名

成本排名 × 40% + 耗时排名 × 25% + 调用数排名 × 20% + token 排名 × 15%；性价比指数 = 质量均分 ÷ 综合消耗排名，指数越高越好。

当前结果

Hunyuan Hy3 以 9.98 位居性价比榜首。Grok 4.5 同时拥有最短平均墙钟（3.49 分钟）和最少调用（59 次）。

排名	模型	性价比指数	平均分	平均耗时	调用数	10 任务成本
1	Hunyuan Hy3	9.98	36.93	3.70 分	165	¥3.103
2	Grok 4.5	7.92	30.08	3.49 分	59	¥12.025
3	GPT-5.6 Sol	7.90	69.95	6.26 分	175	估算 ¥86.606
4	MiniMax M3	7.81	35.55	6.97 分	161	¥4.568
5	Claude Fable 5	5.36	62.39	8.58 分	207	估算 ¥188.394
6	MiMo V2.5 Pro	5.34	25.64	6.97 分	171	¥2.646
7	Claude Opus 4.8	4.95	42.55	6.51 分	178	估算 ¥82.736
8	Doubao Seed Evolving	4.57	24.92	5.31 分	192	¥11.889
9	Kimi K3	4.55	50.71	13.09 分	225	¥37.995
10	LongCat 2.0	4.47	30.38	7.02 分	229	¥2.847
11	GLM 5.2	3.57	41.42	12.64 分	239	¥31.192
12	DeepSeek V4 Pro	2.95	28.07	10.32 分	291	¥3.819
13	Qwen 3.7 Max	2.94	31.43	8.73 分	235	¥29.312
14	Step 3.7 Flash	2.19	21.66	7.54 分	372	¥10.034
15	ERNIE 5.1	0.74	6.58	10.40 分	90	¥37.674

Qwen 3.8 只有 Token Plan 订阅信息，没有公开且可换算的按 token API 单价，因此不参与现金成本和性价比排名。Fable、Opus、Sol 的数据库成本字段为 0，本榜统一按各自第一方官方 API 标准价做反事实估算，不等同于代理账单实扣。

AUDIT TRAIL

替换、原始产物与审计边界

最终选用 attempt

当前榜采用第一轮修正后的 16×10 槽位。Opus、Kimi、Qwen 3.8 使用已确认替换轮，Sol 使用首次完整有效轮；旧 attempt 保留在全量审计数据中，但没有混入当前平均分。

原始产物不被网页改写

每个槽位提供完整 raw.tar.gz，保留原目录、文件和符号链接；网页 viewer 只是另行生成的路径兼容副本。源目录与归档各自记录 SHA-256，可独立验证。

时间与成本口径

墙钟来自每个槽位的 startedAt→endedAt，包含模型、工具、本地读写与 harness 开销。价格基准日为 2026-07-22，美元按 1 USD = ¥6.8 折算；缓存与 reasoning 依各模型公开规则计价。

发布包规模

当前发布包含 160 个槽位、4,656 个原始文件、150.7 MB 源数据与 26.4 MB 压缩归档；上一轮 80 个产物完整保存在旧榜单。

LIMITATIONS

这份榜单不能证明什么

• 结果只代表本次 Web4 复杂个人知识图谱网站任务，不可外推为通用编程、推理或写作能力排名。
• 每个模型只有 10 个任务，服务更新、随机性和 agent 路径都会影响分布；均分小差距不等于稳定优劣。
• 最新替换批次没有覆盖完全一致的人工视觉判定，因此当前正式榜只采用所有 160 个槽位共有的 scorer 3.1 自动检查口径。
• 调用数是 OpenCode assistant message 数，接近 API 往返次数但不是 HTTP 抓包；在 assistant message 形成前失败的请求可能不可见。
• 价格不含税、汇率波动、代理加价、订阅沉没成本、工具服务费和人工复核成本；性价比指数应当与质量分布一起阅读。

版本：web4-graph-v2-first-official · graph-v2-first-official-schema-1.3 · graph-v2-scorer-3.1-first-official · 页面生成 2026年7月22日 02:58