大模型更新与真实任务评测
不搬运发布会，不把官方 Benchmark 当作自己的实测。每次模型更新都回到真实任务：怎么开启、怎么用、成功在哪里、失败在哪里、成本多少，以及它是否值得进入长期工作流。
工程阶段
01
国际通用模型更新 →
GPT、Gemini、Claude、Llama、Grok 等模型更新后的真实开发与推理任务验证。
02
中文模型生态更新 →
Qwen、DeepSeek、Kimi、GLM、豆包、混元等中文模型的能力、限制与使用判断。
03
代码与真实项目任务 →
代码理解、跨文件修改、故障定位、长上下文和工程约束，不使用脱离项目的玩具题替代。
04
内容、搜索与研究任务 →
长文、搜索问答、引用、SEO/GEO、资料研究和内容运营任务。
05
Agent 与工具调用任务 →
规划、Tool Use、结构化输出、权限和失败恢复，判断模型是否适合进入 Agent Runtime。
06
价格、权限与使用边界 →
账号、地区、API、价格、上下文、速率限制和暂未开放能力都必须写清楚。
