测试仓库

依旧使用本人的一个闭源的项目，以下是具体架构。

评测流程

开 work tree 跑两个测试题目，1 题和 2 题之间不会新开上下文窗口。

测试题目

上次我让 codex 出了一个比较具体的题，虽然没有那么细，但还是给得比较细。这次只给大体意图，让 AI 自己去做。

打分流程

单分支评测 = 每个模型自己打分，不排名

归一化复核 = 把多个单分支报告放到同一把尺子下重新校准

横评 = 基于归一化结果给排名、同档判断、推荐结论

参赛选手 测试速度

Kimi2.6 + Claude Code（35分钟左右）

GLM5.2 + zcode（40分钟左右）

GPT5.5 + codex（40分钟左右）

Gemini3.5flash + Antigravity CLI（10分钟左右）

composer2.5fast + cursor（8分钟左右）

结果

因为上次我秉持着最强模型出题和最强模型打分，所以这次三个模型进行分别打分。

鸣谢

首先鸣谢我自己，然后鸣谢05年的小青年 @GinWU 提供的ollama pro订阅～～～

花絮

后续

composer2.5flash真的这么强吗？有没有用过的佬来说一下，我感觉Cursor用户给Cursor贡献的那么多代码量真的是很有用。

我感觉用 Codex 越来越久，越来越感觉到 GPT-5.5 的强大，但是也越来越觉得它真的是太慢了，慢到爆炸。

这么来说，Cursor 的年费还是挺有性价比的，一年 1400 左右，可以爽用 Composer 2.5？或者闲鱼买学生优惠？

最近我用 3.5 Flash 用的也是比较多的，因为我现在感觉对速度越来越有要求了，速度慢的真的一点都用不了。也有可能我一直用的是xhigh，所以说我觉得它超慢。

附上评测报告，里面有每一个分支模型的单独评测报告和归一化横评报告。

glm测试结果文档.zip (97.2 KB)

gpt5.5评测报告.zip (122.5 KB)

kimi2.7测试结果文档.zip (57.9 KB)

第一期

我是一个重度的codex用户，从GPT5.1~5.5，都是一直在工作或者生活中使用。
我也很信奉一句话，就是不要在低级模型上浪费时间~~
但是同样我也是对AI有兴趣的，所以说我也想来做一些模型横评，其实一直都想做了，但是一直没有时间，因为国产模型之前一直都是差很多，但是GLM5.1确实是进步不小，但是我一直都没有用过，所以说我也想来测一下。
1. 测试项目体量
本人的一个闭源项目，以下是架构…