对主流的几种coding model一次测试，包括GPT 5.4、GPT 5.6 luna、Deepseek v4 flash正式版、Claude sounet 4.6

作为coding model，核心是理解现有代码库、准确遵循需求、代码质量稳定、使用工具能力强、低幻觉、低越界、上下文大、成本与速度优秀等等。想着Deepseek v4 flash正式版出来了，也想测试一下。

本次测试使用GPT-5.6-SOL（high)出题，题目简单要求为：

实现一个仅使用 Python 标准库的本地任务编排器 ForgeLite：读取 JSON 工作流，根据任务依赖和并发上限执行命令，并支持变量替换、失败重试、超时、增量跳过、Dry Run、SIGINT 取消及原子 JSON 报告。

题目有些难点，例如要求正确处理依赖图、并发调度、失败阻塞和无关分支继续执行；实时区分并转发 stdout/stderr，同时可靠管理多个子进程，超时或 Ctrl-C 时必须终止整个进程树，包括忽略 SIGTERM 的顽固后代等等不一一列举。

分开4个独立区间，每个独立区间给 Implementation Plan，独立运行cli，根据文档进行编写并最终交付成果，而且要求入口和 README 完整，只用标准库，目录中没有测试、缓存等违规产物，考察模型一次成型能力。

详细评分标准由fable 5 (high) 给出，同样fable 5对四份成果全量测试后最终交付评分报告（这个测试过程包括26组复合黑盒用例，28个原子补充检查及顽固后代等专项检查，过程非常漫长）

最终评分结果：

排名\模型\得分\用时（分钟）

1\DeepSeek V4 Flash (high)\99.00\8

2\GPT-5.4 (high)\97.00\30

3\GPT-5.6 Luna (max)\96.25\38

4\Claude Sonnet 4.6 (high)\94.00\25

简要说明：

四个coding model的交付均通过了入口启动、依赖调度、并发控制、失败传播、重试、增量跳过、Dry Run 和 JSON 报告等主要测试。

-Deepseek v4 flash正式版：几乎完整，仅 Dry Run 报告状态有一处偏差；完成速度亮眼，只用了8分钟，远远抛离其他对手。

-GPT-5.4 (high)：功能很完整，主要问题是交付目录残留缓存文件。

-GPT-5.6 Luna (max) ：主体可用，但漏检了数组命令中的空字符串参数。

-Claude Sonnet 4.6 (high) ：普通场景可正常运行，但遇到忽略 SIGTERM 的顽固子进程时可能挂住；stderr 转发通道也有偏差。

四份实现都能运行并完成常规工作流，前三份尤其接近完整成品；Claude Sonnet 4.6 (high) 在复杂进程清理场景下可靠性稍弱。

补充说明，3个模型均用默认的high强度，GPT-5.6 Luna选max是因为足够便宜，而没有使用Claude Sonnet 5.0，也是价格原因。其中Deepseek v4 flash使用pi，其他使用claude code完成。