用一个真实需求测试了DP V4 Flash + grok4.5 + 5.6-luna + opus 5的表现

本次比较的不是哪个模型更厉害，而是“模型 + Coding Agent + Superpowers 执行流程”的整体表现。

背景

SuperDev是一个运行态的控制平台，可以统一管理本地所有项目的启停，为coding agent提供mcp用来查询实时和历史日志，debug，以及改代码后可以重启服务而不是自行在命令行中启动服务（以免抢占用户自己测试的端口等情绪），还有就是服务器运行的节点的日志收集和查询。这次的需求是远端开发机功能的收尾工作，做这个功能是因为我在公司有台macbook air，以及为了规避Claude风控和连续不间断的开发工作，所以开发这个功能可以让我的笔记本和公司那台永不停机的笔记本无缝协作。这样一来Claude的开发工作就不会因为我下班回家的路上暂停了。

真实需求：

远程节点只安装了SuperDev的agent应用，没有mcp功能，而且远端节点必须使用tls连接。再加上考虑到远端节点可能没有界面，无法安装桌面端，为了方便的为coding agent安装SuperDev的mcp、skills、hooks，最终采用本地桌面通过接口调用远端agent进行安装的方式。

测试方法

工具和模型

• Claude code + Claude Opus 5 (xhigh)


• Codex cli + gpt-5.6-luna (max)


• Grok builder+ grok 4.5 (high)


• Open Code + DeepSeek V4 Flash (max)

skill和测试方法

spec和plan是Fable 5使用了superpowers完成的，然后打开四个工具，让他们分别创建一个工作树和分支进行开发。使用superpowers:executing-plans的subagent方式。

完成情况（按照完成速度排名）

grok 4.5 (high)

• 耗时：2小时7分钟


• 消耗token：总消耗：46M 输入：45.84M，输出：426.8K，缓存输入：42.07M


• 总花费：20%左右的周限额，SuperGrok $30档，换算一下约$1.5。API的话大概$23


• Bug数量：2个


• 修复次数：3次，最后一个bug修复了两次


• 中间提问次数：0次

DeepSeek V4 Flash (max)

• 耗时：4小时左右


• 消耗token：总消耗：261.2M 输入：260M，输出：1.2M，缓存输入：257.6M


• 总花费：¥9.97,大概$1.46（方便统计单独创建了一个api-key进行测试的）


• Bug数量：3个，比grok多一个skill安装的No such file or directory


• 修复次数：2次


• 中间提问次数：2次

gpt-5.6-luna (max)

• 耗时：11小时19分


• 消耗token：总消耗：599.67M 输入：597.98M，输出：1.69M，缓存输入：583.64M


• 总花费：35%左右周限额，plus档，换算一下约$1.75，API价格的话$16.57


• Bug数量：1个，1个不完美项，切换到远程开发机还需要手动点一次刷新


• 修复次数：1次


• 中间提问次数：2次

Claude Opus 5 (xhigh)

• 耗时：11小时35分


• 消耗token：总消耗：452.8M 输入：451.91M，输出：858K，缓存输入：439.33M


• 总花费：8%左右周限额，max 20x档，换算一下约$4，API价格的话没法算，子agent有sonnet


• Bug数量：1个


• 修复次数：1次


• 中间提问次数：4次

备注

四个agent都有一个共同的bug，原因在plan中就是这么写的，不是开发agent的锅。dp和grok共同有一个claude code安装mcp的bug。

评审

评审结论由fable5给出，从完整度、规范、正确性、测试和可扩展性。我实际测试只在开发机上测试了claude code、codex、open code的安装和卸载，从结果上是一致的，能用。

1. Claude Opus 5 (xhigh)


2. gpt-5.6-luna (max)


3. DeepSeek V4 Flash (max)


4. grok 4.5 (high)

结语

个人认为Superpowers的执行速度太慢了！但是尝试了grill-me的一整套也不是很快，很纠结，在考虑一种全新的开发方式。