实测10个大模型：免费版击败GPT-5.4，谷歌小模型杀疯了

昨晚有人花了0.19美元，让10个云端大模型干了10件正经事——不是刷LeetCode，而是文件解析、SQL查询、正则提取、异步HTTP请求这些代理真正会碰到的活儿。100次API调用，结果让付费用户有点坐不住。

谷歌Gemma 4：第二名的成绩，白菜价的开销

80%准确率，单次运行成本0.0005美元，唯一打不过的只有Claude。26B版本拿到78%，跟Mistral Large 3同档，价格只要四分之一。作者反复核对数字，因为"看着不像真的"——但数据没崩。

免费档逆袭：Gemini 2.5 Flash干翻GPT-5.4

谷歌免费层的Gemini 2.5 Flash拿下76%，OpenAI的GPT-5.4停在75%。更扎心的是速度：10个任务一共12秒，全场最快。没花钱的反而更快更准，这账怎么算？

Mistral：规模化部署的默认选项

Claude 98%的准确率，10%的成本，19秒跑完。0.002美元。如果正在搭代理系统，这是作者眼中的"默认配置"。

GPT-5.5：贵三倍，错四成

成本0.066美元，是Claude的三倍多，准确率58%。三个任务撞上token上限，输出冗长却没踩中评分模式。模型不差，只是不适合token预算紧张的代理场景。

MiniMax M2.7：完成的题全对，但交卷率六成

做完的6题97%准确率，比Claude还高。但4题直接挂零——强制内部推理烧光了输出预算，还没开始正经答题就耗尽额度。作者形容得很准："聪明的同事，说着说着突然死机"。

Qwen：想对了，但想太久

77%准确率，574秒。Claude只要23秒，它要10分钟。思维链默认开启且无法完全关闭，精度在线， patience offline。

选型建议（直接抄）

要精度：Claude Sonnet 4
要性价比：Mistral Large 3
要白嫖：Gemma 4 31B
要速度：Gemini 2.5 Flash
代理场景绕道：GPT-5.5、MiniMax M2.7

原始数据和逐题得分挂在benchmarks.workswithagents.dev，每晚刷新。作者的原话："因为你应该来挑刺"。