同一道题、同一个智能体（OpenCode），多轮串行，取中位数看实力与稳定性，不看单次运气。
附图 target.png 是一个网页在 1920×1080 浏览器窗口中的完整截图（图片也在当前目录下）。请用 HTML + CSS 尽可能精确地复刻这个页面。 要求： 1. 写在当前目录的…
帮我在网页上画PS手柄，然后支持真实的手柄接入，按相应的按钮，会做出对应的反应。要考虑到多手柄接入，我最多会接入四个手柄。 核心要求： 1、网页制作漂亮，匹配主题，有设计感 2、手柄轮廓和样式…
| 模型 | 网页截图复刻（灯塔守夜人手记）综合分中位数 · 3 轮 | 坦克大战视觉推理正确率 · 10 轮 | PS 手柄可视化（多手柄 / 幽灵插槽）综合分中位数 · 5 轮 | 待办事项单页应用综合分中位数 · 1 轮 |
|---|---|---|---|---|
| DeepSeek V4.1 Flash | 7.75交付 3/3 | 100%答对 10/10 | 7.00交付 5/5 | 9.55交付 1/1 |
| MiniMax M3.1 Flash | 7.40交付 3/3 | 30%答对 3/10 | 6.50交付 5/6 | 9.55交付 1/1 |
| GLM 5.3 Flash | 6.15交付 3/3 | 50%答对 5/10 | 5.90交付 5/5 | 9.70交付 1/1 |
| Qwen3.8 Flash | 6.05交付 3/3 | 10%答对 1/10 | 5.15交付 5/5 | 9.25交付 1/1 |
| MiMo V2.6 Flash | 6.75交付 3/3 | 20%答对 2/10 | 0.00交付 2/5 | 9.40交付 1/1 |
| Claude Haiku 5.5 | 8.05交付 3/3 | 50%答对 5/10 | 7.00交付 2/2 | – |
| GPT-6 Luna | 7.35交付 3/3 | 20%答对 2/10 | 6.33交付 2/2 | – |
每个模型在隔离的临时目录里独立作答，智能体统一为 OpenCode（build）。每题串行跑多轮，接口报错可同轮重跑，超时、零产出算模型失败。
编程题先由脚本在浏览器里跑功能用例并截图，再由评审逐张看图、读代码打分：综合 = 完成度×0.4 + 代码质量×0.3 + 页面效果×0.3。问答题只看结论对错。
多轮汇总、每轮报告、功能场景截图、模型产出的完整代码（可直接打开运行），以及每次运行的完整对话回放：思考、工具调用、耗时与 tokens。