T2多轮汇总
坦克大战视觉推理（基地会不会被击毁）
测试题目
根据参考图回答下面问题：
如果两炮能打掉红色框中的砖块，那么黄色坦克朝右开两枪会怎么样？基地会怎么样？
参考图：question.png（已附在消息中，也在当前目录下）
标准答案基地被击毁
正确率第一DeepSeek V4.1 Flash100%（10/10）
交付最可靠GLM 5.3 Flash10/10 交付
有效耗时最短GLM 5.3 Flash0.3 分
三维总览
正确率 · 耗时 · 费用；同一行是同一个模型，按综合排序；耗时、费用为 10 轮中位数
分项对比
汇总按正确率排序
| # | 模型 | 正确率 | 答对 | 交付率 | 超时 | 中位耗时 | 中位有效耗时 | 中位 Tokens |
|---|---|---|---|---|---|---|---|---|
| 1 | DeepSeek V4.1 Flash | 100% | 10/10 | 10/11 | 0 | 3.6 分 | 2.5 分1 次等待异常 | 264.7k |
| 2 | GLM 5.3 Flash | 50% | 5/10 | 10/10 | 0 | 0.7 分 | 0.3 分 | 15.1k |
| 3 | Claude Haiku 5.5 | 50% | 5/10 | 10/10 | 0 | 0.6 分 | 0.5 分 | 22.0k |
| 4 | MiniMax M3.1 Flash | 30% | 3/10 | 10/10 | 0 | 6.7 分 | 5.3 分1 次等待异常 | 412.3k |
| 5 | GPT-6 Luna | 20% | 2/10 | 10/10 | 0 | 0.9 分 | 0.6 分1 次等待异常 | 13.1k |
| 6 | MiMo V2.6 Flash | 20% | 2/10 | 10/10 | 3 | 15.7 分 | 12.6 分 | 380.7k |
| 7 | Qwen3.8 Flash | 10% | 1/10 | 10/11 | 0 | 1.0 分 | 0.6 分 | 12.4k |