选模型，多一个参照。

先看测什么写代码、修仓库、生成图片，衡量的是不同能力。

再看怎么测同一模型的推理强度、Agent 与生成规格，都可能影响成绩。

最后看适不适合结合价格、速度与实际体验选择；小幅分差不等于明显更好。