編程與 Agent 實測深讀：384K 輸出、23 分鐘對 98 分鐘，以及「隨機路由」的警告

什麼值得買 11 月 12 日的這篇實測是首批測評裏信息量最大的一篇：它既講工程規格的變化，也給出了可覈查的 Agent 跑分式記錄，還附帶了一個對所有首批測評都成立的重要警告。本站按「規格—證據—短板—警告」四段重新整理。

規格變化：輸出上限翻了三倍，計數規則也變了

工程層面最值得注意的三點：最大輸出從上一代的 128K 提升到約 384K（官方口徑 393,216 tokens）；多輪對話默認保留歷史思考過程；max_tokens 的語義改爲「思考 + 答案」合計上限——最後一點會直接影響各類 Agent 框架的 token 預算算法，遷移時不改配置就可能被截斷。

證據：四個 Agent 任務，23:03 對 98:42

B 站 UP 主 Scorpio-117 用 4 個一次性 Agent 任務實測：Qwen4-Max-Preview 總耗時 23 分 03 秒，Qwen3.8-Flash 用了 98 分 42 秒，且全程無人工糾正。另一個例子是單個提示詞 1 小時內復刻出《Super Bunny Man》克隆，含單人、多人模式與多關卡。這類「給任務、等成品」的記錄，比聊天問答更能反映 Agent 模型的真實差距。

短板：前端美觀與 3D 細節

同一篇實測也明確列出弱點：前端 UI 的美觀度仍屬一般；3D 拆解任務缺少內部零件細節。ModelDial 給出的三項評分是：交互 80 分、視覺美觀 64 分、可維護性 55 分——功能強、賣相與工程整潔度跟不上的畫像相當一致。

警告：你測到的可能不是同一個模型

最重要的部分在最後。同一位 UP 主用相同提示詞在 2 臺電腦、4 個客戶端、8 個賬號上測試，主觀感受是「隨機路由到了多個模型」，社區評價隨之兩極分化；另一位創作者上午測出異常的 9 分鐘結果，複測又恢復正常。原文給出的建議值得每個讀者照做：不要憑單一樣本下結論；固定一個入口，用自己的真實倉庫任務至少跑兩遍。這也是本站所有實測整理都標註「個案」的原因。