eesel.ai 实测深读：更聪明了，但话痨、慢，聊天不是强项

eesel.ai 在发布后三天内做了首批系统评测，标题点出了两个关键判断：「更聪明了」和「暂时封闭」。评测写于权重发布之前——它的「封闭」判断如今已过期，但对模型能力的判断仍然成立。先说结论：从 13 到 31 的进步是真实的，尤其在编码 Agent、视觉与文档工作上；但代价同样真实：每任务的成本与耗时都翻了几倍，而且聊天不是它的强项。

进步在哪里：编码、视觉与文档

评测梳理了官方基准表，结论是进步集中在三个方向：编码 Agent 任务、视觉理解与文档/知识工作。SWE-Bench Pro v2 (Hard) 86.3%、PerceptionBench 64.7%、EnterpriseBench-CoreCraft 71.8% 是表里的亮点；AA-Briefcase 从 912 Elo 涨到 1527 Elo，说明文档类 Agent 任务进步最大。AA-Omniscience 的非幻觉率 73.3% 是表中最高——评测认为这说明「事实性短板收窄了」，模型更少编造答案。

与对手比：视觉与金融领先，编码紧跟 DeepSeek

评测的判断是「主要是视觉与金融领先，编码紧跟 DeepSeek 之后」。但在独立的 AA 指数上，Inkling 2 Small 的 30.6 低于 DeepSeek V4.1 Flash 的 32.6、Claude Haiku 5.5 的 36.5，甚至略低于 Gemini 3.8 Flash 的 30.8——厂商自测表与独立榜单给出的排名并不一致，读的时候要分清谁在测。

代价：更贵、更慢、更啰嗦

Artificial Analysis 的独立测量是评测中最值得注意的部分：每指数任务 $1.18、对 15.7 分钟，前代 Inkling Small 是 $0.20、7.0 分钟。成本近 6 倍、耗时翻倍，根源是输出量：每任务约 150K 输出 tokens，是前代约 37K 的 4 倍。AA 的原话是「notably slow per task and very verbose」。评测还提醒：单价 $0.30 输入 / $1.00 输出看着便宜，但 AA 认为这个输入价对同档来说「somewhat expensive」——同档中位价是 $0.24。

两个保留意见：聊天与当时的封闭

评测引述实验室自己的说法：聊天不是它的强项。模型卡还警告了幻觉、指令遵循不完美、长多轮对话变弱、各语言质量不均——这些都是官方自述的短板，不是评测的苛责。另一个保留意见是评测写于 11 月 8 日左右，当时权重还没放出，「封闭」是成立的批评；11 月 12 日权重上架后，这一条已经过期。读这篇评测时要注意时间：能力判断仍然有效，获取方式的判断已经变了。