编程与 Agent 实测深读：384K 输出、23 分钟对 98 分钟，以及「随机路由」的警告

什么值得买 11 月 12 日的这篇实测是首批测评里信息量最大的一篇：它既讲工程规格的变化，也给出了可核查的 Agent 跑分式记录，还附带了一个对所有首批测评都成立的重要警告。本站按「规格—证据—短板—警告」四段重新整理。

规格变化：输出上限翻了三倍，计数规则也变了

工程层面最值得注意的三点：最大输出从上一代的 128K 提升到约 384K（官方口径 393,216 tokens）；多轮对话默认保留历史思考过程；max_tokens 的语义改为「思考 + 答案」合计上限——最后一点会直接影响各类 Agent 框架的 token 预算算法，迁移时不改配置就可能被截断。

证据：四个 Agent 任务，23:03 对 98:42

B 站 UP 主 Scorpio-117 用 4 个一次性 Agent 任务实测：Qwen4-Max-Preview 总耗时 23 分 03 秒，Qwen3.8-Flash 用了 98 分 42 秒，且全程无人工纠正。另一个例子是单个提示词 1 小时内复刻出《Super Bunny Man》克隆，含单人、多人模式与多关卡。这类「给任务、等成品」的记录，比聊天问答更能反映 Agent 模型的真实差距。

短板：前端美观与 3D 细节

同一篇实测也明确列出弱点：前端 UI 的美观度仍属一般；3D 拆解任务缺少内部零件细节。ModelDial 给出的三项评分是：交互 80 分、视觉美观 64 分、可维护性 55 分——功能强、卖相与工程整洁度跟不上的画像相当一致。

警告：你测到的可能不是同一个模型

最重要的部分在最后。同一位 UP 主用相同提示词在 2 台电脑、4 个客户端、8 个账号上测试，主观感受是「随机路由到了多个模型」，社区评价随之两极分化；另一位创作者上午测出异常的 9 分钟结果，复测又恢复正常。原文给出的建议值得每个读者照做：不要凭单一样本下结论；固定一个入口，用自己的真实仓库任务至少跑两遍。这也是本站所有实测整理都标注「个案」的原因。