我把 Hermes 裏的模型幾乎測了一遍，得出一個很扎心的結論：越貴的，往往越強

大家好，我係孟健。

呢幾條星期我喺 Hermes 入面來回切換咗好多個模型。真係跑落去，我越嚟越肯定一件事：模型嘅水平，好多時一早已經寫咗喺個價錢度。將性價比榜倒轉嚟睇，八九不離十就係質量排行。

呢個唔係 benchmark 嘅結論。

而係我將 Hermes 當成生產底座，攞佢去跑多 Agent、長流程、寫 code 任務、資料整理之後，得出嚟嘅體感排序。

01 先畀個排序：貴，好多時都唔係亂咁貴

先睇下呢張圖。

圖入面係按價錢排嘅：平嘅喺前面，貴嘅喺後面。

但我呢輪實際測完之後，如果你將佢倒轉嚟睇，佢反而更似一個質量榜。

我嘅主觀體感大致係咁：

• 第一梯隊：GLM-5.1
• 第二梯隊：GPT 5.4、Gemini 3.1 Pro
• 再往後：K2.6、Qwen
• 更偏向工具型補位：MiniMax

呢度我講緊嘅係攞嚟做 Hermes 嘅主力生產模型，唔係單輪對話，亦都唔係刷榜題目。

主力生產模型主要睇三件事：能唔能夠搞掂啲嘢、做嘢穩唔穩陣、廢話多唔多。

點解我會話「價錢倒轉嚟睇接近質量榜」？因為模型真正嘅成本，從來都唔係淨係睇 API 單價。

你仲要計埋三筆隱形賬：

• 重做成本：一次輕微嘅幻覺，可能換嚟成個 round 要重跑過
• 吞吐成本：一句多餘嘅解釋，擺落幾十個 session 入面就係半日時間
• 調度成本：限頻、窒機、context 鬆散，都會拖慢晒成條 pipeline

所以好多睇落好平嘅模型，只係喺張單上面平；放落生產流程入面，未必真係平。

只要你真係攞佢嚟跑 terminal、browser、file system、長 context、多輪追蹤，個排名會同好多宣傳網頁寫嘅好唔同。

平，唔代表抵。真正貴嘅係啲平模型拖爛晒你一日嘅節奏。

02 點解我而家會將 GLM-5.1 擺喺最前面

喺呢輪測試入面，我對 GLM-5.1 嘅評價係最高嘅。

唔係因為佢最平。咁啱相反，按圖入面嘅綜合成本嚟睇，佢一啲都唔平。

我將佢排到最前，原因只有一個：佢喺真實嘅 Agent 任務入面，表現比價錢更強。

同 GPT 5.4、Gemini 3.1 Pro 擺埋一齊睇，GLM-5.1 嘅優勢主要有三個：

• 執行慾更強
  。畀任務就即刻郁手，唔鍾意鋪墊，亦唔鍾意講埋啲場面話。
• 中文工程語境更順
  。path、config、environment variables、中英混合說明，佢都處理得更穩陣。
• 長流程入面唔容易鬆散
  。做多步任務嗰陣，推進感更強。

呢個亦都係點解我而家會將佢擺喺 Hermes 嘅主模型位優先考慮。

但佢唔係冇缺點。

GLM-5.1 最大嘅問題，唔係能力，而係限頻（Rate Limit）。

單 Agent 跑嘅話都仲算係咁。

一到多 Agent 併發，429 同埋等待時間就會搞到個節奏碎晒。你明明覺得佢個腦係夠用，但系統吞吐量上唔到去。呢個亦係佢今日唯一一個會令我猶豫嘅位。

03 其他幾個模型，我嘅真實評價

GPT 5.4：強，但太長氣

GPT 5.4 嘅問題唔係唔聰明。

係太鍾意解釋自己。

你叫佢改 config，佢先同你複述一次個 task；你叫佢查問題，佢又寫晒思路出嚟先；做完之後仲想再總結多一次。單次對話入面呢啲叫「服務感」，但放喺 Agent 流程入面，呢啲就叫拖慢吞吐量。

一個模型每輪講多 20% 廢話，放喺成日幾十個 session 入面，就係肉眼可見嘅成本同埋等待。

K2.6：能力喺度，但係慢，而且有輕微幻覺

K2.6 嘅上限唔低。

複雜任務佢做到，寫 code 嘅嘢亦接得起，好多時思路都係啱嘅。

但我而家冇將佢擺得咁前，原因亦好直接：慢。

Agent 場景唔係淨係睇答得啱唔啱，仲要睇系統有冇嗰種「推進感」。K2.6 喺呢點上面會令人等得有啲煩。

第二個問題係佢會有輕微幻覺。唔係嗰種離譜到九唔搭八嘅大話，而係細節上間唔中會行多咗半步、補多半句、幫你做咗個未經授權嘅假設。呢個問題喺有人望住嗰陣就唔算致命，但放喺自動化流程入面，就會變成要返工重做。

MiniMax：仲喺 L2 階段，優勢係夠快

MiniMax 畀我嘅感覺更似係「幫到手嘅輕量助手」，而唔係「可以獨立頂到複雜流程嘅主模型」。

我會將佢放喺速度優先、對成本敏感、就算失敗都接受到嘅環節。

如果要頂住複雜嘅生產任務，佢同前面嗰幾個唔係同一個層次。

Qwen：中規中矩，冇明顯短板，亦都冇乜驚喜

Qwen 嘅問題唔係差。

係太過普通。

你好難話佢邊度明顯翻車，但亦好難話佢喺邊個關鍵維度可以令人眼前一亮。擺喺 Hermes 呢種要長期行、多模型編排嘅系統入面，佢更似係一個「可用選項」，而唔係「必須選項」。

04 Hermes 入面真正值得做嘅，唔係賭死一個模型

我而家更認同嘅思路，唔係 all in 某一家。

係將 Hermes 當成一個模型調度層。

主模型可以追求上限。

Fallback 可以追求穩定。

Vision、OCR、標題生成、Session Search 呢啲輔助位，反而應該優先用性價比高嘅模型。

圖 1 入面嗰套思路，我更加認同：

• 主模型：邊個最幫到手，就用邊個
• Fallback：邊個更穩陣，就用邊個兜底
• 輔助模型：邊個平得嚟又夠用，就用邊個填坑

好似圖 1 入面，Web Extract、標題生成、OCR 呢啲位，就冇必要用最貴嘅模型；可以用 Gemini Flash、Haiku、Whisper 呢類輔助模型搞掂嘅，就唔好叫主模型去燒錢。

呢個先係 Hermes 真正有趣嘅地方。

你唔係揀緊一個模型，你係砌緊一支模型編隊。

如果你問我呢輪測完有咩結論，我會講一句好唔「政治正確」嘅話：

今日嘅模型市場，價格體系已經比好多榜單更加誠實。

你將性價比榜倒轉嚟睇，基本上就知邊個應該做主力，邊個應該做備胎，邊個只係啱做雜務。

工具就擺喺度，模型亦都擺喺度。

真正拉開差距嘅，唔係你用咗邊個名氣最大嘅平台，而係你有冇將佢哋擺喺啱嘅位。

🚀 想同更多 AI 愛好者交流，一齊成長？

同一班志同道合嘅人，每日持續精進 AI

大家好，我是孟健。

這幾周我在 Hermes 裏來回切了很多模型。真跑下來，我越來越確認一件事：模型的水平，很多時候早就寫在價格裏了。把性價比榜倒過來看，八九不離十就是質量排行。

這不是 benchmark 結論。

是我把 Hermes 當生產底座，拿它去跑多 Agent、長流程、代碼任務、資料整理之後，交出來的體感排序。

01 先給排序：貴，很多時候不是亂貴

先看這張圖。

圖裏是按價格排的：便宜的在前，貴的在後。

但我這輪實際測下來，如果你把它倒過來看，它反而更像質量榜。

我的主觀體感大致是這樣：

• 第一梯隊：GLM-5.1
• 第二梯隊：GPT 5.4、Gemini 3.1 Pro
• 再往後：K2.6、Qwen
• 更偏工具型補位：MiniMax

這裏我說的是拿來當 Hermes 的主力生產模型，不是單輪聊天，也不是刷榜題。

主力生產模型看三件事：能不能把活幹完，幹得穩不穩，廢話多不多。

為什麼我會說“價格倒過來接近質量榜”？因為模型真正的成本，從來不只在 API 單價裏。

你還要算三筆隱形賬：

• 返工成本：一次輕微幻覺，可能換來一整輪重跑
• 吞吐成本：一句多餘解釋，放到幾十個 session 裏就是半天
• 調度成本：限頻、卡頓、上下文鬆動，都會把整條鏈路拖慢

所以很多看起來便宜的模型，只是在賬單上便宜；放進生產鏈路裏，未必便宜。

只要你真的拿它跑 terminal、browser、文件系統、長上下文、多輪追蹤，排序會和很多宣傳頁很不一樣。

便宜，不代表划算。真正貴的是便宜模型把你一天節奏拖爛。

02 為什麼我現在把 GLM-5.1 放在最前面

這輪測試裏，GLM-5.1 給我的評價是最高的。

不是因為它最便宜。恰恰相反，按圖裏的綜合成本，它並不便宜。

我把它排到最前，原因只有一個：它在真實 Agent 任務裏，表現比價格更強。

和 GPT 5.4、Gemini 3.1 Pro 放一起看，GLM-5.1 的優勢主要有三個：

• 執行欲更強
  。給任務就動手，不愛鋪墊，不愛講場面話。
• 中文工程語境更順
  。路徑、配置、環境變量、中英混合說明，它吃得更穩。
• 長流程裏不容易鬆掉
  。做多步任務時，推進感更強。

這也是為什麼我現在會把它放在 Hermes 的主模型位優先考慮。

但它不是沒缺點。

GLM-5.1 最大的問題，不是能力，是限頻。

單 Agent 跑還好。

一旦多 Agent 併發，429 和等待就會把節奏切碎。你明明感覺它腦子夠用，但系統吞吐上不去。這也是它今天唯一一個會讓我猶豫的點。

03 其他幾個模型，我的真實評價

GPT 5.4：強，但太囉嗦

GPT 5.4 的問題不是不聰明。

是太愛解釋自己。

你讓它改配置，它先給你複述任務；你讓它查問題，它先寫思路；做完之後還想再總結一遍。單次對話裏這叫“服務感”，放到 Agent 流程裏，這叫拖慢吞吐。

一個模型每輪多說 20%，放到一整天幾十個 session 裏，就是肉眼可見的成本和等待。

K2.6：能力在線，但慢，而且有輕微幻覺

K2.6 的上限不低。

複雜任務它能做，代碼活也能接，很多時候思路是對的。

但我現在沒把它放到更前面，原因也很直接：慢。

Agent 場景不是隻看答得對不對，還看系統有沒有“推進感”。K2.6 在這點上會讓人等得有點煩。

第二個問題是它會有輕微幻覺。不是那種離譜胡說，而是細節上偶爾會多走半步、補半句、替你做一個沒被授權的假設。這個問題在人盯着看的時候不致命，但放到自動鏈路裏，就會變成返工。

MiniMax：還在 L2 階段，優勢是快

MiniMax 給我的感覺更像“能幹活的輕量助手”，不是“能獨立扛複雜流程的主模型”。

我會把它放在速度優先、成本敏感、失敗可接受的環節。

如果要扛複雜生產任務，它和前面幾個不是一個檔位。

Qwen：中規中矩，沒有明顯短板，也沒有明顯驚喜

Qwen 的問題不是差。

是太普通。

你很難說它哪裏明顯翻車，但也很難說它在哪個關鍵維度把人打穿。放在 Hermes 這種要長期跑、多模型編排的系統裏，它更像一個“可用選項”，不是“必須選項”。

04 Hermes 裏真正值得做的，不是賭一個模型

我現在更認同的思路，不是 all in 某一家。

是把 Hermes 當成一個模型調度層。

主模型可以追求上限。

Fallback 可以追求穩定。

Vision、OCR、標題生成、Session Search 這些輔助位，反而應該優先用性價比高的模型。

圖1裏那套思路，我更認同：

• 主模型：誰最能幹活，用誰
• Fallback：誰更穩，用誰兜底
• 輔助模型：誰便宜且夠用，用誰填坑

比如圖1裏，Web Extract、標題生成、OCR 這些位子，就沒必要上最貴模型；能用 Gemini Flash、Haiku、Whisper 這類輔助模型解決的，就別讓主模型去燒錢。

這才是 Hermes 真正有意思的地方。

你不是在選一個模型。你是在搭一支模型編隊。

如果你問我這輪測完的結論，我會給一句很不政治正確的話：

今天的模型市場，價格體系已經比很多榜單更誠實了。

你把性價比榜倒過來看，基本就知道誰該做主力，誰該當備胎，誰只適合幹雜活。

工具就擺在那裏。模型也擺在那裏。

真正拉開差距的，不是你用了哪個名字最大的平台，而是你有沒有把它們放到對的位置上。

🚀 想要與更多AI愛好者交流，共同成長嗎？

和一羣志同道合的人，持續精進 AI 的每一天