大家好，我是孟健。
这几周我在 Hermes 里来回切了很多模型。真跑下来，我越来越确认一件事：模型的水平，很多时候早就写在价格里了。把性价比榜倒过来看，八九不离十就是质量排行。
这不是 benchmark 结论。
是我把 Hermes 当生产底座，拿它去跑多 Agent、长流程、代码任务、资料整理之后，交出来的体感排序。
01 先给排序：贵，很多时候不是乱贵
先看这张图。
图里是按价格排的：便宜的在前，贵的在后。
但我这轮实际测下来，如果你把它倒过来看，它反而更像质量榜。
我的主观体感大致是这样：
- 第一梯队：GLM-5.1
- 第二梯队：GPT 5.4、Gemini 3.1 Pro
- 再往后：K2.6、Qwen
- 更偏工具型补位：MiniMax
这里我说的是拿来当 Hermes 的主力生产模型，不是单轮聊天，也不是刷榜题。
主力生产模型看三件事：能不能把活干完，干得稳不稳，废话多不多。
为什么我会说“价格倒过来接近质量榜”？因为模型真正的成本，从来不只在 API 单价里。
你还要算三笔隐形账：
- 返工成本：一次轻微幻觉，可能换来一整轮重跑
- 吞吐成本：一句多余解释，放到几十个 session 里就是半天
- 调度成本：限频、卡顿、上下文松动，都会把整条链路拖慢
所以很多看起来便宜的模型，只是在账单上便宜；放进生产链路里，未必便宜。
只要你真的拿它跑 terminal、browser、文件系统、长上下文、多轮追踪，排序会和很多宣传页很不一样。
便宜，不代表划算。真正贵的是便宜模型把你一天节奏拖烂。
02 为什么我现在把 GLM-5.1 放在最前面
这轮测试里，GLM-5.1 给我的评价是最高的。
不是因为它最便宜。恰恰相反，按图里的综合成本，它并不便宜。
我把它排到最前，原因只有一个：它在真实 Agent 任务里，表现比价格更强。
和 GPT 5.4、Gemini 3.1 Pro 放一起看，GLM-5.1 的优势主要有三个：
- 执行欲更强。给任务就动手，不爱铺垫，不爱讲场面话。
- 中文工程语境更顺。路径、配置、环境变量、中英混合说明，它吃得更稳。
- 长流程里不容易松掉。做多步任务时，推进感更强。
这也是为什么我现在会把它放在 Hermes 的主模型位优先考虑。
但它不是没缺点。
GLM-5.1 最大的问题，不是能力，是限频。
单 Agent 跑还好。
一旦多 Agent 并发，429 和等待就会把节奏切碎。你明明感觉它脑子够用，但系统吞吐上不去。这也是它今天唯一一个会让我犹豫的点。
03 其他几个模型，我的真实评价
GPT 5.4：强，但太啰嗦
GPT 5.4 的问题不是不聪明。
是太爱解释自己。
你让它改配置，它先给你复述任务；你让它查问题，它先写思路；做完之后还想再总结一遍。单次对话里这叫“服务感”，放到 Agent 流程里，这叫拖慢吞吐。
一个模型每轮多说 20%，放到一整天几十个 session 里，就是肉眼可见的成本和等待。
K2.6：能力在线，但慢，而且有轻微幻觉
K2.6 的上限不低。
复杂任务它能做，代码活也能接，很多时候思路是对的。
但我现在没把它放到更前面，原因也很直接：慢。
Agent 场景不是只看答得对不对，还看系统有没有“推进感”。K2.6 在这点上会让人等得有点烦。
第二个问题是它会有轻微幻觉。不是那种离谱胡说，而是细节上偶尔会多走半步、补半句、替你做一个没被授权的假设。这个问题在人盯着看的时候不致命，但放到自动链路里，就会变成返工。
MiniMax：还在 L2 阶段，优势是快
MiniMax 给我的感觉更像“能干活的轻量助手”，不是“能独立扛复杂流程的主模型”。
我会把它放在速度优先、成本敏感、失败可接受的环节。
如果要扛复杂生产任务，它和前面几个不是一个档位。
Qwen：中规中矩，没有明显短板，也没有明显惊喜
Qwen 的问题不是差。
是太普通。
你很难说它哪里明显翻车，但也很难说它在哪个关键维度把人打穿。放在 Hermes 这种要长期跑、多模型编排的系统里，它更像一个“可用选项”，不是“必须选项”。
04 Hermes 里真正值得做的，不是赌一个模型
我现在更认同的思路，不是 all in 某一家。
是把 Hermes 当成一个模型调度层。
主模型可以追求上限。
Fallback 可以追求稳定。
Vision、OCR、标题生成、Session Search 这些辅助位，反而应该优先用性价比高的模型。
图1里那套思路，我更认同：
- 主模型：谁最能干活，用谁
- Fallback：谁更稳，用谁兜底
- 辅助模型：谁便宜且够用，用谁填坑
比如图1里，Web Extract、标题生成、OCR 这些位子，就没必要上最贵模型；能用 Gemini Flash、Haiku、Whisper 这类辅助模型解决的，就别让主模型去烧钱。
这才是 Hermes 真正有意思的地方。
你不是在选一个模型。你是在搭一支模型编队。
如果你问我这轮测完的结论，我会给一句很不政治正确的话：
今天的模型市场，价格体系已经比很多榜单更诚实了。
你把性价比榜倒过来看，基本就知道谁该做主力，谁该当备胎，谁只适合干杂活。
工具就摆在那里。模型也摆在那里。
真正拉开差距的，不是你用了哪个名字最大的平台，而是你有没有把它们放到对的位置上。
👋 我是孟健，前腾讯 T11 / 前字节技术 Leader，现在全职做 AI 编程。
🔥 更多 AI 编程实战：
- GitHub：@mengjian-github
- 专栏：AI编程实战
觉得有用？点赞+收藏 就是最大支持 🙏
