在开发机 10.2.145.100 上，用同一套反馈题、同一套「交付物实核」标准，横向对比
11 档模型（中台 / 移动 / 电信 × 是否开思考）。每档跑 Medium 7 题 + Heavy 7 题，共 14 题；
并发 C=1/2/4，超时 900s 并带 recover。成功率按是否交出合格交付物计，不只看会话是否结束。
去查金价 / GDP / 铜价等公开数据，整理成一张像样的 Excel 交出来。
考的是：找数、整理、表格写实、文件交对。工具链短，成败主要看表里有没有真数据（有效 xlsx，非空 ≥2 行）。
按数字员工套路走一遍：自己写 Python 脚本，用 bash 跑起来，一次交出至少 3 个文件（表 + 摘要 + 看板），再 present_files。
考的是：会不会按流程干活、写脚本、一次交齐多产物。更像完整交付流水线，不只是一张表。
综合成功率 = Medium+Heavy 共 14 题过关比例；分档图分别看两档本事。
C=4 P95 是高压下的脚本级时延（秒）；贴 900s 附近多半是超时/压垮，不是「刚好跑满」。
质量第一梯队：移动 GLM 开思考（11/14）。第二梯队并列：移动 GLM 关思考与电信 DS 开思考（均为 10/14）——前者 Medium 更快，后者 Medium/Heavy 都稳在 5/7。电信 GLM/Kimi 开思考处第三梯队（8/14）。中台 Kimi 关思考综合 50%，靠 Heavy 撑场面；开思考反而拖累 Heavy。移动/电信 Kimi 关思考与中台 Kimi 开思考都在 43% 一带；移动 K2.7-code 垫底。
| 名次 | 模型 | 网关 | 思考 | Medium | Heavy | 合计 | 成功率 | Med C4 P95 | Hvy C4 P95 |
|---|
最高 11/14（GLM 开）。关思考 10/14 且更快。
Kimi / K2.7-code 综合偏弱，Heavy 高压易崩。
最高 10/14（DS 开），追平移动 GLM 关。
Kimi 开思考抬升 Heavy；GLM 开思考中等偏上。
Kimi 关思考 7/14：Heavy 强、Medium 弱。
开思考综合掉到 6/14，Heavy 明显变差。
| 网关 | 实验档位数 | 该网关最高综合 | 对应模型 |
|---|---|---|---|
| 移动 | 4 档 | 11/14 最高 | GLM 开思考 |
| 电信 | 5 档 | 10/14 最高 | DS 开思考 |
| 中台 | 2 档 | 7/14 最高 | Kimi 关思考 |
GLM：移动开思考（11/14）明显强于电信开思考（8/14）；移动关思考也强于电信关思考。Kimi：电信开思考（8/14）好于电信关/中台开（6/14）；中台关思考（7/14）靠 Heavy，不宜指望 Medium。DS：仅电信有开思考档，综合已进第二梯队。
交付质量优先 →移动 GLM 开思考。质量与速度平衡 →移动 GLM 关思考，或电信 DS 开思考。电信主路由备选 → DS 开 / GLM 开 / Kimi 开（Kimi 偏 Heavy）。中台继续用 Kimi 关思考扛脚本链，不要强行开思考。避免把移动 Kimi / K2.7-code 当作高并发主模型。