市面上能调用的模型越来越多，各家都有自己的亮点，光看宣传文档和跑分数据很难判断哪个真正适合自己——尤其是当任务从单轮对话延伸到多步操作的时候。这次测试把五个主流模型拉出来实际跑一遍，看看它们在真实 Agent 任务中的表现。

测试模型：MiniMax-M3、DeepSeek-V4-flash、Step-3.7-flash、GLM5.2、Gemini3.5 flash

测试任务：制作一个「AI 工具导航站」的 HTML 单页，包含信息搜索、数据整理、页面设计、交互功能、代码实现、运行检查和问题修复的全链路。

MiniMax-M3：稳定、便宜、能跑完

MiniMax-M3 在长链路任务里表现比较稳定，会主动进行多轮工具调用——搜索资料、整理数据、生成页面代码、检查文件、修复问题。整个过程像一个正常工作的 Agent，不会只停留在"给一段代码"的层面。

测试中有一次工具调用失败，但没有影响最后结果，模型会继续往下执行并把页面做出来。

最终页面效果：数据完整度、页面结构和交互功能都比较完整。

从最终页面来看，MiniMax-M3 没有特别追求视觉上的炫酷，但胜在流程稳定，任务理解清楚。测试费用约 1.33 元左右，属于中低成本模型。

经过多次测试，任务制作完成率 100%，工具成功调用率约 98%。适合做批量页面生成、资料整理、代码初稿、轻量级 Agent 任务。

DeepSeek-V4-flash：快和便宜

整体速度比较快，响应干脆。在理解需求、拆分页面模块、生成 HTML 结构这几个环节表现不错。

风格更偏"快速完成任务"——会很快把代码生成出来，但在资料搜索、数据校验、细节修复方面没有 MiniMax-M3 和 Step-3.7-flash 那么细。

页面可以正常完成，基础模块都有（分类、卡片、搜索、详情、表格）。测试费用约 0.2 元，成本优势明显。任务完成率约 100%，工具调用成功率约 99%。

适合"快速生成 + 人工稍微检查"的工作流，但长链路 Agent 的细节稳定性需要看具体平台环境。

Step-3.7-flash：生产级 Agent 定位

Step-3.7-flash 是这次测试中比较符合"生产级 Agent"定位的模型，多工具调用积极性高，会连续完成搜索、读取、整理、生成、修改和检查。

页面效果是典型的深色科技风。在数据整理方面表现突出，AI 工具数据比较全，分类也比较清楚。

内容密度最高，会尽量把任务要求里的模块都补上（标题区、分类筛选、工具卡片、推荐工具、对比表格和总结说明）。测试费用约 0.7 元，价格中等偏下。

任务完成率约 100%，工具调用率约 99%。优势不在低价，而在"能连续跑、少中断、完成率高"。适合高频、多轮、低延迟且包含搜索、文件、代码、修复等工具链路的任务。

GLM5.2：均衡但贵

GLM5.2 在代码生成和页面结构上表现不错，能理解任务需要完整的 AI 工具导航站，页面模块拆得比较清楚。

特点是能力比较均衡，在 Agent 任务中可以正常发挥模型实力。测试费用约 3.66 元，最大的缺点就是贵。

Gemini3.5 flash：审美在线

Gemini 的审美一直比较在线，生成的前端页面更精致，布局更舒服，留白和层次感也更好。相比其他模型，Gemini3.5 flash 更懂前端设计。

但数据收集没有前面的模型多，尤其是和 Step-3.7-flash 对比，Step 收集的数据更全，分类覆盖更完整，工具调用也更积极。测试费用约 9 元，价格明显更贵。适合做展示页、官网 Demo、产品介绍页，但对高频调用要谨慎。

测试结果对比

苏米注：这次测试最值得关注的不是单轮回答能力，而是模型能不能把一个真实任务从头跑到尾。不同模型适合不同场景——做展示型页面优先看 Gemini，做生产级 Agent 流程重点看 Step-3.7-flash，做高频低成本任务看 MiniMax-M3 和 DeepSeek-V4-flash，综合型任务选 GLM5.2。关键是根据场景选模型，而不是只看跑分。