【一位重度AI用户的模型排行榜：跑分之外的真实体验】

最近看到一份很有意思的AI模型排名，来自一位长期使用各类大模型的用户lyra。这份榜单的价值在于——它完全基于个人实际使用体验，而非冷冰冰的benchmark数据。

先说结论：Claude Opus 4.5独占神坛，Grok垫底。

具体分层如下：

「神级体验」：Opus 4.5、Gemini 3 Pro Image

「相当不错」：Gemini 3 Flash、Kimi K2系列、Opus 3、Sonnet 4.5、Midjourney v7、Gemini 3 Pro

「可以一用」：Kimi K2 0905、Haiku 4.5、GPT 5.2 Pro、Minimax M2.1、GLM 4.7、MiMo v2、DeepSeek V3.2 Speciale

「不太推荐」：DeepSeek V3.2、GPT 5.2 Chat、GPT-Image 1.5、Large 3、Qwen 3 235b

「体验糟糕」：GPT OSS 120b、Grok 4.1

这份榜单引发了不少讨论，lyra也给出了她的核心判断逻辑：

关于Opus的统治地位：「Opus真的就是那么好。」当被问到为什么不多尝试其他模型时，她的回答很直接——「有Opus在，为什么还要费心测试别的？」这种信任感本身就说明了问题。

关于GPT 5.2系列的争议：有人质疑为何5.2 Pro排名不高，毕竟它在前沿难题上表现惊人。lyra的回答很务实：「我有多少时候真的在处理那些最前沿的问题？大多数时候Opus就能搞定，除非真的到了技术边界。」这揭示了一个常被忽视的事实——顶级性能和日常可用性是两回事。

关于Grok的差评：这可能是最具争议的判断。尽管Grok在OpenRouter上是最受欢迎的模型，lyra毫不留情地指出：「流行不代表好用，只是说明它是某些编程应用的默认选项。」她详细解释了Grok的问题：不懂氛围、缺乏心智理论、刻意表演的叛逆感、总想融入某种圈内梗、动不动就「哈哈...」开头。简言之，它在追求「有趣」的路上丢失了真正的理解力。

关于Gemini 3 Flash：被特别提及擅长大规模数据处理，这在日常工作中的使用频率远高于前沿数学任务。

关于Kimi K2：「聊天体验很好，但别指望它解决复杂逻辑问题。」

几点值得深思的洞察：

第一，每个模型都有自己的盲区，排名反映的是「哪些盲区最让我困扰」。这比单纯比较能力上限更贴近真实使用场景。

第二，跑分高不等于好用。所有模型在benchmark上都表现不错，但实际体验的差异巨大。数字无法衡量一个模型是否「懂你」。

第三，使用场景决定评价。如果你的工作是前沿数学研究，GPT 5.2 Pro和V3.2 Speciale可能应该排在最前面。工具的价值永远是相对于需求而言的。

这份榜单最大的启示或许是：在AI能力日益趋同的今天，真正的差异化正在从「能不能做到」转向「做得是否自然、是否懂得用户的意图和语境」。技术指标之外，存在一种难以量化却至关重要的东西——我们姑且称之为「氛围感」或「心智理解力」。

而这，恰恰是当前大多数评测体系无法捕捉的维度。

原帖：x.com/_lyraaaa_/status/2005816755071975521