我觉得现在网上，尤其是网友，讨论大模型的能力比较其实没太大意义，即使是同一个模型：
应用场景不同（有的人写代码，有的人用web聊天，有的人写文档做PPT）
模型设置不同（有的人用默认，有的人开max/ultra）
harness工具不同（codex、CC、copilot、一些国产coding工具）
使用习惯不同（有的人上下文控制在200K以内、多开子Agent，有的人上下文顶到1M不松手）
prompt习惯不同（有的人清晰描述需求，有的人不知道自己要什么，有的人冲AI发火）

最终都会导致模型显现出来的能力、token消耗、最终效果有着天差地别。在这种环境下讨论出的结论毫无参考价值，甚至能不能得出结论都难说。

我自己一般首先看的是各个评分榜，然后听听相关权威专家和大佬的意见。如果普遍好评，就自己花钱，用真实项目的多种需求去对比测试。还要保证确实用了尽量好的工具和提示词，保证不因自己水平拖累模型的表现，最终才能得到真实的判断。