Anthropic发布Opus 5.5，跑分与价格均优于Fable 5.1，但社区用户仍用Fable做规划审查，因其在陌生任务中判断更稳。跑分难测真实项目能力，且存在污染问题。实际工作流正形成分工：Fable规划审查，Opus执行实现，兼顾性能与成本。

DeepSeek V4.1 Flash 跑分超越旗舰，但实际口碑两极分化，原因在于执行框架差异。其 CED 新架构将输入压缩为摘要，提升速度却损失精度；官方框架 DSH 专项优化，换用 OpenCode 等则表现迥异。速度翻倍也推高 token 账单。文章指出，框架与模型同样关键，跑分测不出真实体验。

Qwen3.8预览版跑分高但实战差，答非所问，遭用户吐槽不如Kimi K3。问题在意图理解弱，响应慢，跑分不反映真实体验。厂商应优化用户体验，而非追求分数，否则透支信任。竞争激烈，用户受益，但需诚实管理预期。