MiMo 送了我 16 亿 tokens，我很开心，所以我决定好好测一测！
我说过，一旦我认真测，总是很容易发现问题！
这不，问题立马就来了，这一波测试成绩垫底了！
为了测试最新的 MiMo 2.5 Pro 的实力，我专门让 Claude Opus 4.7 出了一个题目！而且还拉上了国内的主流模型，比如 DeepSeek V4 Pro、GLM5.1、Kimi K2.6、MiniMax M2.7。
重点对比DeepSeek V4和MiMO2.5Pro！
我还专门为它升级了我的测试系统！
下面就来看一下具体的情况吧。
掌门日记
因为我严重怀疑我之前的测试题目已经被优化训练了，所以我要出一个全新的题目。、
这个题目不能是常规基准中的题目，也不能是常见的应用，也不能太过抽象，另外必须大家都能看得懂，都可以评判。当然，最重要的一点就是要有一定难度，除了难度之外，还要有审美。
为了这个问题，我专门找了 Opus 4.7，给它提出了如下要求：
最近DeepSeek V4 系列和小米 MiMo 2.5 Pro 系列更新了。我想测试一下他们在不同编程场景下的能力，你能帮我出一些题目吗？一定要能区分出它们的实力。你可以先查一下这两个模型的特点，然后再根据。再针对性的出题目。
它给我出了六个题目：
题 1：竞赛级算法题
题 2：形式化证明 / 边界推理
题 3：从模糊需求到可运行项目
题 4：千次工具调用级长程任务
题 5：1M 上下文里的"针在干草堆中且需要推理"
题 6：自我纠错 + 工程权衡
这些题目都挺好的，但是这种题目几个人看得懂，又有几个人能评判结果好坏呢？所以这些题目全部被我废弃了。
这些问题我觉得还是太专业了，所以提出了修改需求：
这种题目还是太过技术向了，而且比较专注于某个细节，能不能设计一个应用开发之类的？而且这个项目要包含各种知识点，以及这个项目本身并不是很大众化。但是大家都能理解的。觉得会很有意思的。
然后，我就得到了，下面这些奇奇怪怪的题目：
markdown
**赛博中医：AI 把脉模拟器** ------ 用户输入症状，系统模拟"望闻问切"，给出辨证、推荐方剂、生成一张可打印的处方笺（带繁体毛笔字效果）
**方言保卫战：濒危方言学习平台** ------ 选一种方言（比如温州话/客家话），做发音对照、童谣库、方言-普通话双向翻译游戏
**复古 BBS 模拟器** ------ 完整复刻 90 年代拨号 BBS 的体验：ANSI 艺术、留言板、ASCII 游戏、虚拟拨号音
**菜市场经济学** ------ 模拟一个菜市场摊主，每天进货、定价、应对顾客砍价、季节波动、城管巡查，背后是供需模型
**风水罗盘 App** ------ 输入房间布局照片或手绘，AI 分析"气场"，给出家具调整建议，配中英文玄学解释
**武侠门派经营模拟** ------ 你是新晋掌门，要招收弟子、安排修炼、参加论剑大会、处理江湖恩怨，每个弟子有 RPG 属性
**小区业委会模拟器** ------ 处理邻里纠纷、组织选举、和物业谈判、应对群消息，全是文字 + 微信群 UI
**古籍修复工坊** ------ 给一段残缺古文（缺字、虫蛀、墨迹模糊），AI 辅助补全 + 出修复报告，带"做旧"视觉效果最终，选择了武侠门派经营模拟，也叫掌门日记。
并且让 Opus 4.7 帮我制作了一个完整的测试方案：
方案里面包含了测试背景、为什么选这个题目、完整的提示词、考察维度和预期分化、评分卡、测试流程等等，非常全面！
批量测试
根据 Opus 4.7 的建议，测试过程不使用任何第三方的工具，不使用 Claude Code 和 OpenCode 等智能体工具。同时要开启思考能力，然后一轮定胜负，主要就是考验模型本身的能力。
所以，我决定用手搓的 API 批量测试功能来进行测试！
第二次测试结果如下：
不同模型的性能对比如下：
这个截图主要是宏观地看一下，不同模型的速度和 tokens 消耗情况。
从这个图中可以看到，DeepSeek 最快响应，Kimi 最快完成，小米的端到端和解码速度最快，但是总耗时和 tokens 消耗最高。
这个还有一个非常关键的问题：MiMo 这一题并没有答完！
上面已经是我的第二次测试了，第一次测试用了系统内置的 32000 的最大 tokens 限制。限制的 tokens 到了，它题目才回答了一点点。所以第二次测试，我专门开发了自定义最大 tokens 功能，给它设置了 64000 的上限。
没想到依旧没有完成！！！
这么一比问题就出来了。
你们看看其他模型，完成这个任务消耗了多少 tokens。
GLM 算多的，也只消耗了 29652；DeepSeek 消耗了 22368；Kimi 只消耗了 9796。
也就是说同样的问题，MiMo 用了人家 6 倍的 tokens，但是没有把问题解决，严格来说是没有完成。
为了让它能完成这个题目，我把最大 tokens 参数拉到了 128000，给它单独测试了一次。
这一次终于完成了：
这次表现还可以，其实只用了 6 万多 tokens，并没有达到上限！
因为刚开始测试的时候我大意了，没有切换成送我的tokenPlan，所以仅这一个问题就消耗了好几块钱！
结果验收
终于，大家的结果都出来了。我就可以开始测试了。
我们一个一个来看！
首先看今天的主角 MiMo 的表现：
打开之后，发现页面上除了背景之外，空无一物！
也就是说，即便用了那么多 tokens，最终做出来的东西也没法用。
在浏览器调试界面可以看到它的代码有问题，拖到任意一个 IDE 中也可以看到很明显的错误，这种属于低级错误！
根据 GPT 5.5的总结：这段不是"小瑕疵"，而是文本被意外拼接导致的结构性损坏，需要先恢复为合法的 6 个独立对象后才能运行。
然后，我们来看一看DeepSeek的表现：
这个界面是完整的，基本上该有的东西都有，它的 UI 设计就是在一个台子上夹了一张一张的纸感觉，然后配色、字体、命名，应该是符合基本要求的。设计不算出众，但是没啥问题。
我尝试着玩了一下，还挺好玩的！
第二个月，新入门的弟子就走火入魔了，花了我银两15。
哈哈哈~~
GLM的结果：
GLM是先设计了一个开山立派的界面，挺好的！
我创建了一个叫"青云"的门派，随便点了几下，基础功能也是正常的。
Kimi的结果：
Kimi的UI设计还是比较出众的，它没有用特别泛黄的设计，而是有一点淡淡的底色的设计。可能不那么复古，但是整体感觉不错的。字体配色意境基本到位的，点进去之后也是能玩的。
MiniMax的结果：
MiniMax 这一波出息了，居然也成功打开了，UI 上看也没有明显的问题。
由于这一次 MiMo 过早地退出比赛，而这次比较的重点是最新的 MiMo V2.5 Pro 和 DeepSeek V4，所以其它选手我就先不展开了。
大家有兴趣看评分卡的话，我可以专门出一篇。
其实，去分析细节的话，不同模型之间还是会有很多差异。
我会把所有结果放到：topai.tonyhub.xyz 上面，今天这个测试项目，还是挺好玩的。
网页测试
通过 API 调用的方式，MiMo 失败了。
按我们的规则来说，就是一次定胜负，到这里这次测试就应该结束了。但是，毕竟人家都送十几亿 tokens 了。我怎么也得多测几次吧。
所以，接下来我要加测，并且把测试平台换成它们官方的网页版！
网址：
arduino
https://aistudio.xiaomimimo.com/这个域名叫 AIStudio，这个名字和谷歌的 AIStudio 一模一样。
我在上面测了三次。
很可惜，没有一次能正常完成，都是干到一半就歇菜了。
我估计就是达到它们官网设置的 max tokens 了，我们之前测试的时候也可以看出来，它这个思考过程特别消耗 tokens。
经过好几轮的交流终于做好了第一个网页，但是运行也有问题。
我也在DeepSeek的官方网页上测试了三次，每一次都是成功的，基本功能都是正常的。
其实除了 DeepSeek 之外，我也在 Kimi 和 GLM 的官网上跑了三次，都是能正常打开和使用的。
结果已经很清晰了，无论是消耗的 tokens，还是最终的效果。
DeepSeek完胜，MiMo完败了！
最后声明一下，我这次测试只代表部分场景，不能代表模型的完整能力。
从我们之前的测试来看，MiMo 的表现还是不错的。
接下来，我会继续从不同的角度测试国内这几个模型，可以让大家直观的了解不同模型在不同问题上的表现。