五模型五題橫評
同一組五道實務題 (CG 明信片設計、email 書寫、學測作文、經費配平、時事評論)，分別交給 Claude Opus 5.5、Claude Sonnet 5.5、Gemini 4 Argon、Muse Wonder、GPT-6.1 Sol 作答。以下比較作答品質、事實正確性與成本。
總結
| 題目 | Opus 5.5 | Sonnet 5.5 | Gemini 4 Argon | Muse Wonder | GPT-6.1 Sol |
|---|---|---|---|---|---|
| 數學配平 | 優 改 1 盒歸零 | 待定 0 盒歸零，靠混價假設 | 弱 未歸零，最佳值算錯 | 優 與 Opus 同解，代價列得最完整 | 良 歸零，但改報 11 盒 |
| email 書寫 | 優 查到維修手冊與料號 | 可 注音標錯，信中一句不妥 | 可 多處講得過度肯定 | 良 謹慎、不編造 | 良 謹慎，照片描述最準 |
| CG 明信片 | 優 正背面都完整 | 良 正面佳，背面較弱 | 優 設計最完整，主圖有黑邊 | 可 文字溢出、被遮 | 良 乾淨無瑕疵，但較素 |
| 學測作文 | 優 扣圖最緊 | 良 問題 (二) 字數偏少 | 良 結構完整 | 優 文筆最佳，背面最短 | 優 選材最獨特，未扣圖 |
| 時事銳評 | 良 結構清楚，補了外部資料 | 良 分析細，略超篇幅 | 可 資訊最多，但篇幅超出一倍 | 優 篇幅最準，口吻最在地 | 良 篇幅準、最持平，不夠銳 |
標籤是同一題內的相對評價，不同題之間不可直接比較。五個模型的作答條件不同 (見下節)，Claude 兩個模型可以上網和執行程式，API 三個模型不行，解讀時請把這點算進去。
測試條件
| 模型 | 呼叫管道 | Prompt 版本 | 可用工具 | 附件處理 |
|---|---|---|---|---|
| Opus 5.5 | Claude Code 子代理 | prompt_App.txt | 讀檔、上網、執行程式 | 自行讀取圖片與 PDF |
| Sonnet 5.5 | Claude Code 子代理 | prompt_App.txt | 讀檔、上網、執行程式 | PDF 無法轉圖，改用文字擷取，作文題沒看到幾米圖 |
| Gemini 4 Argongoogle/gemini-4-argon | OpenRouter API | prompt_API.txt | 無 | 圖片與原生 PDF 直接傳送，每個附件前加檔名標籤 |
| Muse Wondermeta/muse-wonder | OpenRouter API | prompt_API.txt | 無 | 同上 |
| GPT-6.1 Solopenai/gpt-6.1-sol | OpenRouter API | prompt_API.txt | 無 | 同上 (第二輪補測) |
- API 版的數學題多附了表格文字版，App 版只有三張分表截圖，所以 Claude 兩個模型要自己辨識表格數字 (兩者都讀對了)。
- 子代理會載入使用者的全域偏好設定，回答開頭多一句假設說明，屬於環境造成的差異。
- 參考答案 (Opus 5 在 app 端的作答) 已移出測試資料夾，受測模型都沒有接觸到。
數學計算：經費配平
目標依序為：計畫A不超支、計畫B膳費併成 4 張、計畫B餘額歸零、保留 計畫C黃色項目。關鍵卡點在計畫B三張便當要湊出 8,112 元，而單價只能是 5 的倍數且不超過 120。
| 模型 | 單據單價假設 | 計畫B餘額 | 便當個數變動 | 計畫A餘額 | 計畫C餘額 | 個數不動時最佳 |
|---|---|---|---|---|---|---|
| Opus 5.5 | 每張一個單價 | 0 | 0814 的 1 盒改報 0818，另併入計畫A 3 盒 | 480 | 1,429 | 6 |
| Sonnet 5.5 | 同一張可有兩種單價 | 0 | 不變動 | 1,030 | 879 | 51 |
| Gemini 4 Argon | 每張一個單價 | 55 | 不變動 (計畫C拆出一個 80 元便當) | 40 | 1,814 | 55 (有誤) |
| Muse Wonder | 每張一個單價 | 0 | 0814 −1、0818 +4、計畫A批 −3 (與 Opus 同解) | 68 | 1,841 | 51 |
| GPT-6.1 Sol | 每張一個單價 | 0 | 0814 的 11 盒改報 0811 (22→33、21→10) | 1,030 | 879 | 51 |
判讀
- 五份主方案的加總我都重算過，三計畫合計 163,091 元、便當池總額守恆，算式本身都成立。
- Opus 與 Muse 找到同一組解，比 Opus 5 參考答案 (0814 改 19 盒、0818 改 29 盒) 動得更少。差別在 Opus 只算 1 盒變動，Muse 把跨日併入的 3 盒也算進去，Muse 的算法比較誠實。
- Opus 的「個數變動」定義前後矛盾：定義寫跨日改報算變動，但計畫A 0805 併入 0818 的 3 盒沒有算進去。
- Sonnet 的 0 盒解成立與否，取決於一張收據能否列兩種便當單價。它的備案 (單一單價、個數不動時餘額 51) 和我窮舉的結果一致。
- Gemini 4 Argon 最弱：它斷定個數不動最好只能到 55 元，實際可到 51；備案寫成「0814 改為 10 盒」，沒找到只改 1 盒的解；答案中還留著「不對，我們需要湊…」的自我修正過程與 emoji。
- GPT-6.1 Sol 把「個數不變」定義成實際總盒數不變，所以把 11 盒從 0814 改報到 0811 也算 0 變動。定義有講清楚，但以單據個數來看，改動量遠大於 Opus 與 Muse 的解，它沒有找到只改 1 盒的方案。備案 A (個數完全不動，餘額 51) 正確；備案 B 會多報 4 盒不存在的便當，它自己也標示不建議。
- Muse 與 GPT-6.1 Sol 都用了 LaTeX 公式語法，在純文字環境顯示較亂。
email 書寫：鍵帽詢價
| 模型 | 第一問 (規格與購買) | 第二問 (英文信) | 問題 |
|---|---|---|---|
| Opus 5.5 | 上網找到 HP 14-fm0xxx 維修手冊，推定上蓋料號 P31088-AB1 並標明是推定；判讀機身色為 Atmospheric blue；建議先嘗試自行裝回 | 實際抓取商品頁確認矛盾，發現 HPS26-25 列的圖檔名是 hc22，可能對應 HPS-22；列 7 項追問 | 無明顯錯誤 |
| Sonnet 5.5 | 有上網，但引用的是其他系列的料號，參考價值低 | 8 項追問，內容完整 | 把 P 鍵注音寫成「ㄆ」(應為「ㄣ」)；第 5 題 “can you declare the package value accordingly” 等於請賣家配合調整報關價值，寄出前應刪除 |
| Gemini 4 Argon | 列了淘寶、殺肉鍵盤等實用管道 | 只有 3 項追問 | 宣稱照片「清楚可見」扣爪白化微裂；斷定 HAC 是精元或群光模具代號；台灣料號後綴寫 -AB0，和 Opus 查到的手冊 (-AB1) 不符 |
| Muse Wonder | 照要求不給料號與價格，判讀處都標示需現場確認 | 6 項追問，指出 HPS 編號是賣家自訂分類 | 信中寫附 3 張照片，實際只有 2 張 |
| GPT-6.1 Sol | 不猜料號；提醒照片不足以判定是哪個部件壞，也可能只是支架脫位，並勸別用膠黏 | 6 項追問，逐張說明附件內容，與實際附件相符 | 文中混入幾個簡體字 (「键」「确认」) |
Opus 的優勢主要來自能上網查官方手冊。在不能上網的條件下，Muse 與 GPT-6.1 Sol 的「不知道就說不知道」比 Gemini 的過度肯定更可靠。
CG 明信片設計
五個模型都交出 HTML，正背兩面齊全。Claude 兩個模型自行截圖檢查；API 三個模型的畫面由我以無頭 Chrome 渲染。
學測作文
字數以程式依題目規則計算 (中文字與標點各計 1，題目、換行、空白不計)。五個模型都沒有超出限制。
| 模型 | 問題 (一) 上限 80 | 問題 (二) 上限 400 | 背面作文 上限 836 | 選用素材 | 評語 |
|---|---|---|---|---|---|
| Opus 5.5 | 77 | 360 | 714 | 捷運站賣口香糖的老伯／父親 | 結尾把「頭碰頭」「把圖轉正」收回題目，扣圖最緊；自報字數與實算完全一致 |
| Sonnet 5.5 | 62 | 292 | 675 | 賣口香糖的老爺爺、同學阿哲／母親 | 問題 (二) 只用了上限的七成，21 分的題目可能吃虧；作答時沒看到圖 |
| Gemini 4 Argon | 77 | 316 | 696 | 賣玉蘭花的婆婆、主動買花的高中生／父親 | 開頭先描述圖文，結構完整，用語略為制式 |
| Muse Wonder | 72 | 344 | 573 | 校門口賣玉蘭花的阿婆／父親 | 文學性最高，細節最有畫面；背面作文五者最短 |
| GPT-6.1 Sol | 64 | 323 | 733 | 同學被做成嘲笑貼圖／父親 | 論述最成熟，背面以「門」貫穿全篇；但完全沒提到幾米的圖文甲、乙 |
前四個模型的問題 (二) 都選了「路邊年長攤販」當例子，應是受題幹「兜售商品的小販」提示影響。GPT-6.1 Sol 是唯一跳出這個素材的模型。
時事熱點銳評
要求篇幅 1,500 至 2,000 字。字數為中文字與標點的實算值。文中引用的數字 (加料最多 8 份、年費 711 元、優惠到 12/31、「愿秀」門市、會員破 2,000 萬、統一超 9 月營收 314.4 億等) 都已對照新聞原文，五篇都沒有錯。
| 模型 | 字數 | 特色 | 問題 |
|---|---|---|---|
| Opus 5.5 | 2,106 | 七個面向分段清楚，結論「方向合理，手法粗糙」；上網補了 2017 年統一星巴克股權背景並附來源 | 補充的外部資料未經我另外查證 |
| Sonnet 5.5 | 2,358 | 把消費者分成三種客群分析，推測段落標示清楚 | 「店員哭著求大家」是加油添醋，原文只說「心好累」 |
| Gemini 4 Argon | 3,989 | 資訊量最大，價格歧視與會員導流的論點最完整，語氣最衝 | 篇幅是上限的兩倍；結尾的「按讚分享」偏網紅腔 |
| Muse Wonder | 2,173 | 最接近要求篇幅，「心理契約」的論點清楚，用語最像台灣自媒體 (例如「奇檬子」) | 沒有列來源 (API 版 prompt 未強制要求) |
| GPT-6.1 Sol | 2,007 | 立場最持平，主動提醒「營收不是利潤」、董座身家與政策合理性無關；結尾提醒別為難店員 | 偏冷靜分析，「銳評」的力道最弱 |
用量與成本
Claude 子代理
| 模型 | CG | 作文 | 數學 | 時事 | 合計 tokens | 合計耗時 | |
|---|---|---|---|---|---|---|---|
| Opus 5.5 | 95,886 | 105,729 | 64,898 | 103,935 | 76,903 | 447,351 | 1,027.6 秒 |
| Sonnet 5.5 | 76,848 | 75,639 | 61,828 | 102,079 | 73,728 | 390,122 | 590.7 秒 |
OpenRouter API (費用為 OpenRouter 回報的實際值)
| 模型 | CG | 作文 | 數學 | 時事 | 合計 (USD) | 輸入／輸出 tokens | |
|---|---|---|---|---|---|---|---|
| Gemini 4 Argon | 0.0907 | 0.0279 | 0.0158 | 0.1040 | 0.0545 | 0.2929 | 29,476／23,394 |
| Muse Wonder | 0.1134 | 0.1037 | 0.0868 | 0.3899 | 0.0919 | 0.7858 | 36,955／31,899 |
| GPT-6.1 Sol | 0.0490 | 0.0379 | 0.0284 | 0.1233 | 0.0455 | 0.2842 | 34,771／19,730 |
- 子代理的 tokens 是系統回報的單一總數，內含 Claude Code 本身的系統提示與工具定義，不能和 API 的 tokens 直接比較，也沒有費用資訊。
- Gemini 4 Argon 回報的思考 tokens 全部為 0，無法確認 medium 思考是否生效；Muse 有正常回報，數學題思考了 14,304 tokens。
- Muse 的單價是 Gemini 的兩倍，又在數學題花了大量思考，總費用約為 Gemini 的 2.7 倍。
- GPT-6.1 Sol 與 Gemini 單價相同，總費用也相近，是三個 API 模型中最便宜的；它的思考 tokens 有正常回報，數學題思考了 4,937 tokens。
觀察與建議
- Opus 5.5 在需要查證 (email) 與嚴謹推導 (數學) 的題目最穩，代價是最慢、最耗 token。
- Muse Wonder 是這次的黑馬：沒有工具也能在數學題找到最佳結構，寫作類題目篇幅控制最好，且不編造。弱點是 HTML 版面細節。
- Gemini 4 Argon 視覺設計強、便宜，但推理題會停在次佳解，篇幅指示容易被忽略，對照片的判讀有過度肯定的傾向。
- Sonnet 5.5 各題都中上，速度快；這次的扣分多來自細節錯誤 (注音、報關措辭) 與 PDF 讀取環境限制。
- GPT-6.1 Sol 是最穩的「不出錯」型：五題都沒有明顯事實錯誤，篇幅控制準，寫作選材最有獨創性。弱點是數學沒找到最省改動的解，設計與評論都偏保守，另有零星簡體字混入。
- 若要讓比較更公平，下一輪可以讓 Claude 兩個模型也走 API 版 prompt (不給工具)，並把作文試卷改成三張頁面圖片，統一五個模型的讀圖條件。