结果：

• 代码题：几家差距不大，都在 80 分上下
• 中文创作：qwen 和 deepseek 明显更自然
• 逻辑推理：claude 和 gpt 稳
• 长文本：deepseek 意外地强

结论就是没有全能选手，看场景挑模型。评测数据和题目我都整理成表格了，想复现的可以找我要。