试试加 --verbose 看详细输出

这个报错我之前也遇到过，是编码问题

花了两个晚上出了 50 道题，覆盖代码、中文写作、逻辑推理、长文本理解四类，把几个主流模型拉出来遛了一遍。

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。

评测维度：

1. 代码生成（Python/JavaScript）
2. 中文写作（文案/文档/小说）
3. 逻辑推理（数学/推理题）
4. 长文本理解（10万字小说问答）

每个维度 12-13 道题，满分 100。

详细数据私我，发你表格。