每周对平台可用的大模型跑两套测评：质量分用开放的真实工程题 （改 bug、架构设计、代码审查、长上下文、多步规划）由 AI 裁判按评分细则打分， 最能拉开旗舰与廉价模型；智力分用确定性题库测基础正确率。 再叠加真实延迟与性价比，并持续追踪模型是否悄悄"变笨"。所有成绩都经过 yangdev 网关实测。