测试设计得比较狠:66 个任务由专家出题,三个 agent 共用同一套工具环境,比的不是“答得对不对”,而是能不能把一段研究流程走完。

结果分化明显:Codex(GPT-5.5)在结构推理上最好,Claude Code(Opus 4.7)在专利挖掘上更强,Gemini CLI(Gemini 3.1 Pro)居中;流程最长的任务,三家都失败。

这印证了工程上的体感:agent 的短板不在单步能力,在长链条里的错误累积与自我纠偏。谁的重试与编排做得好,谁的实际完成率就高——这也是为什么评测榜上分数接近的模型,落到真实流程里能差出一倍。