我瞅着腾讯 $TCEHY 的 Hy4 在这拿了35分，高于平均。
槽点在它话太多。
这些测试它输出了160M tokens，典型模型也就一半左右。
单价便宜归便宜，它不停嘴一直说，算总账成本就堆上去了。