公开报告
每份报告是一次批量对比的运行，由运行它的人发布。每个数字都来自那次运行。
Text in images: which model spells it right?
B (Nano Banana 2 (Gemini 3.1 Flash Image)) 在裁判评过的输出中通过了 67%，比 A 低 33 个百分点，单次成本是 A 的 5.3 倍。
Three design briefs: which model invents facts?
C (GPT-5.6 Terra) 在裁判评过的输出中通过了 100%，比 A 高 67 个百分点，单次成本是 A 的 30%。