状态机并发任务横评：gpt-6-astra、claude-opus-5.5、grok-4.7实测反转

1. 这场横评的起因与设计逻辑

1.1 为什么我非要拿状态机并发任务来测

先说结论：我原本是抱着"验证发布会宣传"的心态去做这轮测试的，结果测完之后，我把自己的技术选型表整个推翻重写了一遍。

事情的起因很朴素。我手上有一个长期维护的自动化编排系统，核心是一套状态机驱动的并发任务调度器——简单说，就是把一堆互相有依赖关系的任务拆成状态节点，每个节点有明确的进入条件、执行动作、退出条件，然后让多个任务在受控的并发度下跑起来。这类系统在工业控制、工作流引擎、订单履约、数据管道里到处都是，属于那种"看起来不性感，但一旦写错就天天半夜被叫起来"的东西。

我之所以盯上状态机并发这个场景，是因为它和普通的"让模型写个快排"完全不是一个难度维度。状态机并发任务同时考验模型的四件事：

• 状态建模能力：能不能把模糊的需求拆成有限个互斥状态，且状态转移没有死锁和活锁；
• 并发安全意识：知不知道共享状态要加锁、要知道锁的粒度、要理解竞态条件；
• 边界处理能力：超时、重试、取消、部分失败这些"脏活"能不能兜住；
• 代码可维护性：生成的东西是不是人能读、能改、能接手的。

这四点里任何一点塌了，代码在真实环境里就是定时炸弹。所以拿它当横评题目，比拿算法题当题目有说服力得多——算法题考的是"会不会"，状态机并发考的是"靠不靠谱"。

1.2 40 道题的分布与评分维度

我出的 40 道题不是随便凑的，按难度和考察点分了四档，每档 10 道：

评分我用了五个维度，每个维度 0-5 分，总分 25 分：

• 正确性：跑起来对不对，边界用例过不过；
• 并发安全：有没有竞态、锁用得对不对；
• 健壮性：异常、超时、取消处理是否完整；
• 可读性：命名、结构、注释是否清晰；
• 可维护性：扩展新状态、改逻辑的成本。

提示：我特意没有把"代码行数"或"生成速度"放进评分维度。原因很简单——生成快但错得多，等于没生成；行数少但逻辑糊，接手的人要骂娘。这两个指标在真实工程里是负资产。

1.3 三个模型的"人设"与我的预期

在开测之前，我对三个模型的预期是这样的：

• gpt-6-astra：发布会主打"复杂推理与长链路规划"，我预期它在状态建模和地狱档上会明显领先；
• claude-opus-5.5：一贯的强项是代码质量和可读性，我预期它在可维护性维度上碾压；
• grok-4.7：主打"工程实用与性价比"，我预期它中规中矩，但成本最低。

结果呢？发布会宣传和实测结果几乎是反着来的。这个反转本身，比任何单一维度的分数都更值得写下来。

2. 核心细节解析：状态机并发到底难在哪

2.1 状态机不是画个图那么简单

很多人对状态机的理解停留在"画个状态转移图"。但真到代码层面，状态机的坑集中在三个地方，而这三个地方恰好是模型最容易翻车的点。

第一个坑是状态爆炸。一个订单系统，如果状态设计得不好，会从"待支付/已支付/已发货/已完成"膨胀成几十个组合状态。好的状态机设计要能识别出哪些是正交状态（可以并行存在），哪些是互斥状态。我在地狱档里专门放了一道"带退款流程的订单状态机"，就是看模型会不会把退款拆成正交子状态机，而不是硬塞进主状态机里。

第二个坑是转移的原子性。状态转移往往伴随副作用——发消息、写库、扣库存。如果转移和副作用不是原子的，就会出现"状态改了但消息没发"或者"消息发了两次"的问题。这要求模型理解状态转移 + 副作用要么一起成功，要么一起回滚。

第三个坑是并发下的状态一致性。多个任务同时想推进同一个状态机的实例，如果没有正确的锁或者 CAS（比较并交换）机制，就会出现两个任务都以为自己该执行、结果副作用执行了两次。这是并发状态机最经典的 bug。

2.2 并发模型的选择：锁、Actor 还是无锁

状态机并发任务里，并发模型的选择直接决定了代码的复杂度。主流有三种：

• 共享内存 + 锁：最直观，但锁粒度难控，容易死锁；
• Actor 模型：每个状态机实例是一个 Actor，消息串行处理，天然无竞态；
• 无锁 + CAS：性能最好，但实现难度最高，容易写出 ABA 问题。

我在题目里没有强制指定并发模型，而是观察模型默认会选哪种。这个观察很有意思——它暴露了模型对"并发"这件事的真实理解深度。

实测下来，三个模型在入门档和进阶档都倾向于用共享内存 + 锁，因为这是最"教科书"的写法。但到了高阶档和地狱档，差异就出来了：有的模型会主动切换到 Actor 风格或者用 CAS 重写，有的模型则死磕锁，然后写出一个粒度粗到把整个状态机锁死的实现。

2.3 我为什么坚持用真实可运行的标准

有一点我必须强调：所有生成的代码我都实际跑过，不是"看着像对的"就给分。

我搭了一个统一的测试脚手架，每个模型生成的代码都要通过同一套测试用例，包括：

• 正常路径测试；
• 边界测试（空状态、非法转移、超时）；
• 并发压力测试（100 个并发任务同时推进状态机）；
• 故障注入测试（模拟副作用失败、模拟取消）。

这套脚手架本身花了我两天时间搭，但非常值得。因为很多"看起来完美"的代码，一跑并发压力测试就原形毕露——竞态条件这种东西，静态看是看不出来的，必须跑。

注意：如果你也想做类似的横评，千万别省掉"实际运行"这一步。我见过太多评测只看代码"像不像对的"，结果把一堆有竞态的代码评成了高分。评测的可信度，取决于你的测试有多狠。

3. 实操过程：40 道题是怎么跑完的

3.1 测试脚手架的搭建

脚手架的核心是一个统一的任务接口，所有模型生成的代码都要实现这个接口，然后被同一套测试驱动调用。这样做的好处是消除了"接口设计差异"带来的干扰，让评分聚焦在逻辑本身。

脚手架的关键部分包括：

# 统一的状态机接口（伪代码示意） class StateMachine: def transition(self, event) -> bool: """尝试推进状态，返回是否成功""" raise NotImplementedError def current_state(self) -> str: raise NotImplementedError # 并发压力测试驱动 def stress_test(sm_factory, concurrency=100, iterations=1000): results = [] with ThreadPoolExecutor(max_workers=concurrency) as pool: futures = [pool.submit(run_iteration, sm_factory) for _ in range(iterations)] for f in as_completed(futures): results.append(f.result()) return analyze(results)

每个模型生成的代码，我都要把它适配到这个接口上。适配过程本身也是一个观察点——如果模型生成的代码结构清晰，适配就是几分钟的事；如果结构混乱，适配过程能让我抓狂。

3.2 逐档测试的现场记录

入门档：三个模型都基本满分。这一档没什么好说的，状态机建模是它们的舒适区。唯一的小差异是命名风格——claude-opus-5.5 的命名最规范，gpt-6-astra 偶尔会用一些过于抽象的名字，grok-4.7 中规中矩。

进阶档：开始出现分化。生产者消费者这道题，gpt-6-astra 写出了一个非常优雅的实现，但它在"任务队列限流"这道题上翻车了——它用了一个全局锁把整个队列锁死，导致并发度形同虚设。claude-opus-5.5 在这档表现最稳，两个题都是干净利落的实现。grok-4.7 在这档开始暴露问题，它的限流实现有一个微妙的竞态，在压力测试下会偶尔超发。

高阶档：这是分水岭。带超时重试的任务调度这道题，三个模型的表现差异巨大：

gpt-6-astra 在这道题上的问题很典型：它的重试逻辑和状态转移耦合在一起，导致重试时状态被重复推进。这是一个逻辑正确但并发不安全的经典案例——单线程跑没问题，一并发就出错。

地狱档：这一档把三个模型都逼到了墙角。幂等状态同步这道题，没有一个模型拿到满分。claude-opus-5.5 拿了 21/25，是最高分；gpt-6-astra 拿了 17/25；grok-4.7 拿了 18/25。

3.3 成本测算：3-8 倍差距是怎么来的

成本这块我算得很细。因为状态机并发任务的输出通常比较长（几百到上千行），token 消耗差异会被放大。

我统计了 40 道题的总 token 消耗（输入 + 输出），然后按各家公开的定价折算成相对成本：

注意，这里的"相对成本"是综合了 token 单价和 token 消耗量之后的估算。grok-4.7 之所以便宜，一方面是单价低，另一方面是它的输出更简洁（有时候简洁到该有的注释都没有）。

但成本不能孤立看。如果按"每道题的有效成本"（即成本除以得分）来算，差距会缩小甚至反转——因为 gpt-6-astra 虽然贵，但在地狱档的某些题上确实给出了更完整的方案。这就是为什么我说"3-8 倍"是一个量级估计，而不是精确数字：取决于你怎么定义"有效"。

提示：做成本对比时，一定要区分"绝对成本"和"有效成本"。只看绝对成本，会得出"越便宜越好"的错误结论；只看有效成本，又会忽略"便宜模型多跑几次也能达到同样效果"的可能性。真实决策要两者结合。

4. 结果反转：发布会宣传与实测的差距

4.1 gpt-6-astra：长链路规划强，但并发是短板

gpt-6-astra 的宣传重点是"复杂推理与长链路规划"，这一点在状态建模上确实体现出来了。它在地狱档的"部分失败回滚"这道题上，给出了一个非常完整的状态补偿方案，思路清晰，连补偿顺序都考虑到了。

但它的短板也很明显：并发安全意识不足。在高阶档和地狱档的并发题上，它多次写出"逻辑正确但并发不安全"的代码。最典型的一次是它用了一个非原子的 check-then-act 模式来推进状态，单线程测试全过，100 并发压力测试直接崩。

这个短板和它的宣传形成了鲜明对比。发布会讲的是"能规划复杂任务"，但真实工程里，复杂任务的难点往往不在规划，而在并发下的正确性。规划得再漂亮，一并发就出错，等于零。

4.2 claude-opus-5.5：代码质量碾压，成本反而更低

claude-opus-5.5 是这轮测试的最大赢家，而且赢得有点"反直觉"——它的 token 消耗比 gpt-6-astra 低，成本更低，但代码质量更高。

它的强项集中在两点：

• 并发安全：它几乎从不写出有竞态的代码。在高阶档的并发计数器题上，它直接用了原子操作，干净利落；
• 可维护性：它的代码结构清晰，命名规范，注释恰到好处。地狱档的幂等状态同步题，它把幂等键的设计、状态同步的时机、冲突处理都写清楚了，接手的人几乎不用问问题。

有意思的是，它的"简洁"和 grok-4.7 的"简洁"是两回事。claude-opus-5.5 的简洁是"该有的都有，不该有的都没有"；grok-4.7 的简洁是"省掉了该有的东西"。

4.3 grok-4.7：性价比高，但地狱档露怯

grok-4.7 的定位是"工程实用与性价比"，这个定位在入门档和进阶档是成立的——它的代码能跑，成本最低，对于不涉及复杂并发的场景完全够用。

但到了地狱档，它的短板暴露了。它的故障恢复逻辑不够完整，部分失败回滚的实现有漏洞，压力测试下会出现状态不一致。这不是"偶尔出错"，而是"设计上就没考虑全"。

所以 grok-4.7 的适用场景很明确：并发度不高、故障恢复要求不严的场景。如果你的系统是那种"出错了人工介入就行"的，它完全够用；如果是"出错就赔钱"的，别用它。

4.4 反转背后的原因分析

为什么发布会宣传和实测会反过来？我琢磨了很久，觉得核心原因是：发布会的评测场景和真实工程场景的分布不一样。

发布会喜欢展示"模型能解决多难的问题"，所以题目往往偏重推理深度。但真实工程里，难的不是"想不出来"，而是"想出来了但实现得不安全"。状态机并发任务恰好是后者的典型——它的逻辑不难，难的是并发下的正确性。

gpt-6-astra 在"推理深度"这个维度上确实强，但它的训练可能没有充分覆盖"并发安全"这种工程细节。claude-opus-5.5 则相反，它可能没有在"最难的推理题"上碾压，但它在"工程正确性"上极其扎实。

这个发现对我的选型决策影响很大：如果你的场景是"一次性解决一个难题"，选推理强的；如果是"长期维护一套系统"，选工程扎实的。

5. 常见问题与排查技巧实录

5.1 状态机并发的典型 bug 速查表

在测试过程中，我整理了一份模型最容易犯的并发 bug 清单，这份清单对人工写代码同样有参考价值：

5.2 我踩过的三个坑

第一个坑：以为"能跑"就是"对"。我一开始只跑了单线程测试，三个模型全过，差点得出"都差不多"的结论。后来加了并发压力测试，才发现差异巨大。这个教训是：并发代码的测试，单线程通过毫无意义。

第二个坑：忽略了取消路径。状态机任务经常需要支持取消，但取消路径是最容易被忽略的。我在地狱档加了一道"带取消的任务调度"，结果三个模型的表现都不理想——它们都只处理了正常路径，取消路径要么没写，要么写了但没清理资源。

第三个坑：被"优雅的代码"迷惑。gpt-6-astra 生成的代码有时候非常优雅，读起来赏心悦目，但一跑压力测试就崩。这提醒我：代码的优雅程度和正确性没有必然关系，评测必须看运行结果，不能看"感觉"。

5.3 选型建议：什么场景选什么模型

基于这轮测试，我给出一个务实的选型建议：

• 高并发、强一致要求的场景：优先 claude-opus-5.5。它的并发安全性和可维护性最扎实，长期维护成本最低；
• 复杂推理、一次性任务的场景：可以考虑 gpt-6-astra。它的长链路规划能力确实强，适合"想清楚一个难题"而不是"长期维护一套系统"；
• 低并发、成本敏感的场景：grok-4.7 够用。但一定要在关键路径上加人工审查，尤其是故障恢复逻辑。

还有一个我实测出来的技巧：对于地狱档的题目，可以让模型先给出设计思路，人工确认后再让它写代码。这样能显著降低"逻辑对但并发不安全"的概率，因为设计阶段就能发现并发模型的选型问题。

注意：不要迷信任何单一模型的"全能"。我现在的做法是"分工"——用推理强的模型做设计，用工程扎实的模型做实现，用便宜的模型做重复性工作。这个组合的成本，比单用一个贵模型还低。

6. 一些关于评测方法论的私人体会

做这轮测试最大的收获，不是知道了哪个模型好，而是想清楚了一件事：评测的价值取决于测试的狠度，而不是题目的数量。

40 道题听起来不少，但如果我只跑单线程测试，这 40 道题的信息量还不如 4 道题跑并发压力测试。真正拉开差距的，是那些"看起来能跑、一压就崩"的边界场景。

另外，我现在越来越倾向于用"有效成本"而不是"绝对成本"来做决策。grok-4.7 便宜，但如果它的代码需要我花两小时审查和修复，那省下的 token 钱还不够我的时间成本。反过来，claude-opus-5.5 贵一点，但它的代码我几乎不用改，综合下来反而更划算。

最后分享一个我最近在用的做法：把状态机并发这类任务做成一个固定的回归测试集，每次有新模型或者模型更新，就跑一遍。这样既能跟踪模型能力的演进，也能在选型时有一手的、可比的数据，而不是被发布会的宣传牵着走。这套测试集我维护了几个月，已经帮我避开了两次"看起来很美"的选型陷阱。