【實測紀錄】Openclaw LLM 大腦進化史
看完前面這幾個主流模型的分析，你可能會問我：「那實測起來到底感覺如何？」 說實話，自從我加入 Google 家庭群組後，就順勢退掉了 ChatGPT 的訂閱，所以 Gemini 3 一直是我最常用的「大腦」。但這次實測下來，我發現它有個致命傷：價格資訊經常給錯。這真的很嚴重，導致我初期在規劃成本時產生了不少誤判。 在與 OCI (Oracle Cloud) 權限地獄搏鬥的過程中，我的 Openclaw 小秘書經歷了幾次「大腦移植」。以下是這 24 小時的血淚進化史： 1. Gemini 1.5 Flash / 2.0 Flash｜初期拓荒：出師不利 實測狀況：作為最早嘗試在 OCI 主機串接的先鋒，這兩個版本讓我吃足了苦頭。頻繁遭遇 404 連線失敗，或是 Session 紀錄在數據庫中出現死鎖（Deadlock），導致系統整台動彈不得。 最終結果：在環境設定與權限地獄（Permission Hell）的雙重夾擊下，為了不讓進度卡死，我果斷決定先跳過這個版本，另尋出路。 2. Gemini 2.5 Flash-Lite｜初次接通：0 元生存戰的曙光 實測狀況：在解決了 OCI 權限與 Docker 報錯後，這款模型成了第一個成功在主機上「活過來」的大腦。 最終結果：作為 Telegram 機器人的初始大腦，它的價格極其親民，僅為 2.0 版的十分之一。它幫我驗證了整個自動化流程的連通性，讓計畫從「理論」正式進入「實作」。 碎碎念：不過，實測發現她真的太笨了 XD。 3. Gemini 2.5 Flash｜穩定運作期：負重前行的數據累積 實測狀況：這是 2/21 實測中的主力軍，單日跑了將近 95 萬個 Token。從數據中我發現一個驚人的事實：由於 LLM 的無狀態特性，每次呼叫都要重傳高達 19,158 字元 的 System Prompt，導致 Input 與 Output 的比例高達 81:1。 ...