滚动四小时性能数据摘要
在四小时的时间窗口内，glm-5.2 提供了最强的平均吞吐量，达到 185.62 词元/秒，而 nemotron-3-ultra 最弱，为 35.94 词元/秒。最具操作意义的波动出现在 deepseek-v4-flash，该模型在 19.96 和 155.36 词元/秒之间表现出剧烈波动，变异系数为 55.4%，表明其性能高度不稳定。此外，glm-5.2 经历了严重的瞬时下降，在 22:30 骤降至 46.55 词元/秒，并在 00:00 降至 88.69 词元/秒。该数据集包含跨六个模型的 288 个有效数据点，覆盖率为 100.0%，这意味着不存在影响本分析的缺失数据限制。
在四小时的时间窗口内，glm-5.2 提供了最强的平均吞吐量，达到 191.34 词元/秒，而 nemotron-3-ultra 最弱，为 33.9 词元/秒。最具操作意义的波动来自 deepseek-v4-flash，其在 21.36 和 142.82 词元/秒之间剧烈波动，变异系数为 59.9，表明性能极不稳定。此外，glm-5.2 在 22:30 经历了严重的吞吐量下降，降至 46.55 词元/秒，随后恢复。尽管数据集覆盖率为 100.0%，包含 288 个有效点，但五分钟的观测间隔限制了对五分钟以下的微突发或短暂中断的检测能力，这意味着快速的瞬时性能下降无法被捕获。
在四小时的时间窗口内，glm-5.2 以 194.24 词元/秒的平均吞吐量表现最强，而 nemotron-3-ultra 最弱，为 29.28 词元/秒。最具操作意义的波动出现在 deepseek-v4-flash，其数值在 21.36 和 135.06 词元/秒之间剧烈波动，变异系数为 60.1%。Nemotron-3-ultra 也表现出极端的不稳定性，在回升 80.8% 之前曾降至 3.68 词元/秒。该数据集记录了所有六个模型 100.0% 的覆盖率，包含 288 个有效数据点，但四小时的持续时间限制了对长期容量规划中缺失数据的任何评估。
在四小时的时间窗口内，glm-5.2 是表现最强的模型，平均吞吐量为 196.78 词元/秒，而 nemotron-3-ultra 是表现最弱的，为 23.55 词元/秒。最具操作意义的波动来自 deepseek-v4-flash 和 nemotron-3-ultra，它们表现出极端的吞吐量摆动；deepseek-v4-flash 在 12.02 至 135.06 词元/秒之间波动，nemotron-3-ultra 在 2.64 至 71.78 词元/秒之间变化。这种程度的不稳定性为受影响的工作负载造成了高度不可预测的延迟。数据集显示 100.0% 的覆盖率，包含 288 个有效数据点，这意味着没有缺失数据的限制影响这一特定分析。
在四小时的时间窗口内，glm-5.2 以 193.53 词元/秒的平均吞吐量表现最强，而 nemotron-3-ultra 最弱，为 24.61 词元/秒。在运行方面，deepseek-v4-flash 表现出严重的波动性，变异系数达 50.8%，在 11.88 和 133.32 词元/秒之间摆动。此外，nemotron-3-ultra 经历了急剧的运行性能下降，从 17:05 的 44.21 词元/秒跌至 18:30 的最低 2.64 词元/秒，反映出 -26.5% 的趋势。该数据集包含 288 个有效观测值，在所有 48 个每模型预期样本中实现了 100.0% 的覆盖率，这意味着不存在缺失数据限制来约束本分析。
在整个四小时窗口期内，glm-5.2 表现出最强的平均吞吐量，达到 186.2 词元/秒，而 nemotron-3-ultra 最弱，为 26.77 词元/秒。在运行方面，nemotron-3-ultra 表现出严重的波动性和急剧的性能下降，从 16:20 的 56.06 词元/秒跌落至 18:30 的 2.64 词元/秒。deepseek-v4-flash 同样显示出不稳定性，在 16:25 飙升至 159.21 词元/秒，随后在 16:50 暴跌至 8.22 词元/秒。本分析受限于数据缺失；每个模型在预期的 48 个样本中记录了 45 个有效样本，覆盖率为 93.8%。
在四小时的时间窗口内，glm-5.2 提供了最强的平均吞吐量，达到 181.14 词元/秒，而 nemotron-3-ultra 表现最弱，为 31.55 词元/秒。最具操作意义的波动出现在 nemotron-3-ultra 中，该模型经历了 25.8% 的严重下行趋势，骤降至 2.64 词元/秒的最低点。同样，deepseek-v4-flash 表现出高度的不稳定性，其变异系数为 44.4%，并多次出现跌破 15 词元/秒的急剧下降。一个关键限制是，该数据集在预期的 288 个数据点中仅包含 198 个有效点，导致覆盖率为 68.8%。这些缺失数据使得无法对整个时间段进行完整评估。
在四小时的时间窗口内，glm-5.2 是表现最强的模型，平均吞吐量为 173.55 词元/秒，而 nemotron-3-ultra 最弱，为 37.89 词元/秒。在运行方面，deepseek-v4-flash 表现出最显著的波动性，降至 8.22 词元/秒和 11.88 词元/秒的极低值，导致其变异系数高达 41.4%。所有模型各有恰好 21 个样本，导致数据集覆盖率仅为 43.8%。这种数据缺失的限制使得对该时段前 140 分钟的情况无法观测，这意味着计算出的平均值可能无法代表完整的运行能力。
在滚动的四小时窗口内，glm-5.2 是平均吞吐量最强的模型，达到 164.88 词元/秒，而 nemotron-3-ultra 最弱，为 38.09 词元/秒。最具操作意义的波动出现在 deepseek-v4-flash 中，其表现出严重的吞吐量不稳定性；尽管平均值为 80.49 词元/秒，但它跌至 8.22 词元/秒和 11.88 词元/秒的极端低点。此项评估受到重大缺失数据局限性的制约。数据集在预期的 288 个观测值中仅包含 90 个有效观测值，代表 31.2% 的覆盖率，导致该时段的大部分时间处于未监控状态。