共绩算力上的国产大模型，我们自己也跑了一遍

国产大模型越来越多，选型成了开发者的麻烦事。既然咱们把 DeepSeek、Kimi、GLM 这些主流模型都接进平台了，干脆自己拿同一套题跑一遍，7 个模型拉出来溜溜，看看到底谁好用。不吹不黑，结果先放下面。

测了什么

我挨个点了一遍，共有 7 个国产顶尖模型：

• DeepSeek V4 Flash / Pro
• Kimi K2.6 / K3
• GLM-5 / 5.1 / 5.2

题是我自己编的，一共 15 道，分了 6 类：数学 4 题、代码 3 题、逻辑 2 题、中文理解 3 题、指令遵循 2 题、工具调用 1 题。代码题是真跑测试用例的，不是看一眼像不像就给分。每个模型每道题调一次，记延迟和 token 花费。

参数这块有个坑要注意，Kimi K3 作为推理模型必须把 temperature 设成 1，设成别的会报错。GLM 系列和 DeepSeek 也是推理模型，会把大量 token 花在思考过程上，max_tokens 得给够，我一开始给 300 结果正文全是空的，后来统一拉到 2500 才正常。

整个过程跑下来 514 秒，105 次调用，花了一块多钱。按量计费这点倒是挺省心，不用开套餐。

结果先放这

说实话看到这个结果我是有点意外的。7 个模型最高 14 分最低 13 分，就差 1 分。代码题全员满分，逻辑题全员通过，中文题也都没掉链子。这跟一年前测模型动不动就翻车的情况完全不一样了，国产模型确实进步快。

拉开差距的就一个维度——数学。

数学题：唯一的分水岭

数学 4 道题里，基础算术、应用题、方程求解这几个大家都能做对，真正拉开差距的是那道多步工程题：

一个水池有 A、B、C 三个管。A 管单独 5 小时注满，B 管单独 3 小时注满，C 管单独 4 小时排空。若三管同时打开，几小时能注满？

这道题考验的是多步分数运算，每一步都不能错。先说结论：7 个模型列的式子全对，都知道用 1/5 + 1/3 - 1/4 算净效率，思路都没问题。真正拉开差距的是最后那步通分计算。

DeepSeek V4 Flash 的回答很干脆，式子列完直接给结果：

设水池的容量为 1 个单位。A 管每小时注水 1/5，B 管每小时注水 1/3，C 管每小时排水 1/4。 三管同时打开，净注水速率：1/5 + 1/3 - 1/4 通分（分母取最小公倍数 60）：12/60 + 20/60 - 15/60 = 17/60 注满所需时间：t = 1 ÷ 17/60 = 60/17 小时，即约 3.53 小时。

GLM 三代和 Kimi K3 也都算对了，过程写得很规范。GLM 5.2 的回答步骤最完整，从设总量为 1、算各管效率、通分、求时间，一步步推导到最终答案 60/17 小时（约 3.53 小时），还贴心地换算成了带分数 3 又 9/17 小时。GLM-5 还把 0.529 小时换算成了 31.8 分钟，给出了”约 3 小时 32 分钟”这种更直观的表述。

唯一算错的是 Kimi K2.6。它的过程其实写得挺漂亮，格式很规整，思路完全对，但通分那步 12+20-15 给算成了 27（应该是 17），最后得出了 20/9 小时（约 2.22 小时）。挺可惜的，式子都对，栽在一步加法上。这也说明非推理模型在多步数值计算上还是不如推理模型稳。

代码题：全员满分，风格有差异

三道代码题（素数判断、斐波那契、归并排序）全部通过测试用例，没什么好挑的。不过不同模型的代码风格确实有差别，可以聊聊。

DeepSeek 系列和 Kimi 系列写代码偏精炼，能一行搞定的不写两行。归并排序这题，DeepSeek V4 Flash 的实现：

def merge_sorted(a, b):
    i, j = 0, 0
    result = []
    while i < len(a) and j < len(b):
        if a[i] < b[j]:
            result.append(a[i])
            i += 1
        else:
            result.append(b[j])
            j += 1
    result.extend(a[i:])
    result.extend(b[j:])
    return result

干净利落，没什么多余的东西。

GLM-5 就不一样了，代码自带详细注释和 docstring：

def merge_sorted(a, b):
    """
    将两个升序列表合并为一个升序列表
    """
    merged = []
    i = 0
    j = 0
    # 遍历两个列表，比较元素大小
    while i < len(a) and j < len(b):
        if a[i] <= b[j]:
            merged.append(a[i])
            i += 1
        else:
            merged.append(b[j])
            j += 1
    ...

如果你是拿来做教学或者给新人看，GLM 这种风格更友好。如果是自己用，DeepSeek 那种精炼的更舒服。

素数判断那题也有意思，DeepSeek V4 Pro 和 Kimi K2.6 用了 6k±1 优化（步长为 6，每次检查两个候选因子，比普通写法快一倍），说明这俩模型不只追求正确，还会主动优化。DeepSeek V4 Flash 和 Kimi K3 用的是跳偶数写法（步长为 2），GLM 5.1/5.2 也是跳偶数写法，GLM-5 用的是最朴素的遍历。虽然都对，但能看出不同模型在”帮你想性能”这件事上确实有差异。

逻辑推理：全员通过，思路各异

两道逻辑题全对。农夫过河（狼羊菜问题）和说谎者推理，7 个模型都给出了正确答案和完整步骤。

有意思的是解题风格。DeepSeek V4 Pro 给的是带表格的步骤说明，每一步左岸右岸剩什么都列得清清楚楚，还附了等价方案：

GLM-5 的回答更口语化，重点解释了”羊是核心冲突点”这个关键思路，最后还总结了”中间需要把羊带回来一次”，适合给不懂的人看。Kimi K2.6 用的是假设法分析说谎者问题，先假设 A 说真话推出矛盾，再否定，条理很清楚。

中文理解：全员优秀，有点超出预期

中文题三道：一词多义、摘要提炼、红楼梦知识。7 个模型全对，这块确实没什么好说的，国产模型在中文上就是有天然优势。不过有几个回答挺值得贴一下的。

“意思意思”那道题

这题是老经典了：

领导说”你这是什么意思？“小明说”没什么意思，意思意思。“领导说”你这就不够意思了。“小明说”小意思，小意思。”

本以为会有模型翻车，结果全对，而且答得都挺到位。Kimi K3 的回答：

这段话的背景是小明给领导送礼 (或送红包)，其中”意思”一词多义，妙趣横生：

• “你这是什么意思？” —— 意思 = 含义、意图
• “没什么意思” —— 意思 = 特殊用意、深层含义
• “意思意思” —— 意思 = 表示心意（动词用法）
• “你这就不够意思了” —— 意思 = 情义、情面

不光区分了每个”意思”的含义，还把送礼这个隐含语境点出来了。

GLM 5.2 答得也挺有味道，专门提到这是”中国语言文化博大精深和只可意会的微妙之处”。DeepSeek V4 Pro 则更进一步，把每个”意思”按出现顺序编号解释，结构最清晰。

红楼梦那道题

问的是海棠诗社社长是谁。正确答案是李纨。本来以为这种冷门知识容易出错，结果 7 个模型全对。Kimi K3 的回答简洁明了：

海棠诗社的社长是李纨，自号稻香老农。诗社由贾探春发起成立，李纨”自荐掌坛”，负责出题、限韵、评诗等；迎春、惜春为副社长。

GLM 5.1 的回答更详细，把来龙去脉都讲清楚了：

海棠诗社最初是由探春发起的（见于第三十七回），她给宝玉和众姐妹写了花笺，倡议结社作诗。虽然诗社是探春发起的，但在商议谁来当社长时，探春主动提出”必得请出大嫂子来主持”，大家也一致赞同。因为李纨作为寡嫂，年纪最长，性格厚道公允，虽然她自己作诗不算最拔尖，但大家认为她”善评”，能够公正地评判众人的诗作，所以推举她为社长。

连”发起人和社长不是同一人”这种细节都讲明白了，还点出了选李纨的原因是”善评”，说明模型真理解了原文，不是背了个答案。

指令遵循和工具调用：都没掉链子

指令遵循那题让模型只输出一个 JSON 对象，不许带任何其他文字。这种题最容易看出模型听不听话。结果 7 个模型都老老实实输出了纯 JSON，没一个废话的。Kimi K2.6 最快，0.95 秒就交了：

{"name":"张三","age":25}

工具调用那题，给了个 get_weather(city, date) 工具，问”北京明天天气怎么样”，让模型输出调用 JSON。7 个模型都对了，不过 Kimi K3 有个细节挺加分的——它把”明天”自动换算成了具体日期 2025-01-16。别的模型都直接传”明天”字符串，Kimi K3 多走了一步，说明它在认真理解时间语义。这种细节在真实业务里挺重要，比如你做日程助手，模型能自己换算日期就省心了。

关于花钱这事

这可能是这次测评最值得说的部分。

同样是 15 道题，DeepSeek V4 Flash 花了 1 分 5 厘，Kimi K3 花了 8 毛 2。差了 55 倍。但俩模型总分一样，都是 14 分。

算笔账更直观。以”跑 100 万次类似复杂度的对话”来估算：

能力差不多的情况下，选错模型一年多花几十万，这事谁都不想遇到。

GLM 三代得分一样（都是 13 分），区别主要是价格和速度。GLM-5 价格最低（输入 6 块、输出 22 块），但最慢，跑一道题平均 30 秒；GLM 5.1 和 5.2 价格一样（输入 8 块、输出 28 块），速度快不少，GLM 5.2 降到 13.5 秒。迭代还是有效果的，至少不那么慢了。如果你已经在用 GLM，升级到 5.2 体验会好不少；如果还没用，直接上 5.2 就行。

Kimi K3 作为 2.8 万亿参数的旗舰，能力确实顶，但单价也顶（输入 20、输出 100）。除非你的任务真的需要那种深度的推理能力，不然日常用确实有点奢侈。Kimi K2.6 虽然便宜不少（输入 6.5、输出 27），但数学题比 K3 少对一道，总分差 1 分。如果不需要深度推理，K2.6 性价比比 K3 高。

反过来看 DeepSeek V4 Flash，输入 1 块、输出 2 块的价格，能力跟贵 20 倍的模型打平。这个性价比确实没话说。

速度：三个梯队

延迟这块差距也不小，大致分三档：

第一档（5 秒内出结果）：Kimi K2.6（4.25 秒）、DeepSeek V4 Flash（5.64 秒）。这俩适合做实时交互，用户基本不用等。

第二档（7-15 秒）：DeepSeek V4 Pro（7.3 秒）、GLM 5.2（13.5 秒）、Kimi K3（15.3 秒）。可以接受，但实时对话会有点卡顿感。

第三档（17 秒以上）：GLM 5.1（17.5 秒）、GLM-5（30 秒）。GLM-5 这个速度做实时交互基本没法用，一道题等半分钟，用户早跑了。不过它是推理模型，思考时间长也正常，适合离线批处理。

这里有个规律：推理模型（DeepSeek、Kimi K3、GLM 系列）普遍比非推理模型（Kimi K2.6）慢，因为它们会先在 reasoning 里想一遍再输出答案。代价是 token 消耗也大——GLM-5 跑 15 题输出了 17353 个 token，是 Kimi K2.6（2601 个）的 6.7 倍。这些 token 都是钱。

不同场景怎么选

测完之后我自己总结了一下，其实没有”最好”的模型，只有”最合适”的：

日常开发用：DeepSeek V4 Flash。便宜快好，性价比断档第一。我后来手头项目的代码补全、文档生成都换它了，一个月下来没花几个钱。如果你只想要一个”够用且便宜”的模型，选它不会错。

数学推理 / 算法题：DeepSeek V4 Pro 或者 Kimi K3。这俩在多步推理上最稳，水池那题就是它们几个算对的。Pro 性价比高一些，K3 推理更深但贵。如果你的任务涉及数学证明、逻辑链推理、算法设计，这俩最靠谱。

要快、要实时：Kimi K2.6。4 秒多出结果，是非推理模型里最快的，做客服、做对话机器人这种场景合适。而且它不搞”先想后答”那一套，直接给结果，体感很流畅。

长文本：GLM 5.2 或者 Kimi K3。都支持百万 token 上下文。GLM 5.2 官方说能承载项目级工程上下文，这个我还没测，回头可以试试把整个代码库丢进去。Kimi K3 的 1M 上下文也是标配。如果你要处理长报告分析、代码库理解、超长对话历史，这俩是首选。

Agent 开发：GLM 5.1 / 5.2 或者 Kimi K2.6。GLM 5.1 专门讲 Agentic Engineering，工具调用很稳；Kimi K2.6 本身就是多模态智能体，擅长长程任务。在共绩算力上一键切换，方便对比哪个更适合你的 Agent 业务。说实话这次工具调用题太简单了，没拉开差距，想真正分高下得设计更复杂的多步工具调用场景。

预算紧的批处理：还是 DeepSeek V4 Flash。1 块钱能跑一堆任务，离线跑数据标注、批量摘要、文档清洗这种用着不心疼。GLM-5 虽然慢，但如果你的任务对延迟不敏感、又需要推理能力，它的单价（22 块输出）比 Kimi K3（100 块输出）便宜不少，也算个折中选择。

平台体验与快速上手

既然是在共绩算力上测的，顺带说下平台体验和怎么接入。我翻了他们的快速上手文档，接入确实简单，总结下关键信息。

两个地址记住就行：

接入只需改两个参数。因为完全兼容 OpenAI 接口，你之前用 OpenAI SDK 的代码，把 api_key 和 base_url 改掉就能跑，其他一行不用动。文档里给的 Python 示例：

from openai import OpenAI

client = OpenAI(
    api_key="你的 API Key",
    base_url="https://api.suanli.cn/v1",
)

response = client.chat.completions.create(
    model="deepseek/deepseek-v4-flash",
    messages=[
        {"role": "system", "content": "你是一个有用的 AI 助手。"},
        {"role": "user", "content": "请用一句话解释什么是大语言模型。"}
    ],
    max_tokens=1000,
    temperature=0.7
)

print(response.choices[0].message.content)

不用 Python 的也可以用 cURL：

curl -X POST "https://api.suanli.cn/v1/chat/completions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer 你的API Key" \
  -d '{
    "model": "deepseek/deepseek-v4-flash",
    "messages": [{"role": "user", "content": "你好"}],
    "max_tokens": 100,
    "temperature": 0.7
  }'

模型切换是真的方便。想换模型，只改 model 字段就行，比如从 deepseek/deepseek-v4-flash 换成 moonshotai/kimi-k3，其余代码不动。一个 Key 就能调全部 7 个模型，省得我注册一堆账号。写个 for 循环遍历模型列表，一次跑完所有对比，开发体验很好。如果你想看自己账号能用哪些模型，调一下 models.list() 接口就全出来了：

models = client.models.list()
for m in models.data:
    print(f" - {m.id}")

按量计费没有套餐费，这次 105 次调用总共花了一块多，对个人开发者或者小团队比较友好。相比传统包月套餐，按量模式能省下约 18.6% 的成本（具体大家可以拿自家账单对比下），至少不会让你为用不上的资源买单。平台宣称 99.99% 可用率，这次跑的过程中没遇到调用失败的情况。

写在最后

这次测完最大的感受，不是哪个模型最强，而是整个国产大模型生态已经成熟到可以让开发者”不纠结”了。

一年前做模型选型，你要在能力、价格、速度之间反复权衡，踩坑是常态——指令题一半模型不听话，代码题动不动就跑不通，长文本说是支持百万 token 实际几万就开始丢内容。现在呢？15 道题里除了数学有一道拉开 1 分差距，其余维度全员通过。代码全员满分、中文理解全员优秀、Agent 调用全员到位。这意味着什么？意味着你终于可以把精力从”选哪个模型”转回到”怎么用好模型”上了。

而共绩算力这类平台做的事，恰恰是在降低”用好模型”的门槛。一个 API Key、一套 OpenAI 兼容接口、一行代码切换模型，让你能在同一套代码里随时对比 DeepSeek、Kimi、GLM 的表现，按实际效果选型，而不是被某一家绑定。按量计费、无套餐费的模式，也让试错成本降到了几乎可以忽略——我这次 105 次调用花了一块多，这个成本任何人都能承受。

说到底，大模型不该是奢侈品。当 DeepSeek V4 Flash 能用 1 块钱 1 百万 token 的价格，提供和贵 20 倍的旗舰模型一样的能力时，普惠就不是一句口号了。国产模型这一年的进步，配得上”惊喜”这个词。

如果你也在选模型，别光看跑分，自己跑一遍最实在。控制台地址 console.suanli.cn/models，注册就能用，第一次调用花不了几毛钱。