开源大战——GLM 是性价比之王
测试的模型——模型:GLM-5.3-Flash vs Kimi-K2.7-Code vs MiniMax-M3.1-Flash,全部通过 opencode-go 跑。使用场景:写代码——在 yolped 上做两个真实功能任务,yolped 是我用来部署 Docker/Compose 的 Rust CLI。
35 个结果 · “Coding”
Anthropic 的写作/创作模型,写出来的字最像真人,就是配额偏低。
“agentic 编码是一流水准,但得掏钱——跑一轮完整 benchmark 就花了 $1,550。”
Anthropic 中端主力,比 Opus 便宜快,编码代理的高性价比选择。
“日常主力模型里的天花板,没得说。快、价格也还行、代码还干净。”
AI 代码编辑器,体验丝滑,目前综合体验最好的编程 IDE,就是贵。
谷歌最强前沿模型,Intelligence Index 第一,但只对安全研究员开放,用不上。
“能力更强了价格还没变——这点我至少得点个赞。”
谷歌面向日常编码和 agent 任务的执行模型——Argon 级能力,$1.50/$7.50,1M 上下文不加价。
“Argon 级 agent 能力,$1.50/$7.50 每百万 token,比 Sonnet 5.5 便宜 25%。”
智谱快速廉价版,性价比高,但会退化重复 token、输出只有 50 tok/s。
“30M token 才花 50 美分——旗舰级的输出,白菜价。”
OpenAI 的专业工作模型:金融分析、法律检索、做 PPT、复杂编码——比 GPT-6 Astra 便宜 20%。
“Agents Last Exam 比 GPT-6 Astra 高 5.2 分、比 Claude Fable 5.2 高 5.5 分(OpenAI 自报)。”
xAI 模型,说话直白、并行工具调用强,但爱发明术语、废话多。
月之暗面的开源编码模型,1T MoE,但工具调用频繁失败、爱死循环。
“tool/skill 调用明显更强了,也不像上一版那样想太多。”
MiniMax 快速文本模型,纸上不错实战拉胯,被吐槽「benchmaxxing」。
“agent 任务成本直降 70%,这才是重点。”
阿里的 2.4 万亿参数 MoE 旗舰(激活 71B),原生视觉、100 万上下文,Code Arena 第 6。
“2.4 万亿总参数,每 token 只激活 71B——同规模下推理成本更低。”
测试的模型——模型:GLM-5.3-Flash vs Kimi-K2.7-Code vs MiniMax-M3.1-Flash,全部通过 opencode-go 跑。使用场景:写代码——在 yolped 上做两个真实功能任务,yolped 是我用来部署 Docker/Compose 的 Rust CLI。
我在给一个 AI 驱动的金融研究系统做文档摄取流水线时,碰到了一个有意思的问题。一个 PDF 转换成功……
测试模型:DeepSeek V4.1 Flash 和 Qwen3.8-Flash,正面硬刚(都通过 omp / opencode-go 运行)。用场景:写代码——我 hackathon 项目里一个真实的功能……
测试模型 — 模型 A:Qwen3.8 Flash(qwen3.8-flash),通过 oh-my-pi(omp)跑,思考级别 medium — 模型 B:DeepSeek V4.1 Flash(deepseek-v4.1-flash),r…
专家混合(MoE)特别有意思,因为稀疏的专家激活能降低推理算力。但多模态和 MoE 并不是二选一的对立选项——一个描述的是模型能理解哪些类型的数据,另一个描述的是计算是怎么组织的。
我在 ohmypi(omp)里跑了一次真实的构建:qwen3.8-max 当编排者,qwen3.8-flash 当执行者。下面是那次会话里发生的事,以及会话记录下来的数字。
我烧了 4 亿 token 测 Kimi K3.1——开源之王还得再打磨打磨。上周末 Kimi K3.1 Pro 发布,说实话我还挺兴奋的。上一次我碰的 K3……
在我的生产级金融研究助手里,Cohere Rerank 3.5 是我更偏爱的相关性层,胜过 BGE 那套 reranking 方案——这是真实使用中的定性结论,不是 benchmark 声明。
测试模型 - 模型:OpenAI GPT-6 Sol vs Anthropic Claude Opus - 场景:写代码、后端开发、调试,还有 AI agent 工作流 - 主要评测标准:结果质量相对于 token 消耗和成本……