新一波模型更新潮之前，让现任国产四大顶流再打一架

国产模型的更新节奏又提了上来。

从 Kimi K3、Qwen3.8-Max，到 DeepSeek-V4-Flash 接连上新，不少朋友说已经快跟不上这些国产顶流的速度了。

但这才哪到哪。接下来至少还有 DeepSeek-V4-Pro、GLM-5.3 等好几家马上接棒登场。

趁着新一波模型更新前，我还是把目前暂居一线的几个国产顶流，Kimi K3、GLM-5.2、Qwen3.8-Max 和 DeepSeek-V4-Flash 拉到一起做了次横向对比。一方面这样有利于大伙追更之前补课；另一方面，也能给更多持续选型的朋友提供点参考。

这次我选了三个方向和难易程度不同，但效果都比较直观的考题。每个模型都选第一次直出的效果，不返工。

初步结论如下：

• 只要不是巨复杂的需求，搞日常开发这几个模型都可交付。

• 视觉设计肯定还是原生多模态的 Qwen3.8-Max 和 Kimi K3 更强，不过 Qwen3.8-Max 在测试中发挥更稳定。

• GLM-5.2 更能平衡推理速度、成本和结果。

• 算上价格，DeepSeek-V4-Flash 无疑还是斩杀。

三道题看国产模型大乱斗

复刻经典弹幕游戏

第一道题，我让四个模型做一款小游戏，复刻《雷电》式的弹幕躲避和射击玩法。

虽然做小游戏已经被测了一轮又一轮，但这种任务依然能看出各个模型在逻辑思维、UI 设计上的差异，也能检验项目完整性。

我直接开了4个 Claude Code 窗口，统一 Harness 后接了官方 API，让它们同时开干。

prompt：帮我做一个“雷电”游戏，是一个复古的、弹幕躲避和攻击的飞机游戏。仔细点，不要出错。

过了一会儿，四个模型陆续交卷。

GLM-5.2 速度最快，花了六分钟多点儿。

我简单玩了一遍，完成度是够的，Boss 发射弹幕很密，满屏烟花真考验我手速。可能是觉得还不够刺激，GLM-5.2 还额外做了小动画，像敌机✈️被摧毁后的爆炸特效、击败敌机的加分等等。

不过，这个游戏在逻辑上有一个明显 bug。

当玩家击败第一个 Boss 战机后，系统会在短时间内不断刷新后续 Boss，导致我一直做 Boss 车轮战。这一点不太符合常规设定，纯纯想累晕玩家。

接下来的几个模型在速度上都和 GLM-5.2 拉开了差距。

第二个让我玩上游戏的 DeepSeek-V4-Flash 0731，整整用了16分钟⏰。

先看成品。

DeepSeek 是这几款模型中巧思最多的一个。这个配乐首先就深得我心，是唯一一个复刻出 8-bit 风格背景音乐的模型。

它还设计了3款不同的武器，为不同的小怪设计了独特的弹幕颜色和弹道，给 Boss 增加了专属技能，甚至在 Boss 战前后各做了一段简单的过场动画。

当然，它也有 bug。

第二款激光武器不能正常使用，切换后看不到画面和伤害效果。还有游戏相对简单，弹幕比较稀疏。另外，它设计的追踪导弹武器实在太赖皮，用上了玩家直接无敌，导致游戏性有点下降。

Qwen3.8-Max 做完这个任务用了25分钟。

不愧是原生多模态，它把游戏 UI 带到了 Next Level。看看这个飞机，一点也不凑合。

不过❗️Qwen3.8-Max 做的这个游戏，操作体验让我不太爽。

像敌机弹幕，它设计的太稀疏，不好玩。Boss 战里的弹幕虽然密一些，但轨迹过于规律，玩家随便挪一下就躲过去了。

这个 case 里的飞机也是最难操作的，我感觉自己仿佛被敌方减速了一样，只能艰难在弹幕里缓慢移动。难道它是知道自己的炸弹不够牛X，所以削弱玩家飞机来对冲吗❓

最后交卷的是一如既往干活速度非常慢的 Kimi K3，花了33分钟。

它也交付了完整游戏，UI 设计依然也甩开别家几条街。

我没发现逻辑和样式上的 bug。不过相比 GLM 和 DeepSeek 的作品，它这个游戏设计得有些简单，除了 Boss 战的最后阶段，其他大部分时间没什么挑战性。

个性化网页做出来都没啥个性

玩完小游戏，我打算搞点更实用的 —— 让它们给指定商品做个宣传网页。

我先把之前做的四木文化衫设计图贴给 ChatGPT，让它生成8张不同角度、不同特征的商品图。

考虑到 DeepSeek-V4-Flash 和 GLM-5.2 不是原生多模态，我让 ChatGPT 搞了个 md 文档把每张图片的内容客观描述，再一起丢给这四个模型。

*提前生成的商品图

这种任务比较简单，所有模型都搞定了。

但问题也出在这里。

这四个模型做出来的简约网站，风格如此类似，很难找不同，仿佛一个妈生的。有朋友看完锐评：吃的数据集都差不多，做出来也都很无聊❗️

我把几个网页放在这里，大家可以自己找区别。

*4款模型都使用了深色底+浅色文字来展示，网页左上角都是Logo图标，右上角都是导航栏。页面向下滚动，下方的图片和文字都会慢慢渐显出来；鼠标放在图片上，也都会有轻微的放大效果

仔细瞅了一圈，我找到了一些小区别。

比如，DeepSeek-V4-Flash 特意在首页文字使用了和我们 Logo 主体颜色一致的色号。

Qwen3.8-Max 在导航栏和滑动提示上，加了一点小动画。

更明显的差异出现在文案上。

相比之下，我最喜欢 DeepSeek-V4-Flash 的文案，意境和高级感都更好一点。

耗时方面，DeepSeek-V4-Flash 和 GLM-5.2 依然最快，都只用了三分钟左右。

Kimi K3 接近16分钟，Qwen3.8-Max 则用了22分钟。

3D城市模拟器，拉开差距的一题

最后一道题我准备上点难度，搞一个 3Ｄ城市模拟器，刁难一下这些模型。

Prompt 里塞了不少细节：帮我做一个城市的实时3D演示网页，要求能看到城市不同分区的建筑特色，城市的路网现状，城市的水系、电力网。模拟网页要有天气系统，能模拟不同天气情况下的城市变化。

这题不仅考验模型 3D 建模的功底，还会涉及它们对天气、时间、光照变化背后的物理规律理解力。

第一个跑出来的又 GLM-5.2。这个复杂任务，它居然只用了4分钟。

GLM-5.2 对建筑建模的处理不错，天气系统也能运转正常，随着时间变化，太阳的光照角度会相应改变。

但它在路网、水系、电力网、植被这些元素的处理上比较糙。比如水系和植被，只在城市的角落放了一小片水滩和几棵小树，居住生态不太行。

再来看看 Qwen3.8-Max 的结果，它这次速度位居第二，花了23分钟。

这次 Qwen3.8-Max 的交付质量很高。

它生成的页面元素非常完备，建筑、电网、水系、路网、绿化一个没落。天气系统和同时段的光影变化，这种考验物理规律的测试点都正常显示。

除了小汽车在路上像螃蟹一样横向移动有点诡异，其他几乎没啥 Bug。

放大看，还能发现 Qwen3.8-Max 的不少巧思。

比如进入夜晚，所有建筑会亮灯；在城市边缘还有一座有一座发电厂，作为整个电网的起点，电厂的烟囱还会冒烟。

接下来是 DeepSeek-V4-Flash，它这次和 K3 一样慢，都搞了半小时。

可能还是因为多模态能力受限，DeepSeek-V4-Flash 做的城市差了些意思。

城市里各分区的建筑稀疏，路网和水系会不停闪烁。天气系统整体上运转正常，但切换到雨天和雪天时，基本看不到雨滴和雪花。

最后是 K3。它同样交付了一个要素齐全的城市，建筑、路网、水系、电网和绿化都有。

K3 的天气系统最好。

它额外设计了一个“天气强度”选项，不同天气下选不同的强弱程度画面会有明显变化。尤其是雪天和雷暴，把雪天强度拖到最强，整个城市都会变成白色；选中最强雷暴，画面会出现暴雨和高频闪电。

K3 也设计了建筑在夜晚亮灯的逻辑，可惜建筑建模不够精细。这导致，夜晚的建筑群会呈现出一整片高亮度的颜色，有待加强。

综合来看，这道最难的题，由 Qwen3.8-Max 胜出。

看看各家爆了多少金币

跑完这3个 case，我又看了各个模型的账单。

不得不说，没涨价的梁圣真 YYDS。搞完这几个项目，的DeepSeek-V4-Flash 总共只花了一块三毛九...

GLM-5.2 性价比排第二，总花费 12.85 元。Qwen3.8-Max 和 Kimi K3 分别花费 35.12 元和 39.79 元。单独看这几个数字都不算贵，但和 DeepSeek 一比还是高出几十倍。

经过今天这一通大乱斗，相信大伙对这四款模型又多了一点了解。就像一开头说的：

• 只要需求不是特别复杂，四款模型都能把日常开发任务做到可交付。

• 如果看重设计品味和视觉精细度，可以优先考虑 Qwen3.8-Max 和 Kimi K3；其中 Qwen3.8-Max 在这次测试里的交付效果更稳定。

• 如果想平衡推理速度、成本和结果，GLM-5.2 更全面。

• 如果对价格格外敏感，DeepSeek-V4-Flash 依然最有吸引力。

当然，这些参考也有局限性和时效性。估计这几天新模型一更新，咱们又得继续再测。

另外，最近我还看到有朋友在测字节的一个模型，Seed-Evolving。它不会频繁更新版本号，但会保持高频“进化”的速度，据说在 Coding 和 Agent 场景比较专业。

由于它擅长的功能和上面几家暂时不完全一样，所以虽然我也做了测试，但这次没把它放一起比。

大伙可以先看它的初步表现。

这个雷电小游戏里，Seed-Evolving 设计的弹幕不错，飞机 UI 也不错。不过当我吃了几个武器升级道具后，武器又过于强了，导致游戏很快变得没有难度，和 DeepSeek 的问题有点类似。还有一个意外：Boss 被击败后，游戏可能会卡住，感觉能再优化。

制作商品展示网页这个任务，Seed-Evolving 和其他几家的效果差不多。

之后我还会对 Seed-Evolving 做更多测试。马上更新的其他几个模型（比如 DeepSeek 和 GLM）也会在我的测评 list 上。

感兴趣的朋友，可以蹲一波。