廉价中国编程模型：2026年9月该选哪个
一个网页项目的开发者提出了一个简单的问题：该接入哪个不贵的模型来编程，按 token 付费，同时又要表现良好。我们汇总了截至 2026 年 9 月 14 日中国模型的价格和独立测评，然后用隐藏测试在相同的任务上检验了九个模型——从版本排序到用智能体修复一个小型仓库。
简短回答。在便宜的模型里，首先值得试的是 DeepSeek V4.1-Flash 和 GLM-5.3-Flash：两者都是每百万输入 token 约 $0.15、每百万输出 token $0.50—0.60，两者都位于独立排行榜的前列，两者都能原生接入 Claude Code、Cline 和 OpenCode。如果任务很重、预算允许花几倍的钱，那么明显更强的是 GLM-5.3。出乎意料的是腾讯的 Hy3：在我们的任务上开启推理时，它不输给 GLM-5.3-Flash。
我们自己的测评给排行榜补充了最重要的一点——模型在相同任务上的表现。九个模型用 Python、PHP 和 JavaScript 各解了十道只有一个答案的题，并用智能体修复了两个小型仓库。表现最好的是 GLM-5.3——20 题中 20 题一次通过，但它一道题要花约八美分。在便宜的模型里领先的是 GLM-5.3-Flash（20 题中 19 题，0.4 美分）和腾讯开启推理的 Hy3（20 题中 19 题，1.2 美分），而不开推理的 DeepSeek V4.1-Flash 两秒内解出 20 题中的 18 题，花费三百分之一美分——最快也最便宜。小米的模型在 OpenRouter 上最受欢迎，但在我们的任务上比其他模型都弱。
这要花多少钱
价格来自官方页面，按每百万 token 计。对编程来说最重要的是第三列：智能体会把同样的文件反复读上几十遍，而大部分输入都落在重复内容上，提供商从缓存中读取这些内容。
| 模型 | 输入 | 缓存输入 | 输出 | 开放权重 |
|---|---|---|---|---|
| DeepSeek V4.1-Flash | $0.15 | $0.003 | $0.60 | 是，MIT |
| GLM-5.3-Flash (Z.ai) | $0.15 | $0.03 | $0.50 | 是，MIT |
| Qwen3.8-Flash (Alibaba) | $0.15 | 有缓存折扣 | $0.47 | 是 |
| MiMo-V2.5 (Xiaomi) | $0.14 | $0.0028 | $0.28 | 是 |
| MiMo-V2.5-Pro (Xiaomi) | $0.435 | $0.0036 | $0.87 | 是，MIT |
| Hy3 (Tencent) | $0.132 | $0.033 | $0.528 | 是，Apache 2.0 |
| MiniMax-M3 | $0.30 | $0.06 | $1.20 | 是 |
| GLM-5.3 (Z.ai) | $1.40 | $0.26 | $4.40 | 是 |
| Kimi K3 (Moonshot) | $3.00 | $0.30 | $15.00 | 是 |
DeepSeek 有一个特点：上述价格适用于非高峰时段，而在工作日 01:00 至 04:00 和 06:00 至 10:00 UTC 一切都要贵一倍。按莫斯科时间这是 4:00—7:00 和 9:00—13:00，也就是说高峰正好落在工作日的上午。
独立测评显示了什么
厂商公布的数字很亮眼，但那是他们自己的跑分。与独立测评的差距可能非常大：据 Alibaba 数据，Qwen3.6-27B 在 SWE-bench Verified 上解出 77.2% 的任务，而在模型训练时不可能见过的新任务 SWE-rebench 上只有 31.2%。因此下面只列第三方测评。
Artificial Analysis——基于一组测试的综合指数，包含编程和终端操作（4.3 版）：
| 模型 | 指数 | 速度，token/秒 |
|---|---|---|
| GLM-5.3 | 45 | 72 |
| Kimi K3 | 44 | 37 |
| GLM-5.3-Flash | 42 | 109 |
| DeepSeek V4.1-Flash | 40 | 212 |
| Qwen3.8-Flash | 40 | 51 |
| MiniMax-M3 | 30 | 107 |
| MiMo-V2.5-Pro | 26 | 43 |
| Hy3 | 26 | 91 |
| 对比：Claude Sonnet 5 | 38 | 76 |
| 对比：GPT-5.6 Luna | 38 | 120 |
三个便宜的「flash」模型在指数上都高于 Claude Sonnet 5，而 DeepSeek V4.1-Flash 是表中响应最快的——比 GLM-5.3-Flash 快一倍，比 Qwen3.8-Flash 快四倍。对于要连续执行几十步的智能体来说，速度直接转化为等待的分钟数。
SWE-rebench——修复真实仓库中的真实错误，111 道题，出现在 2026 年 5 月 15 日至 7 月 1 日之间。这里有一项其他排行榜没有的东西：一道题要花多少钱。
| 模型 | 解出 | $ 每道题 | $ 每道解出的题 |
|---|---|---|---|
| GLM-5.2 | 62,9% | 1.40 | 2.23 |
| MiniMax M3 | 47,2% | 0.95 | 2.01 |
| MiMo-V2.5-Pro | 46,5% | 0.10 | 0.22 |
| DeepSeek V4-Pro | 40,2% | 0.15 | 0.37 |
| Qwen3.6-27B | 31,2% | 0.62 | 1.99 |
| 对比：Claude Opus 5 | 63,4% | 3.47 | 5.47 |
| 对比：Claude Sonnet 5 | 56,8% | 1.43 | 2.52 |
最后一列是我们的换算：一道题的价格除以解出的比例。较新的模型（DeepSeek V4.1-Flash、GLM-5.3、Qwen3.8）还不在这个窗口里，它们的题目会进入下一期。但格局已经可见：GLM 高端的解出比例几乎追平 Claude Opus 5，而价格低两倍半，而 MiMo-V2.5-Pro 解出的少，但它解出的一道题只要二十出头美分。MiniMax M3 每个 token 便宜，但用得多——每道题 13,9 百万，而表中相邻的是 4—5,5 百万，所以最终算下来很贵。
Arena WebDev——由人工盲测比较模型做出的网页界面给出的评分（数据截至 9 月 11 日）。中国模型中排名最高的是 Qwen3.8-Max（第 4 名）和 Kimi K3（第 5 名），Qwen3.8-Flash 第 9 名，GLM-5.3 和 DeepSeek V4.1-Flash 并列第 15—16 名，GLM-5.3-Flash 第 17 名。作为对比，Claude Opus 5 是第三名。
实际中人们用什么。按 OpenRouter 上 9 月「编程」类别的 token 份额，排在前列的是 MiMo-V2.5（15,4%）、GPT-5.6 Luna（14,4%）和 GLM-5.3-Flash（12,8%）；DeepSeek V4-Flash 和 V4.1-Flash 合计再贡献 12,1%。开发者用钱投票，投的正是便宜的模型。
我们的测评：九个模型在相同的任务上
所有模型都拿到相同的任务：十道只有一个答案、带隐藏测试的题，以及两个智能体任务，模型自己读取文件、运行测试来修复一个小型仓库。每道题解两次；如果测试失败，模型会看到测试输出，可以修正一次。DeepSeek 直接接入，其余模型通过 OpenRouter。任务和检查如何设计，在文末有详细说明，那里也有每道题的完整表格。
| 模型与模式 | 接入方式 | 一次通过 | 有测试提示 | 每题耗时 | 回答 token 数 | 每题价格 | 智能体任务 | 智能体单次运行价格 | 来自 4 比特构建的回答 |
|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4.1-Flash，无推理 | API DeepSeek | 18 题中 20 | 19 题中 20 | 1,9 秒 | 446 | $0.0003 | 4 题中 4 | $0.0022 | — |
| DeepSeek V4.1-Flash，推理 high | API DeepSeek | 18 题中 20 | 19 题中 20 | 58 秒 | 18 348 | $0.011 | 4 题中 4 | $0.0025 | — |
| DeepSeek V4.1-Flash，推理 max | API DeepSeek | 18 题中 20 | 20 题中 20 | 83 秒 | 24 524 | $0.015 | 4 题中 4 | $0.0032 | — |
| DeepSeek V4.1-Flash，high，上限 32K | API DeepSeek | 17 题中 20 | 20 题中 20 | 40 秒 | 11 829 | $0.0075 | 4 题中 4 | $0.0027 | — |
| DeepSeek V4.1-Flash，max，上限 32K | API DeepSeek | 18 题中 20 | 20 题中 20 | 57 秒 | 15 572 | $0.010 | 4 题中 4 | $0.0035 | — |
| DeepSeek V4-Pro，high，上限 32K | API DeepSeek | 16 题中 20 | 19 题中 20 | 232 秒 | 16 881 | $0.043 | 4 题中 4 | $0.012 | — |
| DeepSeek V4.1-Flash，无推理 | OpenRouter | 17 题中 20 | 18 题中 20 | 8,3 秒 | 461 | $0.0007 | 4 题中 4 | $0.0059 | 6% |
| DeepSeek V4.1-Flash，有推理 | OpenRouter | 19 题中 20 | 19 题中 20 | 63 秒 | 6 280 | $0.0078 | 4 题中 4 | $0.0063 | 13% |
| GLM-5.3-Flash，有推理 | OpenRouter | 19 题中 20 | 20 题中 20 | 246 秒 | 8 971 | $0.004 | 4 题中 4 | $0.0045 | 6% |
| GLM-5.3，有推理 | OpenRouter | 20 题中 20 | 20 题中 20 | 228 秒 | 19 045 | $0.077 | 4 题中 4 | $0.037 | 2% |
| Qwen3.8-Flash，无推理 | OpenRouter | 16 题中 20 | 19 题中 20 | 9,5 秒 | 815 | $0.0006 | 4 题中 4 | $0.0028 | 32% |
| Qwen3.8-Flash，有推理 | OpenRouter | 18 题中 20 | 19 题中 20 | 448 秒 | 27 211 | $0.013 | 4 题中 4 | $0.0039 | 44% |
| MiMo-V2.5，无推理 | OpenRouter | 10 题中 20 | 16 题中 20 | 21 秒 | 952 | $0.0005 | 4 题中 4 | $0.0015 | 0% |
| MiMo-V2.5，有推理 | OpenRouter | 15 题中 20 | 17 题中 20 | 220 秒 | 9 055 | $0.0034 | 4 题中 4 | $0.0031 | 0% |
| MiMo-V2.5-Pro，有推理 | OpenRouter | 13 题中 20 | 18 题中 20 | 177 秒 | 7 269 | $0.01 | 4 题中 4 | $0.011 | 0% |
| Hy3，无推理 | OpenRouter | 13 题中 20 | 16 题中 20 | 7,0 秒 | 524 | $0.0006 | 4 题中 4 | $0.0033 | 0% |
| Hy3，有推理 | OpenRouter | 19 题中 20 | 20 题中 20 | 304 秒 | 20 156 | $0.012 | 4 题中 4 | $0.0063 | 0% |
| MiniMax-M3，有推理 | OpenRouter | 15 题中 20 | 18 题中 20 | 122 秒 | 20 296 | $0.027 | 4 题中 4 | $0.018 | 13% |
「每题价格」是一道题连同修正尝试的平均实际成本，「时间」是首次回答的平均时间。通过 OpenRouter 的模型，时间取决于回答的是谁的服务器，而在慢的转售商那里，时间会比开发者本人多好几倍。用它来比较模型要谨慎：同一个 DeepSeek 通过 OpenRouter 回答比直接接入慢四倍。
从表中能看出什么。
- GLM-5.3——唯一一个没有任何错误的模型：20 题中 20 题一次通过。但也是测评中最贵的：一道题约八美分，比 GLM-5.3-Flash 贵二十倍。
- GLM-5.3-Flash几乎追平高端模型——20 题中 19 题一次通过，有测试提示时 20 题全过——而一道题只要 0,4 美分。只有一个缺点：它的推理关不掉，通过 OpenRouter 回答平均要四分钟。
- 腾讯的 Hy3——测评中的意外：有推理时 20 题中 19 题一次通过，1,2 美分。没有推理时同一个模型只解出 20 题中的 13 题——与 DeepSeek 不同，推理模式对它来说决定了很多。
- DeepSeek V4.1-Flash——最快也最便宜：无推理时两秒内 20 题中 18 题，通过 OpenRouter 有推理时 20 题中 19 题。
- Qwen3.8-Flash——居中：有推理 20 题中 18 题，无推理 20 题中 16 题。有推理时回答最慢，七分半钟，而且从三分之一到将近一半的回答来自转售商的四比特构建。
- MiniMax-M3——20 题中 15 题一次通过，一道题 2,7 美分：对这个结果来说很贵。
- 小米的 MiMo-V2.5 和 MiMo-V2.5-Pro——最弱：一次通过 20 题中 10 到 15 题。这既与它们在 OpenRouter 上的受欢迎程度不符，也与它们在 SWE-rebench 上解出题目的好价格不符：在我们的任务上，它们比其他模型更常在条件细节上出错。
智能体任务所有模型都解出来了。每个模型在每个模式下都修好了两个仓库，两次运行都是。这些任务没能把模型区分开，却显示了价格差异：一次运行从 MiMo-V2.5 的 0,15 美分到 GLM-5.3 的 3,7 美分。还有一个细节：通过 OpenRouter 从缓存来的只有输入的 37—78%，而直接接入 DeepSeek 时是 82—86%。同一个智能体的请求会落到不同供应商那里，缓存就丢了，而在智能体长时间工作时这是明显的钱。
DeepSeek 详解：该开哪个模式
别人的排行榜回答的是「哪个模型更强」，但不回答「该开哪个模式、要花多少钱」。我们自己也在用的 DeepSeek，我们在所有模式下都跑了一遍，包括即将退场的 V4-Pro，直接通过它的 API，用与其他模型相同的任务。任务和条件在文末说明。
| 模式 | 一次通过 | 有测试提示 | 每题耗时 | 回答 token 数 | 每题价格 |
|---|---|---|---|---|---|
| Flash 无推理 | 18 题中 20 | 19 题中 20 | 1,9 秒 | 446 | $0.0003 |
| Flash，推理 high | 18 题中 20 | 19 题中 20 | 58 秒 | 18 348 | $0.011 |
| Flash，推理 max | 18 题中 20 | 20 题中 20 | 83 秒 | 24 524 | $0.015 |
| Flash，high，回答上限 32K | 17 题中 20 | 20 题中 20 | 40 秒 | 11 829 | $0.0075 |
| Flash，max，回答上限 32K | 18 题中 20 | 20 题中 20 | 57 秒 | 15 572 | $0.010 |
| V4-Pro，high，回答上限 32K | 16 题中 20 | 19 题中 20 | 232 秒 | 16 881 | $0.043 |
无推理时模型几乎解出了所有题，这是日常工作中最重要的结论。它只在版本排序上绊了一下：用带结尾 $ 的正则表达式检查字符串，而在 Python 中这样的模式会放过带换行符的字符串，「1.2.3\n」被认定为正确的版本。在一次运行中模型看到失败的测试后修正了，在另一次中重复了同样的错误。这是经典错误，人在评审时也常会漏掉。
推理要贵 35—50 倍、慢 30—45 倍，而解出的并不更多。在第一次运行中我们把回答上限设为 32 768 token——许多智能体默认就有类似的限制——结果 high 和 max 模式下五次失败的首答中有四次根本不是代码错误：模型在推理中途被截断，一行代码都没写出来。如果开推理，就把上限调高：DeepSeek 允许最多 384 千 token。
第二次运行上限是 131 千 token。截断几乎没有了，但结果也没提高：一次通过还是 20 题中 18 题，和无推理一样。high 模式平均每道题写 18 千 token，max 是 24 千，而有一次 high 在一个三十行的函数上五分钟内耗尽全部 131 千 token，没有给出回答。两个模式还都在一道 PHP 题上绊倒，而无推理时模型一次就解出来了：按俄语名称过滤在它们那里返回空数组。在这么少的题量上，一两道题的差异在随机范围之内，而价格和时间的差异不在。
智能体任务所有模式都解出来了：两个仓库在四次运行中的每一次都修好了，没有一次错误的工具调用，也没有试图改测试而不是改代码。
| 模式 | 解出 | 步数 | 运行时间 | 缓存输入 | 运行价格 |
|---|---|---|---|---|---|
| Flash 无推理 | 4 题中 4 | 8 | 15 秒 | 86% | $0.0022 |
| Flash，推理 high | 4 题中 4 | 5 | 16 秒 | 82% | $0.0027 |
| Flash，推理 max | 4 题中 4 | 5 | 20 秒 | 82% | $0.0035 |
| V4-Pro，推理 high | 4 题中 4 | 5 | 57 秒 | 84% | $0.0117 |
无推理时模型的做法不同：走八步而不是五步，工具调用更多，根据测试输出尝试和修正——但仍在同样的时间内完成，而且比所有都便宜。而极低的价格来自缓存：智能体把 82—86% 的输入 token 反复重读，DeepSeek 对它们每百万只收 $0.003。
V4-Pro 我们赶在最后一天测到了。DeepSeek 宣布从 9 月 14 日起对它的请求会转发到 V4.1-Flash，但在测评期间 Pro 还在用自己的模型回答——从回答中的服务指纹可以看出。它解出的略少——20 题中 19 题，而同一模式下 Flash 是 20 题——而且一道题平均要 232 秒，而 Flash 是 40 秒，按 Pro 的价格是 $0.043，而 Flash 是 $0.0075。它五次失败的尝试都是同样的 32 千 token 截断，每一次都要等七分钟以上：Pro 写回答明显更慢。智能体任务它解出的和 Flash 一样，但慢三倍、贵四倍。所以 DeepSeek 转向单一编程模型并没有损失什么。
订阅还是按 token 付费
除 DeepSeek 外几乎所有厂商都有按月付费、带五小时窗口请求限额的「编程计划」：GLM Coding Plan 每月 $18 起，小米的 Token Plan 每月 $6 起，MiniMax 每月 $22 起，Alibaba 只剩 $50 的 Pro，而且模型列表里没有 Qwen3.8。如果每天都用智能体，是有划算的。但订阅有两个限制：只允许在受支持的工具（Claude Code、Cline、OpenCode 之类）里使用，不能在自己的脚本里用，而且确切的限额常常不公布。对于不规律的使用和自己的代码，按 token 付费更简单。
如何接入 Claude Code
前三个候选都有兼容 Anthropic API 的地址，所以 Claude Code 不用中间层就能用它们——只要环境变量 ANTHROPIC_BASE_URL 和 ANTHROPIC_AUTH_TOKEN：
- DeepSeek：
https://api.deepseek.com/anthropic，模型deepseek-flash[1m]（带百万 token 上下文）。DeepSeek 的官方说明设置CLAUDE_CODE_EFFORT_LEVEL=max。 - Z.ai (GLM)：
https://api.z.ai/api/anthropic。默认所有角色都拿到 GLM-5.3-Flash，高端模型需要手动指定。 - Xiaomi (MiMo)：
https://api.xiaomimimo.com/anthropic。
对于 Cline、Roo 和其他使用 OpenAI 兼容 API 的工具，同样的提供商也有普通地址。
关于从俄罗斯付款
据用户反映，俄罗斯银行卡既不被 DeepSeek 接受，也不被 Z.ai 和 Alibaba Cloud 接受，而美团的 LongCat 只收 Alipay 和 WeChat Pay。常见的途径是外国银行卡或 OpenRouter：它允许从俄罗斯访问，接受加密货币，手续费约 5%，并出售表中大多数模型的访问权。在 OpenRouter 上要注意是哪个供应商在服务该模型：便宜的有时是阉割版构建，而且工具调用不可用，而 DeepSeek 通过它自己的节点价格与官方一致。
那在自己的硬件上呢？
表中的所有模型都公开了权重，但并不是所有都能在家里认真跑。DeepSeek V4.1-Flash 是 5520 亿参数，GLM-5.3-Flash 是 3200 亿，它们需要服务器。较新的模型里适合单张显卡的是 Apache 2.0 许可下的 Qwen3.8-27B：四比特构建 Q4_K_M 重 16,5 GB，连同上下文能装进 24 GB 的显卡。在 Arena WebDev 上它排第 18，紧跟在 GLM-5.3-Flash 之后——对本地模型来说相当不错，尽管在智能体工作上离云端「flash」还差得远。
结论
- 通过 DeepSeek API 使用 DeepSeek V4.1-Flash——默认选择：最快也最便宜，在我们的任务上无推理时一次通过 20 题中的 18 题。只有在刁钻的算法上才值得开推理，并且要调高回答上限。繁重的会话更适合在非高峰时段跑——工作日莫斯科时间 13:00 之后。
- GLM-5.3-Flash——便宜模型里结果最好的：一次通过 20 题中 19 题，一道题 0,4 美分。如果质量比速度重要，值得选它。通过 OpenRouter 回答要几分钟；据 Artificial Analysis 测评，在 Z.ai 自己那里模型每秒约输出 110 token。也有每月 $18 起的订阅。
- GLM-5.3——需要最高可靠性时：唯一没有错误的模型，但比低端贵二十倍。
- 腾讯的 Hy3——有意思的替代：有推理时不比 GLM-5.3-Flash 差，一道题 1,2 美分，无推理则不行。
- Qwen3.8-Flash——可用的选项，但从俄罗斯给 Alibaba Cloud 付款很难，而通过 OpenRouter 有相当一部分回答来自阉割版构建。
- MiniMax-M3 和小米的模型在我们的任务上不如其他模型。Kimi K3 每百万输出 token $15 的价格不属于便宜之列，也没有进入测评。
测试的局限要记在心里。每个模型二十次尝试是小样本，一两道题的差异在随机范围之内。通过 OpenRouter 无法选择供应商，所以部分模型是用阉割版构建回答的。智能体任务对所有模型都太简单。在真实项目里，智能体每一步的上下文要大几十倍，所以缓存价格和回答速度在那里比在我们的表格里更重要。
测评如何进行：条件、任务、完整结果
这一节是给想验证结论或复现实验的人。所有请求都在 2026 年 9 月 14 日发出。
模型如何接入。DeepSeek——直接通过 DeepSeek API，在非高峰时段。其余模型——通过 OpenRouter，用 fal.ai 的密钥：OpenRouter 本身从俄罗斯打不开，而 fal 能把请求转发给它。无推理模式温度 0，有推理模式用模型默认值。回答上限：无推理时 DeepSeek 是 8 千 token，通过 OpenRouter 的模型是 16 千；有推理时 DeepSeek 是 131 千，其余是 96 千。DeepSeek 的第一次运行上限是 32 768 token——正是在这里推理被截断，在汇总表中它单独列出。
成功如何计算。模型拿到任务条件和系统提示：「在一个代码块中给出完整解答，只用标准库，不要测试和解释」。回答中的代码与来自另一个无权限用户、限时 60 秒的隐藏测试一起运行。如果测试失败，模型会看到它们的输出，并得到一次修正机会。表中的「一次通过」和「有测试提示」是解出尝试的比例。每道题在每种配置下解两次。测评前所有题目都用参考解答验证过：参考解答必须通过测试，而修复类题目的带错原始代码必须失败。
价格如何计算。DeepSeek——按 API 回答中的 token 和非高峰官方价格，缓存命中单独计算。通过 OpenRouter 的模型——按 OpenRouter 在每个回答中返回的实际成本。fal 从账户扣了 $3.75，而按 OpenRouter 数据请求成本是 $3.56——中介费约 5%。
谁在回答请求。在 OpenRouter 上同一个模型由不同公司服务，而通过 fal 无法选择供应商：带这种指定的请求 fal 会拒绝。所以回答有时来自模型开发者的服务器，有时来自转售商，包括比原版更弱的四比特构建。来自这类构建的回答占多大比例，在结果表中显示：在比例大的地方，直接接入开发者时模型可能表现更好。
十道只有一个答案的题
| 任务 | 语言 | 检查什么 |
|---|---|---|
| 解析「1h30m」形式的时长 | Python | 严格的语法：单位顺序、数字与单位之间禁止空格、精确的十进制运算——「0.1h」必须正好给出 360 秒，而用二进制小数会得到 360,00000000000006 |
| 按 SemVer 2.0.0 排序版本 | Python | 严格遵循规范：预发布标签的数字和字母部分、构建元数据、禁止前导零、结尾带换行符的字符串 |
| SQL：每个国家最好的两个买家 | Python 和 SQLite | 窗口函数、日历年边界、排除退货、没有国家的买家，以及金额相等时每个国家正好两行——用 ROW_NUMBER 而不是 RANK |
| 修复工作日计数 | Python | 现成代码中的三个错误（符号、范围边界、「或」写成「和」）以及速度要求：数千年的范围必须在一秒内算完 |
| 按 RFC 6902 实现 JSON Patch | Python | 全部六个操作、JSON Pointer 中的转义、原子性（出错时文档不变）、按 JSON 规则比较，其中 true 不等于 1 |
| 把金额拆成份额 | Python | 最大余额法、负金额、在 1030 以内的数上不用浮点保持精确 |
| 带限制的异步启动 | Python, asyncio | 启动顺序、同时运行的任务不超过给定数量、异常代替结果，以及正确取消整个运行 |
| 用于限流的「令牌桶」 | Python | 按假时钟补充、拒绝时不扣减，以及时钟倒退时的行为 |
| 修复分组函数 | PHP 8.3 | PHP 的典型陷阱：array_merge 丢失数字键、strpos 在开头匹配时返回 0、strtolower 不懂 UTF-8、array_filter 默认拿到的是值而不是键 |
| 带生存期的 LRU 缓存 | JavaScript, Node.js 22 | 淘汰顺序、has() 不应刷新记录、先删除过期再删除存活、NaN 和对象作为键 |
两个智能体任务
模型拿到仓库说明和四个工具：列出文件、读取文件、整体写入文件、运行测试。测试文件禁止写入，步数不超过 30。当模型结束时，测试重新运行，测试文件按校验和核对。
- 网店购物车，9 个测试。增值税按银行家舍入而不是普通舍入，优惠码区分大小写且在最后一天无效，重复添加商品会覆盖数量，空购物车返回 0 而不是 0.00，默认日期没有填入——此外还要从零写一个与总金额一致的收据打印。
- 解析 nginx 日志，7 个测试。时区丢失、请求行落进路径、大小为「-」会破坏行解析、百分位算错并在空列表上崩溃、5xx 错误比例从 501 开始算并除以零、路径相等时顺序被破坏——还需要写一个按 UTC 小时分组的汇总报告。
各题的完整结果
每个格子里是两次尝试中有多少次一次通过、多少次有测试提示（「1/2」——一次立即通过，第二次在提示后通过）。智能体任务则是多少次运行以测试通过结束。
| 模型与模式 | 时长 | SemVer | SQL | 工作日 | JSON Patch | 金额份额 | asyncio | 令牌桶 | PHP | JS LRU | 购物车 | nginx 日志 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| DeepSeek V4.1-Flash，无推理 | 2/2 | 0/1 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，推理 high | 1/1 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 1/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，推理 max | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 1/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，high，上限 32K | 1/2 | 1/2 | 2/2 | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，max，上限 32K | 2/2 | 2/2 | 2/2 | 2/2 | 0/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4-Pro，high，上限 32K | 2/2 | 2/2 | 2/2 | 2/2 | 0/1 | 2/2 | 0/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，无推理 (OpenRouter) | 1/2 | 0/0 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| DeepSeek V4.1-Flash，有推理 (OpenRouter) | 1/1 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| GLM-5.3-Flash，有推理 (OpenRouter) | 2/2 | 2/2 | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| GLM-5.3，有推理 (OpenRouter) | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| Qwen3.8-Flash，无推理 (OpenRouter) | 2/2 | 0/2 | 1/1 | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| Qwen3.8-Flash，有推理 (OpenRouter) | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 1/1 | 2 题中 2 | 2 题中 2 |
| MiMo-V2.5，无推理 (OpenRouter) | 2/2 | 0/0 | 0/2 | 2/2 | 0/1 | 2/2 | 2/2 | 2/2 | 0/1 | 0/2 | 2 题中 2 | 2 题中 2 |
| MiMo-V2.5，有推理 (OpenRouter) | 2/2 | 0/0 | 2/2 | 2/2 | 1/1 | 2/2 | 2/2 | 2/2 | 0/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| MiMo-V2.5-Pro，有推理 (OpenRouter) | 2/2 | 0/1 | 2/2 | 2/2 | 1/2 | 2/2 | 1/2 | 2/2 | 1/2 | 0/1 | 2 题中 2 | 2 题中 2 |
| Hy3，无推理 (OpenRouter) | 0/1 | 1/1 | 2/2 | 2/2 | 0/1 | 2/2 | 2/2 | 2/2 | 0/1 | 2/2 | 2 题中 2 | 2 题中 2 |
| Hy3，有推理 (OpenRouter) | 2/2 | 2/2 | 2/2 | 2/2 | 1/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2/2 | 2 题中 2 | 2 题中 2 |
| MiniMax-M3，有推理 (OpenRouter) | 1/1 | 2/2 | 2/2 | 2/2 | 1/1 | 2/2 | 1/2 | 1/2 | 1/2 | 2/2 | 2 题中 2 | 2 题中 2 |
为什么有些题没解出来
「截断」——模型撞上回答上限，代码没写完，「代码错误」——代码写了但测试不通过。这里还有智能体走了多少步、输入中来自缓存的比例。
| 模型与模式 | 失败尝试 | 其中撞上回答上限截断 | 代码错误 | 智能体：平均步数 | 智能体：缓存输入 |
|---|---|---|---|---|---|
| DeepSeek V4.1-Flash，无推理 | 3 | 0 | 3 | 8,0 | 86% |
| DeepSeek V4.1-Flash，推理 high | 3 | 1 | 2 | 5,0 | 83% |
| DeepSeek V4.1-Flash，推理 max | 2 | 0 | 2 | 5,2 | 83% |
| DeepSeek V4.1-Flash，high，上限 32K | 3 | 2 | 1 | 5,0 | 82% |
| DeepSeek V4.1-Flash，max，上限 32K | 2 | 2 | 0 | 5,0 | 82% |
| DeepSeek V4-Pro，high，上限 32K | 5 | 5 | 0 | 5,2 | 84% |
| DeepSeek V4.1-Flash，无推理 (OpenRouter) | 5 | 0 | 5 | 6,0 | 37% |
| DeepSeek V4.1-Flash，有推理 (OpenRouter) | 2 | 1 | 1 | 6,2 | 51% |
| GLM-5.3-Flash，有推理 (OpenRouter) | 1 | 0 | 1 | 6,5 | 50% |
| GLM-5.3，有推理 (OpenRouter) | 0 | 0 | 0 | 7,5 | 45% |
| Qwen3.8-Flash，无推理 (OpenRouter) | 5 | 0 | 5 | 8,2 | 70% |
| Qwen3.8-Flash，有推理 (OpenRouter) | 3 | 0 | 3 | 7,5 | 64% |
| MiMo-V2.5，无推理 (OpenRouter) | 14 | 0 | 14 | 7,0 | 71% |
| MiMo-V2.5，有推理 (OpenRouter) | 8 | 0 | 8 | 7,8 | 72% |
| MiMo-V2.5-Pro，有推理 (OpenRouter) | 9 | 0 | 9 | 8,0 | 76% |
| Hy3，无推理 (OpenRouter) | 11 | 0 | 11 | 8,2 | 78% |
| Hy3，有推理 (OpenRouter) | 1 | 0 | 1 | 7,5 | 77% |
| MiniMax-M3，有推理 (OpenRouter) | 7 | 2 | 5 | 9,5 | 63% |
通过 OpenRouter 实际是谁在回答
每个供应商的回答数量及其构建的量化方式，按 OpenRouter 数据（「unknown」——供应商未指明）。
- DeepSeek V4.1-Flash，无推理：Alibaba (unknown) — 14，GMICloud (fp8) — 10，DeepInfra (fp8) — 6，DeepSeek（自己的服务器）— 5，Morph (fp8) — 4，Relace (fp4) — 3，Wafer (unknown) — 2，Modal (unknown) — 2，Venice (fp8) — 1
- DeepSeek V4.1-Flash，有推理：Alibaba (unknown) — 16，GMICloud (fp8) — 9，Relace (fp4) — 6，Venice (fp8) — 4，Morph (fp8) — 4，DeepInfra (fp8) — 3，Wafer (unknown) — 2，Parasail (fp8) — 1，DeepSeek（自己的服务器）— 1
- GLM-5.3-Flash，有推理：StreamLake (fp8) — 21，未指明 (vLLM) — 5，Relace (unknown) — 4，Z.AI (fp8) — 4，Crusoe (fp4) — 2，Wafer (unknown) — 2，GMICloud (fp8) — 2，DeepInfra (fp4) — 1，SiliconFlow (fp8) — 1，Parasail (fp8) — 1，Phala (fp8) — 1，Sail Research (fp8) — 1，NextBit (fp8) — 1，Venice (unknown) — 1
- GLM-5.3，有推理：Morph (fp8) — 29，DigitalOcean (unknown) — 3，Reka (fp8) — 3，Venice (unknown) — 2，未指明 (vLLM) — 2，Wafer (unknown) — 2，SiliconFlow (fp8) — 2，Modal (unknown) — 2，Novita (fp8) — 1，AkashML (fp8) — 1，GMICloud (fp8) — 1，AtlasCloud (fp8) — 1，Makora (fp4) — 1
- Qwen3.8-Flash，无推理：Alibaba (unknown) — 39，Makora (fp4) — 18
- Qwen3.8-Flash，有推理：Alibaba (unknown) — 29，Makora (fp4) — 23
- MiMo-V2.5，无推理：Xiaomi (fp8) — 36，DeepInfra (fp8) — 16，StreamLake (unknown) — 4，Novita (fp8) — 2
- MiMo-V2.5，有推理：Xiaomi (fp8) — 30，DeepInfra (fp8) — 13，StreamLake (unknown) — 12，Novita (fp8) — 1
- MiMo-V2.5-Pro，有推理：DigitalOcean (unknown) — 34，DeepInfra (fp8) — 6，Xiaomi (fp8) — 5，GMICloud (bf16) — 5，Novita (unknown) — 5，StreamLake (unknown) — 3，AtlasCloud (fp8) — 1
- Hy3，无推理：Tencent (fp8) — 32，DeepInfra (fp8) — 9，GMICloud (bf16) — 8，Novita (unknown) — 4，Phala (unknown) — 4，AtlasCloud (fp8) — 3
- Hy3，有推理：Tencent (fp8) — 32，DeepInfra (fp8) — 10，GMICloud (bf16) — 4，Phala (unknown) — 2，AtlasCloud (fp8) — 2，Novita (unknown) — 1
- MiniMax-M3，有推理：Novita (fp8) — 28，DeepInfra (fp8) — 11，CoreWeave (fp4) — 7，Minimax (fp8) — 6，AtlasCloud (fp8) — 4，StreamLake (fp8) — 3，GMICloud (fp8) — 2，ModelRun (fp4) — 1，未指明 (vLLM) — 1
来源
价格来自 DeepSeek、Z.ai、Alibaba Cloud Model Studio、Xiaomi MiMo、Tencent Cloud、MiniMax 和 Moonshot 的官方页面，截至 2026 年 9 月 14 日。独立测评：Artificial Analysis、SWE-rebench、Arena WebDev、OpenRouter，「编程」类别。厂商自己公布的关于自家模型的结果有意没有纳入比较——只举了一个这样的数字作为差异的例子。自己的测评：DeepSeek——通过它的 API，其余模型——通过 OpenRouter，用 fal.ai 的密钥。
