说实话，现在的大模型已经多到让人有点选择困难了。
朋友让推荐国产模型，我原本想随便推荐一个给他，其实对日常办公来说也都够用。但我确实Token多的用不完，想了想还是做个测试，打算从DeepSeek、GLM和Kimi里挑一个能通吃的默认模型推荐给他。
于是做了个简单测试，把它们放进代码、办公、日常决策和中文写作四类任务后，发现：没有一个模型能通吃。
这次测试里，
代码开发是 Kimi 和 GLM 第一梯队；
长材料交给 GLM 更省心；
中文原创用 DeepSeek更合适；
但拿现成材料改写时，Kimi 又更稳。甚至在需要模型帮你做决策的日常问题中，能承认“现有信息还不够”，得知道要追问，这点上kimi做的更好。
这次针对这3款模型，测了 8 道真实任务，每道题至少跑 2 轮，一共 48 份+回答。
为了方便多个模型切换测试，我这次用的是千帆的Token Plan，一个套餐覆盖多种模型，并通过统一的接入方式切换。
https://console.bce.baidu.com/qianfan/resource/token-plan
目前套餐覆盖 DeepSeek-V4、GLM-5.2、Kimi-K2.6 等模型，个人版分为 Mini、Lite、Pro、Max 几档，丰俭由人比较方便。
测试最终结论如下：
使用场景 | 优先模型 | 一句话原因 |
代码开发 | Kimi-K2.6 ≈ GLM-5.2 | 两者都曾在一轮中通过全部 15 项自动化测试，差距很小 |
长材料、汇报和复盘 | GLM-5.2 | 口径清楚，层次完整，较少添加材料之外的信息 |
表格分析 | Kimi-K2.6 | 核心计算全部正确，也能区分事实和待验证原因 |
日常决策 | Kimi-K2.6，但要复核 | 更有机会发现信息缺口，但两轮表现并不完全一致 |
故事、议论文等中文原创 | DeepSeek-V4-Pro | 约束完成度更高，叙事和论证更稳定 |
新闻、社区稿等材料改写 | Kimi-K2.6 | 事实、篇幅和明确要求守得更稳 |
01 测试方法
8 道题都来自平时会真正交给模型的工作，包括写代码、读材料、分析表格、辅助决策，以及四种中文写作。
| 方向 | 我让模型做什么 | 我主要看什么 |
| 代码 | 按一组规则给用户分优惠券 | 代码能否运行，有没有漏掉特殊情况 |
| 办公 | 把一份客服试点复盘整理给管理层 | 关键数字有没有读错，有没有擅自加结论 |
| 办公 | 汇总电商经营表并找异常 | 计算是否准确，能否分清事实和猜测 |
| 日常问答 | 在三种通勤方案中做选择 | 钱有没有算对，资料不全时会不会硬猜 |
| 中文写作 | 写一篇有多项要求的短篇故事 | 能否同时记住人物、道具、视角和字数 |
| 中文写作 | 讨论学校是否还该布置书面作业 | 观点是否清楚，能不能认真回应反方 |
| 中文写作 | 把采访材料改成新闻稿 | 会不会漏事实，能否分清计划和决定 |
| 中文写作 | 把社区宣传稿改得自然一些 | 信息是否保留，文字像不像真人写的 |
三个模型看到的题目和条件完全相同，每次都从全新会话开始，不允许联网。代码通过 15 项自动化测试验证；数字逐项复核；写作既看内容，也检查字数、事实和题目中的明确限制。
这样做是为了看看它们在真实任务中分别容易在哪里出错。
为了提高效率，我是在 Claude Code 中同时运行了16个任务。模型负责答题，脚本负责保存结果。代码运行测试让Codex来打分，我来审核；数字题逐项核对答案；中文题既看内容，也检查字数和题目里明确写出的要求。
三组模型分别同时执行16个任务，完成一题就保存一份原始答案。
02 日常代码难分伯仲
代码题模拟的是一个优惠券分配功能。模型需要按照会员等级、积分和注册时间给用户排序，再根据库存发券；同时还要处理重复 ID、错误日期和不合法库存等边界情况。
表面上看，这只是一个普通的小功能。真正拉开差距的，却是一些很容易被忽略的细节。
例如，2025-1-1 在 Python 里可以被解析，但不符合题目规定的 YYYY-MM-DD 格式。这样的代码可能正常运行，却会把格式不合规的数据悄悄放过去。
DeepSeek 两轮都漏掉了这一点。GLM 第 1 轮把不存在的日期 2025-02-31 当成合法输入，第 2 轮修正后通过全部 15 项测试。Kimi 第 1 轮同样漏掉严格日期格式，第 2 轮也通过了全部测试。
题目节选： VIP用户优先；同等级先看积分，再看注册时间和用户ID。用户想要的券可能重复，也可能已经没库存。程序不能改动原始名单，遇到重复ID、错误日期或不合法库存时还要主动报错。
其实这不是多难、多么复杂的任务逻辑，我们在日常中经常碰到的也都是寻常问题，所以这个对比是在日常场景中，哪个相对更稳。
评分结果如下：
Kimi 第1轮和 DeepSeek 一样漏掉严格日期格式，第2轮则把解析、格式回写、布尔值排除、库存复制和输出顺序都处理正确。Kimi 的表现比 GLM 的还高了1.5分，两轮综合下来kimi险胜在更稳。
03 办公：长材料选 GLM，表格分析选 Kimi
办公类测试分成两类：一份复杂材料复盘，以及一张经营数据表。
第一道题是一份虚构的家电企业 AI 客服试点复盘，原材料里混着效果、成本、投诉、数据安全和后续计划。我让模型把它整理成管理层摘要、事实表、风险表和后续行动。
原材料信息如下：
试点期间，61%的客户会话先交给机器人回答。在这部分会话中，72%由机器人独立完成，没有再转给人工客服。换成全部客户会话计算，机器人独立完成的比例约为43.9%。项目组宣称“每季度节省126万元”，但试点期实际减少的现金支出只有18万元。8月扩大试点还要先通过四项验收，并不是已经批准。
这几个数字单独看都没错，放在一起却很容易写错。72%只统计“先由机器人回答”的会话，43.9%才是放到全部客户会话里计算；126万元是按席位推算出的数字，不是已经省下的钱；8月扩展也只是附带条件的计划。
在回答中，三者都抓住了这些核心事实，差别主要在答案是否好读，以及会不会在材料之外自己加戏。
DeepSeek 信息最全，但会顺手增加客户补救、多供应商备份和额外访谈。建议本身未必坏，问题是原材料并没有提到这些动作，而题目要求只根据现有材料回答。
Kimi 更紧凑，主要事实和限制都能保住，但也加了少量材料之外的建议。
GLM 的表现最成熟：摘要、关键事实、风险和行动计划层次清楚，重要口径没有混淆，语言也更克制。它不是写得最多，却最接近管理层真正会读的版本。
明显，这里的GLM更优。但到了表格题，又发现 Kimi 更占优势。
第二道题：给了北区、东区、南区连续4个月的订单、销售额、退款和广告数据。模型要自己算退款率、客单价和广告回报，再找出最值得先排查的异常。
南区3月有1400个订单、98笔退款，退款率达到7%，明显高于南区其他月份。题目要求模型用表格里的数字证明异常，再把“已经看到的事实”和“仍需调查的原因”分开。异常不难发现，难的是接下来能不能忍住，不把“可能是商品或流程问题”写成已经确认的原因。
kimi两轮的核心计算都正确，也能把“数据已经证明的异常”和“仍需调查的原因”分开。DeepSeek 的计算同样准确，但有一轮对原因解释得稍远；但 GLM 出现了一个四舍五入误差导致出错。
因此，办公场景给推荐的话，那么：
做汇报、复盘和长材料，用 GLM；看经营表格、查异常，用 Kimi。
04 日常决策：算错不可怕，“不懂装懂”才危险
这道题最接近日常生活。我虚构了一个每月上班22天的上班族：
我每月上班22天，每天早晚各通勤一次，共44个单程。其中通常有6天加班到22:30以后，地铁已经停运，只能使用出租车或全天候网约车。
我正在比较三个方案：
方案A：地铁月票240元，最多覆盖50次地铁单程；每个加班夜另打出租车42元。普通地铁单程约48分钟，准点率97%；出租车约30分钟。
方案B：地铁按次付费，每次5.5元；每个加班夜另打出租车42元。时间与准点率同方案A。
方案C：网约车通勤包398元，包含40个单程，超出后每次13元；早晚均可使用。平均单程35分钟，平台给出的按时接驾率为92%。取消订单后的额外费用和等待时间没有数据。
我的硬预算是每月不超过470元。加班夜必须能门到门回家。满足这两个条件后，我的优先级依次是：可靠性、总耗时、价格。不要擅自改变这个优先级。
请回答：
分别计算三个方案在“6个加班夜”下的月成本，写出算式。
按我的硬约束和优先级推荐一个方案。说明推荐理由，也要指出它相对其他可行方案的代价。
说明哪些结论是已知数据支持的，哪些因为信息不足不能确定。
如果加班夜从6个增加到10个，重新计算三个方案的成本，并说明推荐是否改变。
回答控制在700字以内，先给结论，再给计算过程；不要使用表面精确但材料没有提供的“期望等待时间”。然后我要求AI，帮我在每月预算通勤预算不超过470元，加班夜必须能直接回家的情况下，在预算、可靠性、耗时和价格之间选择对我来说最佳的通勤方案。
方案A超过了470元预算，可以直接排除。方案B和C都没有超预算，接下来应该按照问题的要求，先比较可靠性。
这里才是题目真正容易答错的地方：
因为，题目只提供了其中一部分交通方式的准点率，缺少深夜出租车是否容易叫到、取消订单后要多等多久等关键信息。换句话说，模型其实是没有足够证据直接判断哪套方案整体更可靠的！
但是，DeepSeek 和 GLM 两轮都直接选择B，理由正是97%高于92%。DeepSeek 第1轮还补了一句“出租车一般可靠性较高”，这也是题目里没有的信息。
Kimi 第 1 轮也选了B，但指出了出租车数据缺失；第 2 轮时明确说明两套方案的可靠性无法直接比较，需要再继续按照耗时和价格做决定。
从左到右分别是 DeepSeek/GLM/Kimi 回答的细节对比
| 模型 | 日常问答均分 | 关键表现 |
| DeepSeek-V4-Pro | 76 | 成本正确，但两轮都拿地铁数据代表整个B方案 |
| GLM-5.2 | 78.5 | 成本正确，也忽略了深夜出租车的数据缺失 |
| Kimi-K2.6 | 89.5 | 第2轮发现资料不足，并照着用户给的顺序选择C |
模型最危险的错误，往往不是不会算，可怕的是为了给出结论，悄悄把未知条件补成已知。
在这类任务里，优先可以选择 Kimi，但它两次回答也存在不一致，所以在严肃场景下，使用时仍然需要自己看一眼理由，不过，有这个意识能力已经非常难得了。
05 中文写作：原创选 DeepSeek，材料改写选 Kimi
中文写作一共测了四种任务：短篇故事、议论文、采访材料写新闻，以及把宣传稿改成普通作者口吻的社区文章。这样既能看文笔，也能看模型会不会漏要求、编事实和堆套话。
在短篇故事和议论文这类原创任务里，DeepSeek 的表现最稳定。故事题同时限制人物视角、关键道具、情节走向和篇幅，DeepSeek 两轮都较完整地守住了要求；议论文中，它也能先呈现反方的有力理由，再完成回应，论证更完整。
小说文本都很长我就不放了，我们可以看一下细节对比：
从左到右分别是 DeepSeek/GLM/Kimi 回答的细节对比
其中GLM展现出来一个非常“技术”的偏好， 他的文字过于简洁，经常收得太快，多次测试中都没有达到题目要求的篇幅。
DeepSeek 两轮正文约1179和1057个汉字，主要约束都完成，叙事也最克制。GLM 第1轮只有约798字，直接低于下限；第2轮约904字，勉强达标。Kimi 的情节更戏剧化，但第2轮约1209字略超上限，电子时刻牌的出现次数也没有控制住。
在写原创议论文时：
DeepSeek 两轮都能把立场、课堂情境、反方观点和回应组织起来，句式限制也守住了，是本轮最稳定的中文单项。
GLM 的论证基础不错，但两轮都超过了禁用句式次数，遵循性弱了些。
Kimi 第1轮超字数且多次使用该句式，第2轮还写出“我曾在某中学亲眼旁听”，把虚构课堂情境包装成亲历事实，可信度扣分明显。
不过，任务一旦从“原创”变成“基于材料改写”，结果又变了。
在需要基于原材料的新闻稿和社区文章中，
原稿里充满“迈上新台阶”“注入强劲动能”这类宣传话，模型要在不改变数字和事实的前提下，把它改成一位居民周末实地探访后的文章。
三者的事实总体都准，但全都没有达到700字下限。Kimi 第1轮约654字，是最接近要求的一份，也保住了系统中断、预算口径、事故和待审计划等关键信息。
Kimi 两轮都在600至800字范围内，面积、藏书、开放时间、资金、插座、噪声和预约规则尚未公布等细节也都保住了。
DeepSeek 一轮超字数、一轮略短；
GLM 两轮只有约441和389字，明显没有完成篇幅要求。
总得来说，四道题得分汇总如下：
| 模型 | 故事 | 议论文 | 新闻 | 社区改写 | 中文均分 |
| DeepSeek-V4-Pro | 94.5 | 95 | 87.5 | 80 | 89.3 |
| GLM-5.2 | 82 | 90.5 | 87 | 78 | 84.4 |
| Kimi-K2.6 | 84 | 78.5 | 90 | 91 | 85.9 |
如果你写的是故事、观点文章或需要语言质感的长文，优先 DeepSeek；
如果任务是拿现成材料改成新闻稿或社区文章，Kimi 更稳。
06 没有全能冠军，各有所长
三个模型都完成了全部测试，也都在某些任务上表现突出，在另一些任务上暴露了明显短板。
如果把 8 道题简单等权，Kimi 在本次测试中的总分最高。
| 模型 | 综合分 | 达到80分的任务 | 代码 | 办公 | 日常问答 | 中文写作 |
| Kimi-K2.6 | 89.6 | 7/8 | 95.5 | 94.3 | 89.5 | 85.9 |
| DeepSeek-V4-Pro | 88.1 | 7/8 | 91.5 | 90 | 76 | 89.3 |
| GLM-5.2 | 87.6 | 6/8 | 94 | 95.5 | 78.5 | 84.4 |
但这个结果不能直接理解成“第一”：因为其中 4 道题属于中文写作，题目分布本身就会影响总分。
所以，比起盯着一张总榜，更值得看的，是同一个模型在不同任务中的起伏。
Kimi 综合第一，但议论文问题不少；DeepSeek 中文第一，却在日常决策里连续忽略证据边界；GLM 逻辑第一，同时也会在写作任务里因为篇幅不足丢分。没有一个模型能靠品牌名通吃所有场景。
本轮还有一个速度观察：从每份答案记录的时间看，GLM 整体最快，DeepSeek 居中，Kimi 最慢且波动较大。（这些任务是同时运行的，记录里还包括任务安排和保存文件的时间，仅作参考。）
同时，你也会发现同一个模型在不同任务里会明显起伏，同一道题跑两轮，也可能出现不一样的错误。因此，与其在购买前押宝一个“全能模型”，不如在任务发生时再做选择。
开头也说了，这次跑分，为了方便测试，用的是百度千帆的Token Plan，一个套餐覆盖多种模型，并通过统一的接入方式切换比较方便。
目前套餐覆盖 DeepSeek-V4、GLM-5.2、Kimi-K2.6 等模型，个人版分为 Mini、Lite、Pro、Max 几档：
无论是工作还是写代码，不需要为了不同任务分别维护多套账号和接口；对个人开发者来说，也不必把自己的工作流长期绑定在某一个模型上。
目前个人版提供多个套餐档位，具体额度与权益可以根据自己的使用量选择：
就像这次测试一样，没有明确的万能模型，我们可能需要随时切换使用，明确的分工是：
| 任务 | 优先使用 |
| 写代码 | Kimi 或 GLM |
| 分析经营表格、查异常 | Kimi |
| 做汇报、复盘、长材料摘要 | GLM |
| 比较日常方案 | Kimi，并人工复核 |
| 写故事、观点文章 | DeepSeek |
| 根据现有材料改稿 | Kimi |
这个时候，Token Plan就是一个方便的选择。
这只是少数测试的阶段性结果，不足以代表所有版本和所有工作流。它不是一张永不过期的排行榜，它更像一次贴近日常工作的抽样。
这次测试使用 Token Plan，真正方便的也不只是“套餐里模型很多”，核心是这些模型可以在同一套接入方式下切换。看表格时用 Kimi，做复盘时换 GLM，写原创时再交给 DeepSeek。不需要为了换一个模型，就重新修改接口或重走工作流。
模型切换的成本低了，最优解就不必是“谁最强”，而可以变成“这件事谁更合适”。
工欲善其事，必先利其器，知道模型的长处，发挥他的长板，做事事半功倍。虽无全能模型，但可以有一套更合适的模型组合。
