[返回全部研究]() 词元映射研究模型实测 # DeepSeek、GLM 与 Kimi 的真实任务对比 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。 ![图片展示了千帆的Token Plan配置界面。上方有Base URL配置区域，列出OpenAI和Anthropic的协议兼容地址。下方模型选择部分，可选择gim - 5.2、gim - 5.1、deepseek - v4 - pro等模型。接入指南部分，有多个工具图标，如OpenClaw、Claude Code等。该图片与上下文紧密相关，上下文提到用千帆的Token Plan方便切换模型测试，此图直观呈现了Token Plan的配置界面及可选内容，帮助理解模型切换操作。]() 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 | ![图片是一张总结不同任务使用模型的图示，针对代码开发、长材料/汇报/复盘、经营表格/查异常、日常决策、故事/议论文原创、新闻/社区稿改写等任务，分别推荐Kimi、GLM、Kimi等模型。如代码开发推荐Kimi ≈ GLM，长材料/汇报/复盘推荐GLM，经营表格/查异常推荐Kimi等。底部强调“不是谁最强，而是这件事谁更合适”，与文档中测试最终结论相呼应，直观呈现各模型适用场景。]() ## 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。 ![这张图片展示了测试过程中模型的执行结果界面，分为三栏排列。每栏中均包含模型任务的运行状态信息，可见多组任务的完成提示，如“Agent “Task 16 4.0 Round 2” finished”等，部分区域以表格形式呈现了任务的完成情况，表格内带有明确标识，同时还能看到部分代码片段及状态字段，整体为Claude Code中运行任务时的可视化操作结果，直观呈现了三组模型执行相关任务时的进度与返回信息。]() 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。 ![这张图是代码题自动测试结果，测试脚本为evaluation/coding_test.py，每份代码执行15项检查。图中展示了三个模型的测试情况：Kimi-K2.6第1轮有1项未通过（未拒绝非规范日期2025-1-1），第2轮15项全部通过；DeepSeek-V4-Pro的两轮测试均有1项未通过，问题均为未拒绝非规范日期2025-1-1；GLM-5.2第1轮有1项未通过（未拒绝无效日期2025-02-31），第2轮15项全部通过，该结果对应文档中日常代码场景的模型稳定性对比内容。]() 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： ![图片展示了在优惠券分配功能15项自动化测试中，DeepSeek - V4 - Pro、GLM - 5.2、Kimi - K2.6三款模型的评分结果。DeepSeek - V4 - Pro第1轮和第2轮均为14/15，代码质量分为91.5；GLM - 5.2第1轮和第2轮分别为14/15和15/15，代码质量分为94；Kimi - K2.6第1轮和第2轮分别为14/15和15/15，代码质量分为95.5。本轮结论为Kimi ≈ GLM > DeepSeek。图片与上下文对比模型在日常场景中稳定性相关，直观呈现了三款模型的评分情况。]() 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。** ![该图片是一份风险与证据表，涵盖3个风险等级（高、中、低），对应多条具体的风险事项，包括数据合规问题、销售回款回款、服务可用率不足等办公相关场景的风险，每条风险事项都标注了对应的材料证明内容，以及明确的下一步处理动作，用于规范不同风险的核查与处置路径，与文档中介绍的DeepSeek、GLM、Kimi三大AI办公工具的使用场景及相关内容相互关联，辅助展现办公场景下的风险防控相关内容。]() 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。 ![图片为风险与证据表，包含风险等级、风险描述、材料证据、下一步动作四列。风险等级从高到低分为高、中、低三级。高风险有个人信息保护违规、华南退款处理错误引发投诉等；中风险有系统可用性不足、回复质量与新人操作等；低风险有当前无数据泄露、保单满意度回收率偏差等。此表与上文对DeepSeek、GLM、Kimi模型在办公场景下的表现分析相关，直观呈现了各模型在不同风险方面的处理情况。]() 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。 ![图片为“三、风险与证据表”，包含风险等级、风险项、材料证据、下一步动作四列。风险等级有高、中、低三级，如高风险项有数据合规、知识库同步缺失等；中风险项有模型服务中断、外包合同调整滞后等；低风险项有日志泄露风险等。材料证据部分以具体数据呈现，如数据合规中数据保留180天等。下一步动作给出对应措施，如数据合规中扩大试点前完成入库前脱敏等。该表与上下文讨论的材料分析模型应用相关，展示了风险情况。]() 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。 ![图片展示了方案B与方案C在可靠性、总耗时、价格等方面的对比分析。可靠性方面，方案B地铁部分准点率97%，出租车部分无数据，但其即时性优于网约车；方案C整体接驾率92%，低于地铁97%且取消订单无数据。总耗时方面，方案B多约464分钟/月，价格高11元/月。数据支持和信息不足部分指出，方案B出租车准点率无数据，C取消订单频次等无数据，这些缺失影响加权可靠性对比，但不影响方案B可靠性优于方案C的排序判断。]() ![这张图片呈现的是针对方案B和方案C的对比分析内容，属于文档中关于日常决策类模型使用的细节对比部分。其中明确标注“2.推荐方案B”，依据硬约束排除B、C外的其他选项，从可靠性、总耗时、价格三个维度对比后得出B更具优势，同时说明该方案的代价为每月多花11元、多耗约464分钟。随后在“3.数据支持与信息不足”部分，梳理了可用的数据内容，也指出了存在的信息缺口，包括出租车相关数据无量化证明、加班车及网约车补充成本相关数据缺失等，对应文档中不同模型在处理此类信息时的表现差异相关背景。]() ![图片展示了6个加班夜三种方案的成本计算过程。方案A为月加班240元（覆盖38次地铁），加班打车6×42=252元，合计492元；方案B为地铁（44 - 10）×38次×5.5元/次+打车6×42=252元，合计461元；方案C为通勤包398元（含40次），总44次，超次4×13=52元，合计450元。还呈现了10个加班夜三种方案的成本计算，方案A为240+10×42=660元，方案B为187+420=607元，方案C为398+44×13=450元。此图与上下文关于加班夜方案成本计算的内容紧密相关。]() 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。** ![图片展示了预算为470元的日常决策场景，列出方案A、B、C的费用及可靠性情况。方案A超预算，直接排除；方案B可行但缺深夜出租车可靠性；方案C可行但缺取消后的等待与费用。97% ≠ 整套方案可靠性，局部准点率不能替代缺失的深夜出租车与取消订单数据。DeepSeek/ GLM两轮都直接选B，把局部数据当成整体结论；Kimi第2轮承认无法直接比较，更有机会发现信息缺口，仍需人工复核。图片强调最危险的不是算错，而是把未知包装成已知。]() 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： ![图片展示了小说《八点四十七分的站台》中的一段文字，内容为“八点四十七分的站台”故事片段。文字描述了在化雪天，地砖上的泥水拖了三遍还是花的站台场景，还详细刻画了坐在第三排铁椅上的女孩形象，她书包搁在膝盖上，脚边立着一把红伞，校服袖口露出一截旧手表，皮带子在手腕上绕了两圈还松。这段文字与上下文提到的DeepSeek、GLM、Kimi回答小说文本的细节对比相关，是对比内容的一部分。]() ![这张图片展示了一篇8:47的候车厅相关的文本内容，内容为文本中角色与他人的对话，涉及候车厅的末班车信息、北门进出的情况，以及候车厅内的环境细节，包括电子时刻牌显示21:40、未班车七点五十开走、初中女生抱着一把伞骨断了的红伞、主角在拖地面等内容。这段文本是用于对比DeepSeek、GLM、Kimi三个大模型在中文写作能力的参考测试文本。]() ![图片展示了小说文本内容，描述了冬夜车站的场景。画面中，冬夜的候车厅只有暖气管道滋滋的响声，清洁工拖着桶走过空荡的大厅，墙角蜷着一条黄狗，电子时刻牌红着眼显示“末班车已发出 请旅客尽快离站”。最里排的蓝色塑料椅上坐着个穿校服的姑娘，缩在椅角，膝头横着一把红伞，伞骨折了两根，她盯着出站口的厚帘子。此段文字与上下文紧密相关，是对小说情节的呈现，为后续情节发展做铺垫。]() 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。 ![图片展示了中文写作中DeepSeek和Kimi在原创写作和材料改写任务中的表现。左侧为DeepSeek，其在故事和议论文任务中得分分别为94.5和95，优势在于人物、道具、视角和字数约束完成度高，叙事更克制，反方与回应更完整。右侧为Kimi，其在新闻和社区改写任务中得分分别为90和91，优势是事实保留更稳，篇幅更接近要求，不把待公布规则写成已经确定的事实。底部显示GLM本轮中文均分为84.4。]() 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。 ![这张图片展示的是三组深色背景的代码与测试界面，结合上下文可知，该内容对应不同AI模型的测试或评估相关操作。左侧界面为命令行形式的参数与结果列表，中间界面是关于模型测试的文本说明与表格，右侧界面则呈现了代码编辑区域，包含代码内容及相关注释，整体呈现了对Kimi-K2.6、DeepSeek-V4-Pro、GLM-5.2这些AI模型进行相关测试、评估的操作界面与细节，辅助说明不同模型的实际使用与测试表现情况。]() 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： ![图片展示了Token Plan个人版的配置界面。上方有Base URL部分，列出OpenAPI和Anthropic的协议兼容Base URL。模型选择部分，可按控制台切换或使用配置文件切换，当前配置为gim-5.2。接入指南部分，有多个接入工具图标，如OpenClass、Claude Code等。该图片与文档中介绍Token Plan个人版的内容相关，直观呈现了其配置界面及可接入工具，帮助用户了解使用时的设置情况。]() 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： ![图片展示了百度千帆Token Plan个人版的套餐档位。分为Mini、Lite、Pro、Max四个档位，分别对应1000万、4200万、2.3亿、7亿Token额度。Mini档月费4.9元，Lite档月费19.9元，Pro档月费99.9元，Max档月费299.9元。各档位还标注了适用场景，如Mini档适合轻度尝鲜、低门槛体验场景，Max档适合重度开发用户、Agent深度使用者等。图片与上下文介绍的套餐档位及权益相呼应。]() 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。 ## 继续探索 [全部研究]() [!\[图片\]() 模型实测 ### 编程智能体的代码修复轨迹与 Harness 对照 DeepSeek V4 Pro、GLM-5.3 接连更新，豆包推出了 Seed-Evolving，DeepSeek 还发布了自己的 Harness。模型能力在涨，给模型提供工具和执行环境的 Harness 也在进化。]() [!\[图片\]() 模型实测 ### Doubao Seed 2.1 Pro 工程任务实测 6 月 23 日，火山引擎在北京举办 2026 夏季 FORCE 原动力大会，正式发布豆包大模型 2.1。]() [!\[图片\]() 模型原理 ### 语言模型的知识表示与生成机制 “AI 的那些知识，是存储在模型里的吗？”答案是：AI（大语言模型）不存储任何知识。]()