那个被你们彻底斩杀的，居然是最强国产模型？

评测背景与核心方法论

上期视频中，博主提出要将云端国产主力模型拉出来进行正面硬刚。本期评测旨在回答一个核心问题：日常工作中，到底该把哪个模型作为主力？ 面对千问、GLM、DeepSeek等品牌频繁推出的“战杀”宣传，用户往往感到困惑。博主明确表示：不看跑分、不看榜单、不听口号，而是直接将自己每天实际处理的工作任务作为测试标准。评测对象包括三款国产当红主力模型的Flash版本（千问3.8 Flash、GLM5.3 Flash、DeepSeek V4 Flash），以及两个参照模型：国际顶级模型GPT5.6 Terra和月之暗面Kimi K3。博主特别强调，不测试编程能力也不测满血Pro版，因为那些是AI擅长的刷分场景，与日常真实工作相去甚远。评测数据不代表绝对实力，Pro版本也不是平时干活的主力。真正的测试标准是模型在复杂Agent任务中的可靠性。

“我不测编程，我也不测满血版Pro，因为那些是AI最擅长的刷分评测呀，但是跟我们每天真正在干的活呢，是两回事。”

测试任务设计：真实工作流模拟

为了验证模型在复杂场景下的表现，博主设计了两个极具代表性的任务。第一个任务是海量文本摘要。测试素材为知识库中三天的新闻日报，共14篇文档，总字数接近300K。要求模型读完所有材料后提炼重点，并输出结构化的报告。这一任务主要考察模型在大信息量中抓取重点和梳理逻辑的能力。第二个任务是控制浏览器抓数据并生成洞察报告。模型需要自主操纵Chrome浏览器，打开YouTube后台抓取最新三条视频的数据，并撰写一份洞察报告。这一步是双重考验：既要确保模型能成功从网页中抓取数据，又要具备解读数据背后含义的能力。只有走完这两步的模型，才能证明其在复杂Agent任务中的可靠性。这两个任务足以反映真实工作场景下的痛点。

国产三巨头对决：千问3.8 Flash的表现

在国产模型的首轮交锋中，千问3.8 Flash的表现基本垫底。在第一项海量文本摘要任务中，千问耗时2分21秒完成速度尚可。然而，仔细检查其输出的报告发现：大框架没有问题（S级、A级分类齐全），但子分类整理混乱。例如，在英伟达相关新闻下，部分信息归类错误或缺失，逻辑不够清晰。这暴露出模型思考深度不足的问题：能搭建大框架，但在填充细节时露馅。在第二项浏览器抓取任务中，千问耗时长达8分40秒。博主判断其速度慢的原因是抓网页时反复失败并重试。最终输出的洞察报告在深度和条理性上均有欠缺。综合来看，千问3.8 Flash在处理复杂逻辑和数据抓取时均存在明显短板。速度慢且质量不高，使其在国产三巨头中处于劣势。

国产三巨头对决：GLM5.3 Flash的表现

相比之下，GLM5.3 Flash在逻辑细节上明显优于千问。在第一项摘要任务中，GLM耗时3分33秒，比千问慢了1分多钟。但打开报告后发现：从大分类到明细的结构逻辑更加细致，体现了更好的细节处理能力。在第二项浏览器抓取任务中，GLM耗时6分14秒，比千问快了2分钟多。其输出的洞察报告不仅指出哪条视频表现好，还深入分析了“为什么好”以及“下一步如何修改”。虽然GLM的速度依然偏慢，但博主认为这种分析型的缓慢是可以接受的，因为它实实在在地把活干完了。GLM在逻辑深度和任务完成度上表现稳健。它不是卡在那干等，而是在进行实质性的分析工作。

国产三巨头对决：DeepSeek V4 Flash的胜出

在被评测数据“斩杀”的标签下，DeepSeek V4 Flash的表现却出乎意料地强劲。在第一项摘要任务中，DeepSeek仅耗时1分19秒，是全场最快。其输出的结构化报告清晰程度最高：S1英伟达、S2美联储、S3国产开源、S4收购、S5 Agent商业化、S6地缘竞争，分层逻辑极其严密。其架构甚至可以直接作为模板使用，与千问和GLM的报告并排对比优势明显。在第二项浏览器抓取任务中，DeepSeek耗时3分24秒，比千问快了一倍多。其洞察报告质量最高：不仅提供数据总览和差异来源，还详细解释了“哪个指标决定什么”、“怎么修正”以及“为什么要这么改”。整套逻辑梳理得清清楚楚。DeepSeek在速度和深度上实现了双重领先，国产三巨头的结果毫无悬念。

参照模型对比：GPT5.6 Terra与Kimi K3的局限

引入国际顶级模型GPT5.6 Terra作为参照，旨在展示执行效率的天花板。在浏览器抓取任务中，GPT5.6耗时仅1分47秒，比DeepSeek更快。然而，其输出的洞察报告被博主形容为“理科生风格”：干瘪、惜字如金，许多重要信息懒得写全。GPT5.6的优势在于绝对顶级的执行效率，但长中文输出是其硬伤。相比之下，DeepSeek的“又快又好”含金量更高。此外，博主顺带测试了Kimi K3，结果却是最惨烈的。其他模型即便慢或写得差至少能完成任务，而Kimi K3在浏览器抓取任务中执行到一半直接报错。博主尝试多次后发现，要么提示“这是企业级功能”，要么服务器过载。Kimi K3并非回答不好，而是根本干不了这种复杂活。

“一个模型你让它干稍微复杂一点的活，它就直接趴窝了。所以那不管它跑分多高宣传有多猛在真实的工作当中啊它就是那个用不了的模型。”

性能数据汇总与原因分析

基于上述测试，各模型在两项任务中的耗时及表现如下表所示。需要指出的是，Kimi K3未能完成第二项任务，故无具体耗时数据。DeepSeek在两项指标上均占据优势。GPT5.6虽然速度极快，但中文输出质量不足。Kimi K3的失败可能并非模型本身能力问题，而是背后算力与服务基础设施无法支撑复杂Agent任务的调用。真正决定模型好不好用的，是底层架构能否稳稳跑完每个任务。

价格因素与选型策略：钱的问题

既然DeepSeek在性能上最强，是否意味着每个人都应该直接使用它？答案是否定的，因为价格是关键制约因素。在三个国产模型中，DeepSeek的成本显著高于千问和GLM。官方价格显示：千问输入0.8元/百万token，输出2.7元；GLM输入0.8元/百万token，输出2.8元（促销期减半）。而DeepSeek在空闲时段输入1.5元、输出4.5元；高峰时段直接翻倍，输入3元、输出9元。计算总价可知，同样跑一个活，DeepSeek在空闲时段也比千问和GLM贵60%以上，高峰时段则差了两倍多。因此，博主提出了两条实用路径：第一，如果不差钱，直接使用DeepSeek，一分钱一分货；第二，追求性价比的用户应在空闲时段使用DeepSeek，而在高峰时段切换至便宜的GLM顶替。不建议用千问替代是因为其质量不如GLM且价格优势不明显。

博主的实际使用组合与最终建议

基于上述分析，博主分享了自己的模型搭配策略。关键任务使用GPT5.6 Sol（顶级且不可替代）；常规任务一般用GPT5.6 Terra，但在涉及大段中文输出时切换至DeepSeek V4 Flash（专门挑空闲时段）；高峰时段则换用GLM5.3 Flash临时顶替。这种组合方式体现了按需分配的原则。别指望一个模型包打天下，按场景搭配着用才是把AI用明白的样子。评测榜单会骗人，但真实的体验不会。被斩杀下去的DeepSeek实测反而是最强的。真正决定好不好用的是你跑真实任务时崩不崩溃：千问慢、Kimi趴窝、DeepSeek又快又好，这是同一答案的三种写法。这一结论不仅适用于本次评测，也适用于未来选择任何AI工具。

结论

本期评测通过真实工作流模拟，揭示了榜单数据与实际体验之间的巨大错位。DeepSeek V4 Flash虽然在宣传中被“斩杀”，但在速度和深度上均表现最优，是性能首选；GLM5.3 Flash在逻辑细节和性价比之间取得了良好平衡，适合高峰时段替代；千问3.8 Flash在复杂任务中表现垫底；GPT5.6 Terra效率极高但中文输出存在短板；Kimi K3因基础设施限制无法胜任复杂Agent任务。用户应根据预算和时段灵活组合模型，而非盲目迷信单一品牌或跑分数据。真实场景下的稳定性与性价比，才是选择主力模型的核心依据。