五款中美开源模型横评：Kimi K3综合领先，DeepSeek性价比突出

测试概况

本次横评将 Kimi K3、Qwen3.8-Max、DeepSeek V4 Pro、Meta Muse Glimmer、Nvidia Nemotron 3.5 Lightning 接入同一测试环境，通过脚本与真人盲评判分。每道题设有统一输出上限，超限视为未交卷；超限任务会放开上限单独补跑作为对照。

逻辑推理：DeepSeek成本最优

多步推理题包括24点与五位数密码锁。K3、Qwen补测后全对，DeepSeek一轮全对五题，仅花费4美分。Muse Glimmer 和 Nemotron 原测均因思考过长被截断而交白卷；放开上限后 Muse 密码锁全对，Nemotron 烧掉6万token仍答错。无解24点陷阱中，除Muse在补测时编造假解外，其余均正确识破。加时赛预算30美分下，Nemotron十轮仍未解出密码锁，Muse第四次解出，DeepSeek性价比约为Muse的四倍。

代码可视化：K3完成度最高

SVG作画、地铁线路网页、成绩单可视化三项测试中，K3满分次数最多；DeepSeek在成绩单可视化中获最高分；Qwen在放开上限后补交完成度较高的地铁页。美国两款模型在SVG和网页任务中效果较差，Nemotron功能缺失，Muse路线计算错误。

Agent工具能力：三家国产模型满分

修bug任务中，五款模型均将十二项测试修复至全绿，DeepSeek单轮成本0.3美分最低。脏账单清洗任务中，K3、Qwen、DeepSeek全部满分；Muse十五轮全部消耗在编码问题，Nemotron仅获部分分数。注：首次测试时托管商不支持Nemotron原生工具调用，改为纯文本协议；补充原生工具重测后，账单任务仍未通过。

Blender建模与写作：K3表现最优

中式庭院Blender脚本测试中，仅K3两份脚本均一次跑通渲染出图；Qwen补跑后出图，DeepSeek一份出图一份因废弃接口参数失败，Muse和Nemotron均未出图。写作测试中，K3是唯一在两道高难度改写题均获3分的模型；DeepSeek简单题满分，难题仅2分；所有模型在难题中均未超过3分，存在套路化表达。

开源模型分化趋势

本轮测试显示，大参数模型在需要长时间推理和复杂工具调用的任务上仍明显占优。K3冲能力上限，全面但偏贵、偏慢；Qwen稳定全能，但思考耗时长；DeepSeek能力不弱且价格极低，可能进一步拉低市场对强模型价格的预期。Muse Glimmer 和 Nemotron 这类小模型在简单任务上快且便宜，但复杂任务差距明显。Meta已预告旗舰模型Muse Spark 1.2权重将在未来几周放出，阿里也已将Qwen3.8大杯权重上传至Hugging Face，开源模型供给正变得更加丰富。