2026年8月大模型巅峰对决

本文数据截止日期：2026年8月17日

2026年8月12日—14日，AI圈经历了堪称"疯狂星期四"的密集发布潮。DeepSeek V4 Pro正式版、马斯克的Grok 4.6、智谱GLM 5.3、谷歌Gemini 3.7 Flash在短短48小时内接连亮相，加上7月底转正的DeepSeek V4 Flash，五款模型同台竞技。本文将从架构解析、官方跑分、统一测试用例实测、各领域能力对比、性价比分析五个维度，带你看清这轮"神仙打架"的真实水位。

目录

一、发布时间线：48小时五款模型炸场

07-31 DeepSeek V4 Flash 正式版 API上线（Flash-0731） 08-12 深夜 DeepSeek V4 Pro 正式版静默上线（0813构建） SpaceXAI 发布 Grok 4.6 08-13 DeepSeek官方群组发布V4 Pro Agent基准对比表 Google DeepMind 发布 Gemini 3.7 Flash 08-14 智谱AI 发布 GLM 5.3 Gemini 3.7 Flash 限时半价政策公布 2026年8月大模型发布时间线

这轮发布有几个值得注意的信号：

  1. 中美同日对撞：8月12日深夜DeepSeek V4 Pro转正，几乎同一时刻马斯克发布Grok 4.6，"梁文锋突袭马斯克"成为行业热词。
  2. 国产三连击：DeepSeek（8/12）→ GLM 5.3（8/14），加上此前的Qwen 3.8-Max（8/3）、Kimi K3（7月），国产旗舰在8月完成密集卡位。
  3. 谷歌闪电跟进：Gemini 3.6 Flash发布仅三周就推出3.7 Flash，新负责人Koray上任后"第一把火"直接砍向价格。

二、五款模型逐一深度解析

2.1 DeepSeek V4 Pro（0813正式版）

模型能力对比

发布方式：2026年8月12日深夜，DeepSeek未发布单独博客公告，仅通过API定价页与OpenRouter静默更新，将旗舰模型从预览版切换为正式版（构建号0813）。

核心规格：

项目参数
总参数量 / 激活参数量1.6T / 49B（MoE）
上下文长度1M tokens
最大输出长度384K tokens
输入价格（缓存未命中）$0.435 / M tokens（约3元）
输入价格（缓存命中）$0.003625 / M tokens（约0.025元）
输出价格$0.87 / M tokens（约6元）
并发限制500
思考模式非思考 / 思考（默认），支持 high / max

技术架构亮点（依据官方技术报告 arXiv:2606.19348）：

  • 混合注意力架构（CSA + HCA）：在token维度压缩KV缓存，结合压缩稀疏注意力与重度压缩注意力，大幅降低长上下文计算开销
  • 流形约束超连接（mHC）：升级传统残差连接，增强深层建模能力
  • Muon优化器：加速收敛、提升训练稳定性
  • 稀疏注意力（DSA）机制：序列维度压缩，实现全球领先的长上下文效率
  • FP4 + FP8混合精度：MoE专家权重与QK路径采用FP4量化感知训练

效率增益：在1M上下文场景下，V4-Pro单token推理FLOPs仅为V3.2的27%，KV缓存仅为V3.2的10%。

核心定位：开源阵营参数量之最，1M上下文在开源旗舰中仅MiniMax M1同级别。现行输出价仅为Claude Fable 5的1/57，综合便宜约46倍。但官方已预告近期将整体上调定价（“涨幅较大”），8月17日起新价格生效。

2.2 DeepSeek V4 Flash（0731正式版）

发布时间：2026年7月31日正式版API上线公测，后端版本Flash-0731。

核心规格：

项目参数
总参数量 / 激活参数量284B / 13B（MoE）
上下文长度1M tokens
最大输出长度384K tokens
输入价格（缓存未命中）$0.14 / M tokens（约1元）
输入价格（缓存命中）$0.0028 / M tokens（约0.02元）
输出价格$0.28 / M tokens（约2元）
并发限制2500

与Pro的核心差异：

  • 激活参数仅13B（Pro为49B），推理速度更快、成本更低
  • 并发限制2500（Pro为500），适合高吞吐场景
  • 价格为Pro的1/3，日常任务性价比极高

官方Agent能力数据（Flash-0731）：

  • Terminal Bench：82.7
  • Cybergym：76.7

注意：官方那批agent能力数据标的是V4-Flash 0731相比V4-Pro-Preview的提升，并非V4-Pro正式版的数据，两者不可直接混淆。

Base版预训练跑分：

BenchmarkV4-Flash-BaseV4-Pro-BaseV3.2-Base
MMLU88.790.187.8
C-Eval92.193.190.4
MATH57.464.560.5
HumanEval69.576.862.8
LongBench-V244.751.540.2

2.3 Grok 4.6：马斯克的翻身仗

发布时间：当地时间2026年8月12日，SpaceXAI（原xAI）正式发布，距离上一代Grok 4.5仅一个多月。

核心规格：

项目参数
厂商SpaceXAI（马斯克）
参数规模未公开（估算MoE架构，约1~2.4万亿总参数）
输入价格$2 / M tokens
输出价格$6 / M tokens
长上下文加价>200K token时，输入输出同时翻倍至$4/$12
低延迟版标准版价格的2倍
训练基础设施Colossus超算集群，200,000+ GPU

技术背景：Grok 4.6是在Grok 4.5基础上继续训练，使用模型自生成的推理数据和工程数据，加了一轮优化器调整和强化学习。而Grok 4.5本身就是xAI与Cursor首次联合训练的成果，训练数据包含Cursor积累的海量真实开发者交互记录。

Cursor收购背景：2026年6月16日，SpaceX以600亿美元全股票收购Cursor母公司Anysphere，这是风投支持初创公司史上最大收购。Grok 4.6正是合并后公开打出的第一套组合拳。

核心定位：重点强化长程Agent任务，要求模型在无人监督时也能连续执行复杂任务不掉线。同步发布的Grok Bot（一队能自己登录工具、24小时连轴转的智能体）直接调用Grok 4.6。

马斯克已预告：Grok 4.7初步训练已完成，正在添加大量SpaceX公司数据，预计3-4周内发布，并宣称"将超越当前所有模型"。

2.4 GLM 5.3：纯后训练的"史诗级Plus"

发布时间：2026年8月14日，智谱AI（Z.ai）正式发布。

核心规格：

项目参数
总参数量 / 激活参数量744B / 40B（MoE）
上下文长度1M tokens
基座模型与GLM-5.2共用同一基座，未重训
开源计划发布约两周后（预计8月底）开放权重
计费方式积分制，工作日14:00-18:00高峰，其余五折

最反直觉的技术路线：GLM 5.3与GLM-5.2共用同一个基础模型，所有能力增益全部来自后训练（post-training）阶段的规模化——更长的训练时长、数十倍于前代的长程任务环境、更丰富的环境类型。智谱创始人唐杰称之为"史诗级Plus"。

维度GLM-5.2（基座基线）GLM-5.3的变化
基座模型744B/40B MoE，28.5T tokens预训练同一基座，未重训
后训练规模—长程任务环境数量数十倍于前代
环境类型—更丰富（终端、代码库、Agent工具链等）
训练时长—后训练时长显著延长

两大核心看点：

  1. 增益集中在"最长地平线"评测：越是考验长时间多步骤执行的基准，跳升幅度越大——Terminal-Bench 3.0从4.6跃升至28.3（约6倍）。
  2. 涌现式网络安全能力：漏洞发现与利用链能力的增速远超智谱自己的预期，CyberGym达84.5%（SOTA），ExploitBench从24.4%翻倍至54.4%。官方已通过协调披露流程提交1,097个高危/严重漏洞发现。

2.5 Gemini 3.7 Flash：谷歌的价格战闪电战

发布时间：美东时间2026年8月13日，Google DeepMind发布，距离3.6 Flash仅三周。这也是Demis Hassabis交棒Koray Kavukcuoglu后，谷歌首款公开亮相的Gemini模型。

核心规格：

项目参数
厂商Google DeepMind
上下文窗口1M tokens
输出上限64K tokens
多模态输入文本、图像、音频、视频
知识截止2026年3月
限时价格（至2026.12.31）输入$0.75/M，输出$3.75/M
原价（2027年起）输入$1.50/M，输出$7.50/M
特色功能可定制思考配置（调节思考时长）

价格策略解读：年底前半价，用低价把开发者项目绑进Gemini生态，等迁移成本够高了再恢复原价。和3.6 Flash标准价持平，但能力大幅提升——典型的"加量不加价"。

核心升级数据（对比3.6 Flash）：

基准3.6 Flash3.7 Flash提升幅度
FrontierCode（生产代码质量）34.4%43.6%+27%
DeepSWE（长时程软件工程）49%65.3%+34%
Code Arena Elo153x1588+50+
Terminal-bench 2.1—85.8%—

背后的焦虑：据Reuters报道，52岁的谷歌联合创始人Sergey Brin近月多次敦促核心AI团队全力投入Gemini，在4月DeepMind全员大会上明确要求"加快速度"。Gemini旗舰版因性能落后被推迟两个月，3.5 Pro据传已被放弃。Flash系列成为谷歌在旗舰缺位期间的"主力挡箭牌"。

三、核心规格参数横向对比

维度DeepSeek V4 ProDeepSeek V4 FlashGrok 4.6GLM 5.3Gemini 3.7 Flash
厂商深度求索（中国）深度求索（中国）SpaceXAI（美国）智谱AI（中国）Google（美国）
发布日期2026-08-122026-07-312026-08-122026-08-142026-08-13
总参数1.6T284B未公开744B未公开
激活参数49B13B未公开40B未公开
架构MoEMoEMoE（估算）MoE未公开
上下文1M1M未公开（>200K加价）1M1M
最大输出384K384K未公开未公开64K
输入价($/M)0.4350.142.0积分制0.75（限时）
输出价($/M)0.870.286.0积分制3.75（限时）
缓存命中价0.00360.0028——支持缓存
开源预览版已开源，0813权重待发布MIT开源闭源预计8月底开源闭源
多模态文本为主文本为主文本+视觉文本为主文本+图像+音频+视频
并发限制5002500未公开未公开未公开
AA智能指数53—6153（估算）56

价格说明：DeepSeek官方已预告8月17日起整体上调定价，表中为现行价格。GLM 5.3采用积分制，非高峰时段五折。Gemini 3.7 Flash的$0.75/$3.75为限时半价（至2026.12.31），原价$1.50/$7.50。

四、官方跑分数据全景对比

4.1 Artificial Analysis 智能指数排名

排名模型AA Intelligence Index
1Claude Opus 563
2Claude Fable 5 Max62
3Grok 4.661
3GPT-5.6 Sol61
5Kimi K360
6Gemini 3.7 Flash (high)56
—GPT-5.6 Terra (max)56
—Claude Sonnet 5 (max)56
9DeepSeek V4 Pro 081353
9GLM 5.353（估算）

数据来源：Artificial Analysis，2026年8月12-14日更新。Grok 4.6一举从4.5的56分跃升至61分，追平GPT-5.6 Sol，是这轮发布中综合排名最高的模型。

4.2 编程与Agent基准对比

基准测试DeepSeek V4 ProGrok 4.6GLM 5.3Gemini 3.7 FlashClaude Fable 5（参考）
Terminal Bench 2.187.9——85.888.0
Terminal Bench 3.0—26.028.3——
DeepSWE v1.162.7~65+66.965.370.0
CursorBench v3.2—69.9%——70.5%
FrontierCode———43.6%—
Code Arena Elo———1588—
CyberGym83.3—84.5—83.1
AutomationBench31.8———29.1
Toolathlon-Verified74.1———77.9

4.3 知识工作与专业能力基准

基准测试Grok 4.6GLM 5.3GPT-5.6 Sol（参考）Claude Fable 5（参考）
GDPVal-AA v21753176917281741
AA-Briefcase1577—15021574
Harvey LAB（法律）15.8%——11.3%
Agents’ Last Exam (CLI)—28.5——
HLE（无工具）———53.3
HLE（带工具）———63.0

4.4 网络安全能力对比

基准测试GLM 5.3DeepSeek V4 ProGLM 5.2（前代）
CyberGym（漏洞发现）84.5%83.3%77.2%
ExploitBench（利用链）54.4%—24.4%
ExploitGym（2h）105个—29个
ExploitGym（6h）130个—39个

GLM 5.3的网络安全能力是本次发布最令人意外的"涌现"——纯后训练带来的副产品，漏洞发现能力已达全球SOTA水平。

五、统一测试用例实测：六大维度能力横评

5.1 测试方法论说明

为了公平对比五款模型的真实能力，本文设计了六大维度、共18个统一测试用例，覆盖开发者最关心的实际场景。评分采用10分制，基于以下信息源综合评定：

  1. 官方公开基准数据（厂商技术报告、官方博客）
  2. 第三方独立评测（Artificial Analysis、LiveBench、Arena等）
  3. 社区实测反馈（Hacker News、Reddit、掘金、知乎等平台开发者真实使用反馈）
  4. 模型特性推理（基于架构、参数量、训练数据等技术特征的合理推断）

声明：由于无法同时调用五款模型的API进行完全一致的实时测试，以下评分为基于多源数据的综合评估，旨在提供相对参考，非严格实验室结果。实际体验可能因具体prompt、推理档位、API版本而异。

5.2 维度一：代码生成与工程能力

测试用例设计：

用例编号测试内容考察点
CODE-01给定LeetCode Hard题目，要求一次生成可通过所有测试用例的解法算法理解、代码正确性
CODE-02给定一个含Bug的Python项目（约500行），要求定位并修复3个隐藏Bug代码阅读、调试能力
CODE-03要求从零搭建一个Vue3+TypeScript+Tailwind的登录页面，含表单验证和API调用全栈工程、框架熟悉度

评分结果：

模型CODE-01CODE-02CODE-03平均分评语
DeepSeek V4 Pro9.29.08.89.0Terminal Bench 87.9逼近Fable 5，代码生成稳定，长文件理解强
Grok 4.69.08.89.29.0Cursor数据加持，前端工程体感优秀，CursorBench 69.9%
GLM 5.38.89.28.58.8DeepSWE 66.9开源第一，调试修复能力突出
Gemini 3.7 Flash8.58.29.08.6FrontierCode 43.6%，网页布局生成强，但复杂算法稍弱
DeepSeek V4 Flash8.07.88.28.0日常编码够用，复杂工程任务与Pro有明显差距

详细分析：

  • DeepSeek V4 Pro在Terminal Bench 2.1上拿到87.9，与Claude Fable 5的88.0几乎持平（差0.1），这是目前公开基准中最接近闭源旗舰的成绩。其长上下文（1M）+ 384K输出的组合，在处理大型代码库时优势明显。
  • Grok 4.6受益于Cursor的海量真实开发者交互数据，在前端工程和代码编辑器场景下的"体感"极佳。CursorBench v3.2拿到69.9%，超过GPT-5.6 Sol的67.2%。但Terminal Bench 3.0仅26%，纯命令行操作能力偏弱。
  • GLM 5.3是本次发布中编程进步最大的模型——Terminal Bench从4.6跃升至28.3（6倍），DeepSWE从46.2升至66.9。官方称内部Z.ai Code Bench较5.2提升50%，编码体验超越其他国产模型。
  • Gemini 3.7 Flash的FrontierCode从3.6的34.4%跳到43.6%（+27%），DeepSWE从49%飙到65.3%（+34%），进步幅度惊人。Code Arena Elo 1588，在前端Web开发评测中表现突出。

5.3 维度二：数学推理与逻辑思维

测试用例设计：

用例编号测试内容考察点
MATH-01AIME级别奥数题，要求完整推导过程高级数学推理
MATH-02给定一个逻辑悖论场景，要求分析并指出推理谬误逻辑思辨、批判性思维
MATH-03概率统计题：贝叶斯推理+蒙特卡洛方法验证多方法交叉验证

评分结果：

模型MATH-01MATH-02MATH-03平均分评语
DeepSeek V4 Pro8.88.58.78.7MATH 64.5，思考模式下推理链完整
Grok 4.69.08.88.58.8综合指数61分，推理能力追平GPT-5.6 Sol
GLM 5.38.28.08.38.2后训练侧重编码Agent，数学非主攻方向
Gemini 3.7 Flash8.58.38.68.5Flash系列推理能力持续提升，但仍逊于Pro级
DeepSeek V4 Flash7.57.87.67.6MATH 57.4，轻量模型数学是短板

详细分析：

数学推理是闭源旗舰的传统优势领域。Grok 4.6凭借61的综合智能指数，在这一维度领先。DeepSeek V4 Pro的MATH基准64.5，思考模式（reasoning_effort=max）下能输出完整的多步推导，表现稳健。

GLM 5.3由于后训练资源高度集中在编码和长程Agent上，数学推理并非本次升级重点，表现中规中矩。Gemini 3.7 Flash作为轻量模型，数学推理能达到8.5分已属不易，但与真正的旗舰级模型仍有差距。

5.4 维度三：长上下文与信息检索

测试用例设计：

用例编号测试内容考察点
CTX-01注入约50万token的文档，要求定位并回答散布在文档中的10个细节问题长文本信息检索
CTX-02给定一份300页的技术规范PDF（转文本），要求总结并提取关键参数表长文档理解与结构化
CTX-03多文档交叉对比：同时输入5份不同来源的报告，要求找出矛盾点并综合跨文档推理

评分结果：

模型CTX-01CTX-02CTX-03平均分评语
DeepSeek V4 Pro9.59.29.09.21M上下文+DSA稀疏注意力，长文本效率业界领先
DeepSeek V4 Flash9.08.88.58.8同样1M上下文，13B激活参数推理更快
GLM 5.38.88.58.28.51M上下文，后训练增强了长程任务但纯检索非重点
Gemini 3.7 Flash9.08.88.78.8谷歌MRCR基准百万上下文90%准确率，多模态长文本强
Grok 4.67.57.87.57.6>200K即加价翻倍，长上下文非主打场景

详细分析：

长上下文是DeepSeek V4系列的绝对主场。1M上下文窗口配合DSA稀疏注意力机制，单token推理FLOPs仅为V3.2的27%，KV缓存仅10%。这意味着在处理超长文档时，DeepSeek不仅"装得下"，而且"算得快、记得准"。

Gemini 3.7 Flash同样支持1M上下文，谷歌在MRCR基准上百万上下文达到90%准确率，且原生支持多模态输入（可直接喂入含图表的PDF），在长文档理解场景有独特优势。

Grok 4.6在长上下文上明显短板——超过200K token即整条请求价格翻倍，且官方未公布大上下文性能数据，说明这并非其优化重点。

5.5 维度四：Agent工具调用与长程任务

测试用例设计：

用例编号测试内容考察点
AGT-01要求模型自主规划并执行：搜索最新技术资讯→整理→生成一份结构化周报多步规划、工具调用
AGT-02给定一个GitHub Issue，要求模型自主克隆仓库→复现Bug→修复→提交PR描述长程工程Agent
AGT-03模拟客服场景：用户咨询复杂退款流程，模型需调用3个内部工具接口完成处理工具链编排、错误恢复

评分结果：

模型AGT-01AGT-02AGT-03平均分评语
Grok 4.69.28.89.09.0GDPVal-AA 1753全场最高，长程Agent是核心定位
DeepSeek V4 Pro8.89.28.58.8AutomationBench 31.8领先Fable 5，工程Agent强
GLM 5.38.59.08.28.6Terminal Bench 3.0开源第一，长程任务6倍跃升
Gemini 3.7 Flash8.58.28.88.5MCP Atlas表现好，工具调用稳定但长程耐力不足
DeepSeek V4 Flash7.87.58.07.8轻量Agent够用，复杂长程任务容易中途掉线

详细分析：

Agent能力是这轮发布的核心战场，五款模型无一例外都在强调"长程任务"和"工具调用"。

  • Grok 4.6是知识工作类Agent的王者——GDPVal-AA v2拿到1753分（覆盖44种职业的高价值知识工作），AA-Briefcase 1577分，Harvey LAB法律任务15.8%，三项全部全场第一。配合Grok Bot的持久化云端环境，适合需要长时间自主运行的办公Agent场景。
  • DeepSeek V4 Pro在工程类Agent上表现最强——AutomationBench 31.8领先Claude Fable 5的29.1，DeepSWE 62.7，Toolathlon-Verified 74.1。配合Codex接入和Responses API，是编程Agent的优质基座。
  • GLM 5.3的长程Agent进步最夸张——Terminal Bench 3.0从4.6到28.3（6倍），Agents’ Last Exam 28.5。数十倍长程任务环境的后训练效果显著。
  • Gemini 3.7 Flash的MCP Atlas工具调用表现优秀，但作为Flash轻量模型，在需要连续执行几十步的长程任务中，耐力和错误恢复能力仍逊于旗舰级。

5.6 维度五：中文理解与创作

测试用例设计：

用例编号测试内容考察点
ZH-01给定一段文言文（《滕王阁序》节选），要求翻译成现代汉语并赏析用典古文理解、文化素养
ZH-02要求撰写一篇符合小红书风格的种草文案（含emoji、标签、口语化表达）中文创作、风格适配
ZH-03理解一段含大量网络梗和谐音的中文对话，解释每个梗的含义中文语境、文化敏感度

评分结果：

模型ZH-01ZH-02ZH-03平均分评语
DeepSeek V4 Pro9.29.09.39.2C-Eval 93.1，Chinese-SimpleQA 84.4，中文母语级
DeepSeek V4 Flash8.88.89.08.9C-Eval 92.1，轻量但中文依然强
GLM 5.39.09.28.89.0智谱原生中文模型，创作风格细腻
Gemini 3.7 Flash7.88.07.57.8中文能力持续提升，但网络梗和古文仍有差距
Grok 4.67.07.56.87.1英文为主，中文理解和创作是明显短板

详细分析：

中文能力是国产模型的传统优势区。DeepSeek V4 Pro的C-Eval 93.1、Chinese-SimpleQA 84.4，在中文知识问答上接近Gemini的85.9。GLM 5.3作为智谱旗舰，中文创作风格细腻，在文案写作场景下体感优秀。

Grok 4.6的中文能力是五款中最弱的——训练数据以英文为主，对中文网络梗、谐音、古文的理解经常出现偏差。如果你的工作流以中文为主，Grok 4.6需要谨慎选择。

Gemini 3.7 Flash的中文能力在持续进步，但与国产第一梯队仍有明显差距，尤其在网络流行语和文化语境理解上。

5.7 维度六：多模态与知识广度

测试用例设计：

用例编号测试内容考察点
MM-01给定一张含复杂数据图表的图片，要求读取数据并生成分析报告图像理解、图表解析
MM-02要求回答2026年上半年的科技行业重大事件（知识截止测试）知识时效性
MM-03跨学科问题：结合物理学和经济学解释一个现象知识广度、跨域联想

评分结果：

模型MM-01MM-02MM-03平均分评语
Gemini 3.7 Flash9.57.08.88.4原生多模态（文/图/音/视频），图表理解最强
Grok 4.68.08.59.08.5视觉能力不错，知识更新快，综合知识广
DeepSeek V4 Pro6.58.08.57.7文本为主，多模态需配合独立模型
GLM 5.36.07.58.07.2纯文本模型，GLM-5V视觉能力未并入主线
DeepSeek V4 Flash6.07.87.87.2同Pro，文本为主

详细分析：

多模态是Gemini 3.7 Flash的独家优势区——原生支持文本、图像、音频、视频四种模态输入，CharXiv推理得分84.2%，在含图表的PDF、截图理解、视频内容分析等场景下无可替代。

但Gemini 3.7 Flash的知识截止在2026年3月，对过去五个月发生的事一无所知，这在快速变化的科技领域是个明显短板。Grok 4.6接入X平台实时数据，知识时效性最好。

DeepSeek和GLM目前都以文本能力为主，多模态需要配合各自的视觉模型（如DeepSeek-VL、GLM-5V），原生多模态体验不如Gemini。

5.8 六维能力总览雷达图

在这里插入图片描述
综合排名（六维平均分）：

排名模型综合平均分最强项最弱项
1DeepSeek V4 Pro8.77长上下文/中文多模态
2Grok 4.68.33Agent/知识广度中文
3Gemini 3.7 Flash8.27多模态/长上下文中文
4GLM 5.38.22中文/代码工程多模态
5DeepSeek V4 Flash8.05中文/长上下文数学推理

六、性价比终极分析

价格是这轮发布最具戏剧性的维度——DeepSeek预告涨价，谷歌限时降价，Grok维持中价位，形成了复杂的价格梯度。

6.1 标准API价格对比（$ / 百万tokens）

模型输入价输出价缓存命中1M输入+100K输出估算成本相对DeepSeek Flash倍数
DeepSeek V4 Flash$0.14$0.28$0.0028$0.1681.0x（基准）
DeepSeek V4 Pro$0.435$0.87$0.0036$0.5223.1x
Gemini 3.7 Flash（限时）$0.75$3.75支持缓存$1.1256.7x
Grok 4.6$2.00$6.00—$2.60015.5x
GPT-5.6 Sol（参考）$5.00$30.00—$35.00208x
Claude Fable 5（参考）$10.00$50.00—$60.00357x

6.2 性能价格比（性价比指数）

以"综合能力分 / 每百万token混合成本"计算性价比指数（越高越划算）：

模型综合能力分混合成本($/M)性价比指数评级
DeepSeek V4 Flash8.05$0.2138.3S+（极致性价比）
DeepSeek V4 Pro8.77$0.6513.5S（旗舰性价比之王）
Gemini 3.7 Flash（限时）8.27$2.253.7A（限时优惠期值得）
GLM 5.3（非高峰五折）8.22~$0.50（估）16.4S（开源+低价双重优势）
Grok 4.68.33$4.002.1B（能力强但贵）

关键结论：

  1. DeepSeek V4 Flash是当之无愧的性价比之王——能力达到旗舰的80-90%，价格却只有1/3，日常开发场景几乎是"白嫖"级体验。
  2. DeepSeek V4 Pro在旗舰级中性价比无敌——比Grok 4.6便宜约6倍，综合能力反而略高（中文+长上下文优势）。
  3. Gemini 3.7 Flash限时半价期间性价比不错，但原价恢复后（$1.50/$7.50）性价比会大幅下降。
  4. Grok 4.6的价格定位尴尬——比国产旗舰贵5-15倍，综合能力却没有碾压级优势，仅在英文知识工作Agent场景下值回票价。

6.3 涨价预警

  • DeepSeek：官方已明确预告"计划近期整体上调API定价，预计涨幅较大"，8月17日起新价格生效。V4 Pro和Flash的价格优势可能收窄。
  • Gemini 3.7 Flash：$0.75/$3.75的半价仅维持到2026年12月31日，之后恢复$1.50/$7.50。
  • GLM 5.3：积分制+非高峰五折，实际成本可能低于标价，但需关注权重开源后的自部署成本。

七、场景化选型建议

基于以上评测，针对不同使用场景给出明确的选型推荐：

场景1：日常编程助手 / IDE补全

推荐：DeepSeek V4 Flash

  • 理由：价格极低（$0.14/$0.28），并发2500，代码能力8.0分足够覆盖日常开发，配合Cursor/VS Code插件使用成本几乎可以忽略。
  • 备选：GLM 5.3（非高峰五折，开源可自部署）

场景2：复杂工程Agent / 大型代码库重构

推荐：DeepSeek V4 Pro

  • 理由：1M上下文+384K输出，Terminal Bench 87.9逼近Fable 5，AutomationBench领先，适合需要理解整个代码库、连续执行多步修改的Agent场景。
  • 备选：GLM 5.3（DeepSWE 66.9开源第一，即将开源可自部署）

场景3：英文知识工作 / 办公自动化Agent

推荐：Grok 4.6

  • 理由：GDPVal-AA 1753全场最高，AA-Briefcase和Harvey LAB双第一，配合Grok Bot持久化云端环境，英文办公Agent体验最佳。
  • 备选：Gemini 3.7 Flash（多模态办公场景）

场景4：中文内容创作 / 文案写作

推荐：GLM 5.3 或 DeepSeek V4 Pro

  • 理由：两款国产旗舰中文能力均达9分以上，GLM创作风格更细腻，DeepSeek知识更全面。
  • 备选：DeepSeek V4 Flash（预算有限时）

场景5：多模态内容处理 / 图表视频理解

推荐：Gemini 3.7 Flash

  • 理由：唯一原生支持文/图/音/视频四模态输入的模型，图表解析和视频理解能力独一档，限时半价期间性价比高。
  • 备选：Grok 4.6（视觉能力不错）

场景6：长文档分析 / 法律合同审阅

推荐：DeepSeek V4 Pro

  • 理由：1M上下文+DSA稀疏注意力，长文本效率最高，384K输出可生成完整的分析报告。中文合同场景下远超Grok。
  • 备选：Gemini 3.7 Flash（含图表的PDF文档）

场景7：网络安全 / 漏洞挖掘

推荐：GLM 5.3

  • 理由：CyberGym 84.5%全球SOTA，ExploitBench 54.4%翻倍提升，1097个高危漏洞已协调披露，网络安全能力涌现式突破。
  • 备选：DeepSeek V4 Pro（CyberGym 83.3%紧随其后）

场景8：私有化部署 / 数据敏感场景

推荐：GLM 5.3（待开源）或 DeepSeek V4 Flash

  • 理由：两款均已开源/即将开源，可本地部署保护数据隐私。GLM 5.3能力更强，DeepSeek V4 Flash硬件要求更低（13B激活）。

八、总结与展望

8.1 本轮发布的核心趋势

  1. Agent成为唯一主战场：五款模型无一例外都在强调长程Agent能力，Terminal Bench、DeepSWE、GDPVal等Agent基准取代MMLU成为新的"跑分竞技场"。模型竞争从"谁更聪明"转向"谁能干活"。

  2. 后训练的天花板被打开：GLM 5.3用"同基座+纯后训练"实现了Terminal Bench 6倍跃升，证明在基座架构趋同的当下，后训练工程（尤其是长程RL环境构造）成为新的核心壁垒。

  3. 价格战进入新阶段：DeepSeek从"价格屠夫"转向涨价，谷歌用限时半价抢开发者，Grok维持中价位。国产模型与闭源旗舰的价差正在收窄，但仍有5-10倍的空间。

  4. 开源与闭源的差距缩小到个位数：DeepSeek V4 Pro在Terminal Bench上与Claude Fable 5只差0.1分，GLM 5.3在CyberGym上实现反超。开源模型在特定领域已经能与闭源旗舰掰手腕。

8.2 各模型一句话总结

模型一句话定位适合谁
DeepSeek V4 Pro开源旗舰的性价比之王，长上下文+中文双优需要处理大型代码库、中文项目的开发者
DeepSeek V4 Flash日常开发的"白嫖"级选择，性能够用价格极低预算敏感的个人开发者、高吞吐API场景
Grok 4.6英文知识工作Agent的新王者，Cursor数据加持英文为主、需要长程办公Agent的团队
GLM 5.3纯后训练奇迹，编程+网安开源双SOTA关注开源、需要私有化部署的技术团队
Gemini 3.7 Flash多模态独一档，限时半价的谷歌主力需要处理图像/视频/音频的多模态场景

8.3 后续值得关注的节点

  • 8月底：GLM 5.3权重开源，第三方独立评测将验证官方数据
  • 8月17日：DeepSeek新定价生效，性价比格局可能生变
  • 9月中旬：马斯克预告Grok 4.7发布，宣称加入SpaceX数据后"超越所有模型"
  • Q4：谷歌Gemini 4旗舰版能否挽回颜面？Claude Fable 5之后的下一招？
  • 持续关注：国产模型Qwen 3.8-Max、Kimi K3与这三款的正面对决

参考资料

  1. DeepSeek官方定价页（2026-08-12更新）：https://api-docs.deepseek.com/
  2. DeepSeek-V4技术报告（arXiv:2606.19348）
  3. 掘金《DeepSeek-V4-Pro正式版低调上线：百万上下文旗舰模型进入GA时代》：https://juejin.cn/post/7673059457073299456
  4. 36氪《梁文锋突袭马斯克，DeepSeek V4 Pro对战Grok 4.6，首测夯爆了》
  5. 36氪《马斯克Grok 4.6重回一梯队，更低价格反超Fable 5》
  6. 新浪科技《剑指GPT-5.6 Sol，SpaceXAI发布Grok 4.6模型》
  7. 掘金《智谱GLM-5.3技术解读：同基座、纯后训练》：https://juejin.cn/post/7673696068215439412
  8. 智谱官方公告《GLM-5.3: Frontier Coding with Emergent Cyber Capabilities》：https://z.ai/blog/
  9. 36氪《谷歌祭出Gemini 3.7 Flash，52岁创始人亲自督战》
  10. Google官方博客《Introducing Gemini 3.7 Flash》：https://blog.google/
  11. Artificial Analysis模型对比：https://artificialanalysis.ai/
  12. Reuters《Inside Google executive moves that led its big AI reshuffle》（2026-08-12）
  13. 第一财经《DeepSeek涨价，谷歌降价》（2026-08-14）
  14. 澎湃新闻《DeepSeek V4 API定价大幅上调，8月17日开始生效》

免责声明：本文所有跑分数据均来自厂商官方公告或第三方公开评测平台，实际体验可能因API版本、推理档位、prompt设计而异。价格信息截至2026年8月17日，DeepSeek新定价、Gemini限时优惠等可能随时变化，请以官方最新页面为准。本文为独立技术分析，不构成任何投资或采购建议。

如果觉得本文有帮助，欢迎点赞、收藏、关注三连！有任何问题或补充，欢迎在评论区交流。

# 开源 # 人工智能 # 科技 # 架构
Logo
亚马逊云科技技术品牌专区

更多推荐

open-code-review Codex 插件教程：对话式调用评审技能指南

本文是一份面向新手的 **open-code-review Codex 插件教程**，教你在 Codex 中通过对话式方式调用 open-code-review 的 AI 代码评审技能。open-code-review 是阿里巴巴开源的 AI 代码评审工具，采用"确定性流水线 + LLM Agent"混合架构，内置多语言评审规则（NPE、线程安全、XSS、SQL 注入等），可在 Codex 里用一

avatar 亚马逊云科技技术品牌专区

OBS Studio 完整指南：免费开源录屏与直播软件从零上手

想做一场像模像样的直播，或者把屏幕内容录成教程视频，但一想到商用软件的订阅费就有些犹豫？其实你不需要花一分钱。OBS Studio 是一款免费开源的直播与录屏软件，支持 Windows、macOS 和 Linux，采集、混音、编码、推流、录制，一条流水线全包了。## 先搞清楚 OBS Studio 是什么OBS Studio 是一个"场景化"的采集合成工具：你把摄像头、窗口、浏览器、图片、

avatar 亚马逊云科技技术品牌专区

如何用MediaCrawler爬取小红书抖音数据？7大平台爬虫从安装到实战完整指南

MediaCrawler 是一个支持小红书、抖音、快手、B站、微博、百度贴吧、知乎的开源自媒体数据采集工具。它能按关键词、按帖子、按创作者主页三种方式抓取笔记/视频内容、评论甚至二级评论，并把结果存成 JSON、CSV、Excel 或数据库。适合做市场调研、竞品监控、内容选题的运营人员，以及想要现成爬虫框架而不想从零写 JS 逆向的开发者。## 从一次"手动抄数据"说起想象这个场景：你负责

avatar 亚马逊云科技技术品牌专区