别看排行榜选模型。先拿最便宜的模型跑通业务逻辑，遇到瓶颈再往上升级。跑分和实际业务表现差距挺大的，拿两三个候选模型跑你自己的真实 prompt，比研究跑分靠谱得多。

三个月下来我的体感：5 人以下团队直连问题不大，手动管管也能搞定；超过 5 人，特别是需要多模型混用加上财务合规的场景，聚合平台的 TCO 优势开始显现，人数越多越明显。不是说直连不好，而是管理成本会随人数增长。我现在也不确定我们的方案是不是最优——这个市场每个月都在变。但至少目前，14 个人用得还算顺畅，月底对账不再是噩梦了。选型这事没有标准答案，但有标准方法：先定权重，再量化打分，最后跑两周

上个月我们组接了一个 RAG + 代码生成的混合项目，后端同时调 deepseek-v4-pro 做推理、glm-5 做知识问答、kimi-k2.7-code 做代码补全。三个厂商、三套 Key、三种 base_url 格式——6 周里因为 Key 管理混乱导致了 4 次线上 429、2 次 401 误报、1 次某同事把测试 Key 推到了 GitHub 公开仓库。最终我们的结论是：业务代码里不应

上周三我接了个老项目重构的活，需要把一坨 Express 单体拆成微服务。正好手头有和的 API 权限，想着干脆做个系统对比。50 道任务跑下来，结论是：gpt-5.6-sol 在单文件算法题上表现更好（通过率高约 10 个百分点），但涉及多文件重构和复杂业务上下文时，deepseek-v4-pro 反超明显——尤其是需要理解跨模块依赖关系的场景。价格方面 deepseek-v4-pro 便宜得多

说实话，deepseek-v4-pro 写代码比 qwen3.7-max 猛——但我拿 glm-5.1 跑了 45 道真实任务，有一类重构题结果让我没想到上个月团队在做技术选型，要给内部的 Code Review 工具接一个代码生成/重构的后端。我花了差不多一周时间，拿glm-5.1三个模型跑了 45 道真实编程任务。结论先放这儿：算法题 deepseek-v4-pro 碾压，业务逻辑 qwen3

标题：说实话，kimi-k3 和 deepseek-v4-pro 的代码差距比我想的微妙——40 道编程题跑三轮，动态规划类重构任务排名出乎意料正文：上周我接了个活，要把一个老项目的状态机逻辑从单文件拆成多模块，顺手想测测现在国产模型写代码到底谁强。三个模型没有绝对赢家。选谁取决于你的任务类型，不是 benchmark 分数。

结论先放这儿：总通过率 deepseek-v4-pro 以 82.5% 对 77.5% 领先 kimi-k3，但在多文件重构类题目上 kimi-k3 反超（首次成功率 70% vs 60%），这跟两家官方宣传的强项恰好反过来。上周在掘金看到好几篇"Kimi K3 碾压一切"的帖子，说实话一开始我是拒绝的。DeepSeek 官方一直强调 V4 Pro 的"工程级代码理解能力"，Kimi K3 发布时

标题：说实话，claude-opus-5 发布之后我用 40 道真实编程题跑了三模型横评——和 gpt-5.6-sol、gemini-3.6-flash 硬碰硬，有一类多轮上下文重构任务排名和官方宣传完全反过来正文：上周 Anthropic 正式放出 claude-opus-5，官方博客把 context engineering 新范式吹得天花乱坠。

，我第一时间把项目里的 claude-opus-4.8 换上去，结果 streaming 直接静默截断，控制台一个报错都没有。排查下来发现：新模型的 model ID 写法、max_tokens 上限、stream 配置方式跟 4.8 有三处不同，其中 stream 那个最难定位——填错了不报错，只是输出到一半就断了。

标题：说实话，kimi-k3 的代码能力比我预期强——我拿 40 道 LeetCode Hard + 多维度横评跑了三模型对比，有一类多文件重构任务排名和官方宣传完全反过来正文：上周 Kimi K3 正式发布，HN 热度冲到 287+，我朋友圈被刷屏了。正好手头有个 side project 需要选模型做代码生成，我就顺手把三个拉出来跑了一轮。结论先放这儿：LeetCode Hard 通过率 cl