国产模型越来越强了：DeepSeek V4、Kimi K3 与 GLM 最新进展

1. 概述

这是《ALL IN AI》专栏的第三篇文章，想和大家聊聊近期国产模型的最新进展。坦白说，我原本没打算写这种偏资讯盘点的文章。单纯追踪模型更新，对个人能力提升的帮助其实比较有限。不过，最近两个月国产模型发展得很快，有些小伙伴可能因为工作忙，或者平时没有关注这个领域，错过了不少重要变化。更主要的原因是，下一篇我准备介绍 Claude Code 和 Codex 如何接入国产模型。在开始具体操作之前，有必要先把 DeepSeek、Kimi 和 GLM 最近发生了什么梳理清楚，也算是为后面的实操教程做个铺垫

最近一段时间，国产大模型的更新速度非常快：DeepSeek V4 Flash 0731 与 DeepSeek V4 Pro 0813 正式发布，Kimi K3 带着 2.8T 参数、原生视觉和 1M 上下文正式登场，曾经"抢都抢不到"的 GLM Coding Plan 也终于全面开放订阅。这些变化放在一起看，指向了一个越来越清晰的趋势：国产模型与海外头部模型之间的差距正在快速缩小，而且在价格、上下文长度和访问便利性等方面，已经形成了自己的竞争力。

本文聚焦三个问题：

DeepSeek V4、Kimi K3 和 GLM 最近有哪些值得关注的变化？
国产模型与海外头部模型的差距到了什么程度？
为什么不能只凭一两次对话判断一个模型"聪不聪明"？

这里强调下本文不进行任何主观的模型"吊打榜"评测。涉及能力对比时，主要引用厂商官网公开数据和 Artificial Analysis 等第三方评测；涉及价格信息和对比时，以写此篇文章时间2026 年 8 月 14 日能够查到的官方资料为准。

2. 国产模型现在到底是什么水平了？

如果只看社交媒体，很容易在两个极端之间摇摆：一种声音认为国产模型已经全面超越海外模型；另一种声音则认为国产模型仍然只能处理简单任务。我觉得这两种观点都不够客观，认为国产模型还停留在初级水平的，大概率带有了强烈的主观色彩认为国产的就是没有外国的好(PS: 好多人会说华为手机就是没有苹果的好用~)，实则不然，只有真正适合自己的才是最好用的。但反过来，说国产模型已经全面超越海外模型，同样有些过于自信，有点像国内某些媒体喜欢夸大事实，盲目吹嘘。Anthropic 和 OpenAI 目前仍然是 AI 领域的领头羊，在模型研发、算力投入、产品生态和工程能力等方面都有深厚积累，就那人家的算力和芯片GPU配置啥的来说，国内肯定是比不上的。所以我的判断很简单：从综合表现来看，国产模型目前还没有全面超过海外头部模型，但双方的差距确实正在快速缩小。

模型能力并不是一个单一数字。推理、知识、代码、视觉、工具调用、长上下文、生成速度和稳定性，都可能得出不同的排序。即使使用同一个模型，换一个 Agent、换一套工具、换一种 Prompt，结果也可能完全不同。

但有一点已经越来越难以否认：国产模型不再只是"便宜的小学生水平替代品"。

DeepSeek V4 Pro 和 V4 Flash 都提供了 1M 上下文、思考模式和工具调用能力；
Kimi K3 将规模扩展到 2.8T 参数，并同时覆盖长任务、知识工作和原生视觉；
GLM-5.2 在第三方综合评测中进入开源权重模型第一梯队；
多家国产模型厂商开始主动适配 Claude Code、Codex、OpenCode 等 Agent 客户端；
模型价格、缓存价格和人民币充值方式，让高频使用的门槛与海外模型对比明显下降。

下面这张图先对三条产品线建立一个整体印象：

这里需要注意，参数规模、上下文长度和价格都不能直接等同于"聪明程度"。它们只能说明模型的产品定位和可用边界，真正的能力仍然需要结合具体任务与测试条件判断。

3. DeepSeek V4 Pro 与 V4 Flash

3.1 两个版本分别面向什么场景？

DeepSeek V4 分为 Pro 和 Flash 两个版本。当前官方 API 对应的正式版本分别是 DeepSeek-V4-Pro-0813 和 DeepSeek-V4-Flash-0731：

模型	总参数 / 激活参数	主要定位	上下文	最大输出
DeepSeek V4 Pro	1.6T / 49B	复杂推理、长任务和更高交付质量	1M	384K
DeepSeek V4 Flash	284B / 13B	更快响应、更高并发和更低成本	1M	384K

两者均支持：

非思考模式与思考模式；
high、max 等推理强度；
Tool Calls；
JSON 输出；
对话前缀续写；
OpenAI 与 Anthropic 兼容接口。

DeepSeek 官方给出的定位很直观：V4 Pro 负责更困难、更长、更需要稳定推理的任务，V4 Flash 则在保留较强 Agent 能力的同时，把速度与成本压得更低。

这并不意味着所有复杂任务都必须用 Pro，也不意味着 Flash 只能完成简单任务。模型选择更适合根据任务风险、执行长度、延迟要求和预算动态决定。

3.2 V4 Flash 为什么受到关注？

V4 Flash 的关注度，一方面来自 Agent 能力，另一方面来自价格。

根据 DeepSeek 发布时披露的评测数据，V4 Flash 在 Terminal-Bench 2.1、DeepSWE、Toolathlon-Verified、DSBench-FullStack 等测试中取得了很有竞争力的成绩，部分项目超过了此前的 V4 Pro预留版本。不过，这类成绩首先代表特定模型版本在特定 Harness、推理档位和参数配置下的表现，不能直接推导出"Flash 在所有真实项目中都比预览Pro版强"。

真正值得注意的是：低价模型已经不再必然等于只会处理低难度任务。

3.3 DeepSeek V4 的价格

截至 2026 年 8 月 14 日，DeepSeek 当前执行的人民币价格如下：

每百万 Token	V4 Flash	V4 Pro
缓存命中输入	0.02 元	0.025 元
缓存未命中输入	1 元	3 元
输出	2 元	6 元
账号并发上限	2500	500

这个价格结构里，最值得关注的是缓存命中输入。Agent 在处理长任务时会反复携带系统指令、历史消息和项目上下文，如果能够持续命中缓存，输入成本会明显下降。

当然，缓存是否命中不是由"上下文看起来差不多"决定的。会话切换、模型切换、推理档位变化或上下文重写，都可能让缓存失效。

需要特别注意：DeepSeek 已经公告将在 2026 年 8 月 17 日 00:00 启用新的峰谷价格。届时北京时间 9:00～12:00、14:00～18:00 为高峰时段，其余为空闲时段：

模型	时段	缓存命中输入	缓存未命中输入	输出
V4 Flash	空闲	0.05 元	1.5 元	4.5 元
V4 Flash	高峰	0.10 元	3 元	9 元
V4 Pro	空闲	0.15 元	4.5 元	13.5 元
V4 Pro	高峰	0.30 元	9 元	27 元

也就是说，"峰谷定价"并不等于在当前价格上简单打折。8 月 17 日之后，空闲价格是高峰价格的一半，但两个时段相较 8 月 14 日正在执行的价格都发生了变化。准备长期使用 API 的用户，应以调用当天的官方价格页为准。

4. Kimi K3：2.8T 参数、原生视觉与 1M 上下文

2026 年 7 月，Kimi 正式发布 Kimi K3。它被定位为面向长程任务、知识工作和复杂推理的旗舰模型。

K3 最显眼的几个数字是：

2.8T 总参数；
1M Token 上下文；
原生视觉理解；
支持 low、high、max 推理强度；
面向 Kimi Code、Claude Code、Codex 等 Agent 工作流；
已开放模型权重。

与纯文本模型相比，原生视觉让 K3 可以直接理解截图、图表、界面和包含图片的文档。对需要同时处理文字、页面和视觉信息的长任务来说，这是非常实用的能力。

4.1 长上下文不只是"能塞更多文字"

1M 上下文意味着模型一次可以接收更多需求、文档、代码、终端输出和历史记录。但"放得下"并不等于"用得好"。

长任务真正困难的地方包括：

经过很多轮操作后还能记住最初目标；
能从大量上下文中找到当前真正相关的信息；
不因为错误日志、重复输出挤占有效上下文；
在压缩会话后继续保持任务方向；
能根据测试或工具结果修正之前的计划。

Kimi 在 K3 中引入 Kimi Delta Attention 和 Attention Residuals，目的就是提高超长序列下的信息利用和计算效率。普通用户不必记住这些架构名词，只需要知道：K3 的产品重点不是单轮回答，而是让模型在更长、更复杂的任务中持续工作。

4.2 K3 与 K3-256k

Kimi Code 当前提供 k3 和 k3-256k 两个相关模型 ID：

模型 ID	上下文	适用情况
`k3`	1M	超长资料、超大项目和长时间任务
`k3-256k`	256K	日常问答、常规修改和更节省额度的任务

官方说明中，K3-256k 在 256K 范围内提供相同模型能力，但消耗的套餐额度更少。大多数日常任务未必需要直接使用 1M，上下文够用比数字最大更重要。

4.3 K3 的价格

Kimi 官方公布的 K3 API 价格为：

每百万 Token	Kimi K3
缓存命中输入	0.30 美元
缓存未命中输入	3.00 美元
输出	15.00 美元

K3 的单价明显高于 DeepSeek V4，但它提供原生视觉和更高的旗舰定位。是否值得使用，取决于任务是否真的需要这些能力。K3的收费不比Claude等顶级模型收费低哦~

5. GLM Coding Plan 终于全面开放订阅

GLM Coding Plan 此前最突出的问题不是贵，而是买不到。由于算力和供应限制，套餐曾长期处于限量状态，新用户即使愿意付费也未必能够订阅。现在这个问题终于解决了：GLM Coding Plan 已经全面开放，新老用户都可以直接订阅。

但随之而来的变化也很明显------价格上涨了。

5.1 新旧价格对比

套餐	旧版月费	新版连续包月	涨幅
Lite	49 元	118 元	约 141%
Pro	149 元	538 元	约 261%
Max	469 元	1078 元	约 130%

单看月费，三个档位都不算便宜，Pro 的变化尤其明显。

新版套餐同时调整了用量计算方式。官方以 5 小时和每周资源池统计可用量，不同模型还会按照不同系数抵扣。GLM-5.2、GLM-5-Turbo 等高阶模型在高峰期和非高峰期的消耗不同，高峰期定义为每日 14:00～18:00（UTC+8）。

GLM Coding Plan 当前支持 GLM-5.2、GLM-5-Turbo 和 GLM-4.7，并提供视觉理解、联网搜索、网页读取和开源仓库等专属 MCP 能力。

所以这次全面开放的意义很明确： "想买但买不到"的问题解决了，但它已经不是一个看到价格就可以闭眼订阅的套餐。

轻度用户需要先估算自己的频率；重度使用 Claude Code、OpenCode 等 Agent 的用户，则可以结合每周额度、模型抵扣系数和高峰规则判断是否划算。

6. 国产模型与海外头部模型，差距还有多大？

讨论这个问题，最好先承认一个事实：不存在能够概括模型全部能力的单一分数。

为了让数据尽量可比，下面只选用 Artificial Analysis Intelligence Index v4.1.1。该指数综合 GDPval-AA v2、Terminal-Bench 2.1、SciCode、Humanity's Last Exam、GPQA Diamond 等九项评测。

图中使用的是各模型对应的高推理档位，具体档位已经直接标在模型名中。根据 2026 年 8 月 14 日能够查到的数据：

Claude Fable 5（max，含 Opus 4.8 fallback）得分 60；
GPT-5.6 Sol（max）得分 59；
Kimi K3（max）得分 57；
DeepSeek V4 Pro 0813（max）得分 53；
DeepSeek V4 Flash 0731（max）得分 52；
GLM-5.2（max）得分 51；

这组数据至少说明，国产模型已经能够进入同一张高水平能力图中比较。Kimi K3 与最高分的差距只有 3 分，刚更新的 DeepSeek V4 Pro 0813 和 V4 Flash 0731 也已经进入 50 分以上区间。

但这张图不能说明如下轮到：

Kimi K3 在所有场景任务中都强的可怕了；
GLM-5.2 一定比 DeepSeek V4 Pro 更适合你的工作；
得分低几分的模型就无法完成复杂任务；
模型价格、速度、视觉能力和上下文管理不重要。

此外，厂商发布页中的模型成绩可能使用不同 Agent Harness。Kimi K3 可能搭配 Kimi Code，Claude 模型可能搭配 Claude Code，GPT 模型可能搭配 Codex。Harness 会决定模型能够使用哪些工具、怎样管理上下文、如何回传执行结果，因此它本身就是最终成绩的一部分。

再来看一张对比图：

这是最近流行一个很形象的说法------"大模型斩杀线"。

如果把 Artificial Analysis Intelligence Index 50 分看作较强模型的能力门槛，再把单任务成本 0.03 美元作为价格参考线，那么 DeepSeek V4 Flash 几乎落在了两条线的交点上。它的综合分数未必最高，但在达到同一能力区间的模型中，成本低得非常突出。

更准确的结论应该是：国产模型与海外头部模型仍有差异，但差距已经没有很多人想象中那么大；在一些测试和使用维度上，国产模型已经具备领先或接近领先的表现。

7. 模型好不好，为什么不能只看个人感觉？

"这个模型变笨了。"

"那个模型写代码不行。"

"我试了一次，完全没法用。"

这些体验都是真实的，但它们通常不足以成为对模型整体能力的判断。

同一个任务的结果至少受到以下因素影响：

任务是否说清楚：目标、边界、输入和验收标准是否完整；
上下文是否足够：模型有没有看到真正需要的文件和信息；
工具是否合适：Agent 能否读取文件、执行命令、联网或查看图片；
推理预算是否匹配：简单任务开最高档会浪费成本，复杂任务预算太低又可能草率结束；
执行过程是否可验证：有没有测试、数据或明确标准告诉模型哪里做错了；
模型本身是否适合任务：不同模型确实有不同的能力侧重。

Prompt 写得不好，当然可能让模型表现得不够聪明。比如只说一句"帮我优化一下"，模型并不知道要优化速度、成本、结构还是表达，也不知道什么结果才算完成。

但也不能把所有失败都归咎于用户不会写 Prompt。也有可能模型能力不行，导致理解错误、遗忘目标、错误调用工具、产生幻觉，或者根本不具备任务所需的视觉和知识能力。

比较稳妥的判断方式是：

先看来源清楚的公开评测，再让不同模型完成同一个真实任务，最后结合质量、速度、稳定性和账单做选择。

模型的好坏不由某个人的一句话决定，但真实任务中的可复现结果，仍然比营销口号更重要。

8. 总结

DeepSeek V4、Kimi K3 和 GLM Coding Plan 的近期变化，说明国产模型正在进入一个新的阶段。

从公开数据看，国产模型与海外头部模型仍然各有强项，但差距已经明显缩小：

Kimi K3 在部分第三方综合指标中进入全球第一梯队；
GLM-5.2 成为很有竞争力的开源权重模型；
DeepSeek V4 Pro 提供复杂任务能力与很低的调用成本；
DeepSeek V4 Flash 则进一步降低了高频任务的价格门槛。

模型好不好，既不能只听厂商发布会，也不能只凭某个人的一次体验。Prompt、工具、上下文和任务验证都会影响结果，模型本身的能力边界也同样客观存在。

对普通用户来说，更有价值的问题不是"谁才是唯一最强模型"，而是：

在自己的使用场景和预算内，哪个模型能高效稳定完成真实任务？