7月底至8月中旬，开源大模型迎来一波密集发布潮：国内Kimi K3、Qwen3.8-Max先后放出权重，DeepSeek V4 Pro正式版上线；沉寂一年多的美国开源阵营也强势回归，Meta推出Muse Glimmer，英伟达带来Nemotron 3.5 Lightning。面对如此盛况，硅星GenAI（作者周一笑）将五款模型接入同一测试环境，进行了一场全面横评，涵盖逻辑推理、代码画图、Agent任务、Blender脚本生成和写作改写等维度，所有结果由脚本加真人盲评打分。
测试设计上，每道题设置了统一的输出上限，思考与作答共用额度，超限即视为未交卷；同时，超限任务会放开上限单独完整跑一遍作为对照。最终成绩显示，Kimi K3表现最全面，十项测试中六项拿到满分，DeepSeek V4 Pro紧随其后位居第二。值得注意的是，部分0分源于模型思考过长被截断，而非能力缺失。
在逻辑推理环节，24点与五位数密码锁题目暴露了大小模型的差距。K3和Qwen在密码锁上全对，而Muse Glimmer和Nemotron 3.5 Lightning两个小模型因思考过长撞上输出上限，直接交了白卷——托管平台给它们的单次输出额度分别只有16K和24K token。放开上限补跑后，Muse密码锁两次全对，Nemotron烧掉六万token仍给出错误答案，DeepSeek则全对。加时赛中，每个模型有30美分预算，可重试至花完。DeepSeek一轮全对，五题全解仅花4美分，比靠重试磨出结果的Muse便宜四倍；K3一次认真思考就要35美分，Qwen也需近20美分。
代码画图环节，测试要求模型用SVG代码绘制“白头鹰骑车、熊猫撑伞”的画面。多模态模型K3和Qwen表现最佳，能一眼认出剧情；Nemotron和Muse的作品则“需要观众自带想象力”。第二道题要求用虚构城市的地铁数据（四条线26个站）编写单文件网页，实现线路图绘制、路线计算与换乘动画。K3两次满分，Muse画图但路线算错，Nemotron功能缺失大半，Qwen在上限内未写完但放开后补交完成度很高的版本，DeepSeek排第二。第三道题让模型为自己的成绩单制作可视化网页，DeepSeek两次都在上限内完成并拿下最高分，Muse两次完成居第二。
Agent能力测试中，模型需自主读文件、跑命令、改代码。修bug任务（埋三个bug、十二个测试全绿）五家全部完成，但成本差异显著：两个30B模型一次不到1美分，万亿参数模型贵数倍，DeepSeek仅0.3美分。账单清洗任务中，K3、Qwen、DeepSeek满分，Muse十五轮全耗在编码问题上，Nemotron仅获部分分数。首次测试时托管商不支持Nemotron原生工具调用，后补测仍未能通过账单题。
Blender脚本测试要求从零构建一座中式庭院，K3两份脚本一次跑通并渲染出图，Qwen放开上限后出图，Muse脚本报错，Nemotron先被截断后写错接口名，DeepSeek一份出图、另一份因废弃参数失败。写作环节的四道改写题中，简单题差距不大，难题（涨价说明、年终盘点）没有模型摸到4分，K3是唯一在两道难题中都拿到3分的模型。
综合来看，大模型与小模型的差距依然存在，但各自优势明显。K3在冲能力上限，可与最前沿闭源模型比肩，但相对贵且慢；Qwen稳而全能，给足时间大多能完成；DeepSeek则是最让人意外的——能力不弱、价格极低，加时赛五题全对仅花4美分，与两个小参数模型同属低成本梯队，其性价比优势可能进一步拉低市场对“强模型合理价格”的预期。小模型在简单任务上快而便宜，但面对长时间推理、复杂代码或连续工具调用时仍显吃力。
此次横评也折射出开源生态的活跃：Meta预告旗舰Muse Spark 1.2权重未来几周放出，阿里已将Qwen3.8大杯权重上传Hugging Face。半个月内如此多开源模型集中出现，一年前难以想象。对模型使用者而言，更多选择无疑是好事。需要说明的是，本次测试通过OpenRouter接入各家托管商，花费按托管商标价结算，与官方API价目不完全一致。