我花重金体验了 5 款顶级 AI：谁最惊艳，谁最能干活？

最近一段时间，AI 大模型的更新速度快得有点离谱。昨天还在讨论谁是第一梯队，过几天榜单、价格和使用方式就又变了。

我也没忍住，陆续花钱体验了几款目前比较受关注的高端模型：Claude Fable 5、GPT-5.6 SOL、Kimi K3、GLM-5.3，以及 DeepSeek V4-Pro。测试内容主要是我平时真的会做的事情——重构网站、设计前端、补功能、排查 Bug、阅读项目和完成长流程任务，而不是专门挑几道模型擅长的题。

先把结论放在前面：如果只看我个人使用时的综合惊喜，Fable 5 最强；如果要长期干活、兼顾能力与成本，我更愿意选 GPT-5.6 SOL；国产模型里，Kimi K3 的前端巧思最亮眼，GLM-5.3 则是最像一个可靠工程搭档的那个。

这不是实验室评测，也不是“谁跑分高谁就赢”的排行榜。它是一篇个人付费实测：结论会受到任务类型、Harness、提示词、运行环境和我自己的审美影响。

先说我的主观排序

Fable 5：像拿到一支神笔，但每一笔都不便宜

单看模型层次，Fable 5 是这几款里最让我惊喜的。

尤其是网页前端。很多模型能把页面“做出来”，Fable 5 更像是在参与设计：它不只执行我写在提示词里的要求，还会注意到信息层级、空状态、交互反馈和一些我根本没想到的小功能。有几次我只给了一个比较粗的方向，它交付的结果却已经像经过一轮产品讨论。

那种感觉确实很像神笔马良——你画一个轮廓，它不仅把东西变出来，还顺手补上了光影、结构和用途。惊喜不是来自夸张的渐变和满屏动画，而是它知道什么地方应该再多想一步。

问题也非常直接：贵。Fable 5 当前官方 API 标价为每百万输入 Token 10 美元、输出 Token 50 美元。短任务还能接受，一旦进入“读完整项目—修改—测试—返工”的循环，账单会迅速让人恢复理智。

我的评价：预算不敏感、追求最高完成度时，它是我最愿意先试的模型；但作为每天长时间使用的主力，成本压力很难忽略。

GPT-5.6 SOL：目前最有性价比的高端工程模型

GPT-5.6 SOL 没有每次都像 Fable 5 那样让人“哇”一下，但它给我的感觉更老练：知道一个真正要上线的程序，不能只在截图里好看。

它特别喜欢防御性编程。做完功能以后会继续检查边界条件、兼容性和异常路径，跑测试，发现问题，再回去修改。有时候甚至谨慎得让我觉得它像一个追求极致的完美主义者——明明已经能用了，它还想再确认一遍。

这种习惯偶尔会让流程显得慢，甚至出现“测试—返工—再测试”的循环；但在真正的项目里，我宁愿它多检查一次，也不想拿到一份只在理想条件下成立的代码。

它的前端审美也不错。没有 Fable 5 那么惊艳，却有一种前沿、克制而且熟练的感觉。更重要的是，它通常能理解我真正想解决的问题，而不是只完成提示词表面的动作。

我认为它性价比高，关键并不是 API 单价，而是 ChatGPT Plus 每月 20 美元的订阅。对我这种会持续开发、反复修改项目的人来说，固定月费比每次调用都盯着 Token 更容易控制成本。Plus 里可以使用 GPT-5.6 SOL 的中、高推理档位，虽然不包含最贵的 SOL Pro，但已经足以覆盖我绝大多数真实需求。

我的评价：如果只能选一个模型作为日常开发主力，我大概率会选 GPT-5.6 SOL。它是这几款里最像“真的能替我把事情做完”的 AI。

Kimi K3：国产前端能力里最精致的一次惊喜

我曾经用相同的提示词，让 Kimi K3、GPT-5.6 SOL、DeepSeek V4-Pro 和豆包 2.1 Pro 分别完成同一版网页。那一轮里，Kimi K3 给出的结果是我觉得最精致的。

它很会处理动画和小细节：元素进入的节奏、按钮反馈、卡片之间的关系，以及一些不抢眼但能让页面更顺滑的过渡，都处理得很认真。单论整体美感和克制，我仍然觉得 GPT-5.6 SOL 更成熟；但论设计巧思和“这里居然也想到了”，Kimi K3 反而更胜一筹。

这也是它最特别的地方。它不是单纯把国产模型的代码能力做得更高，而是在前端表达上形成了一点自己的风格。官方资料显示 Kimi K3 支持 1M 上下文，并把编码、计算机操作和长时间 Agent 任务作为重点能力。当前 API 标价为每百万缓存未命中输入 Token 3 美元、输出 Token 15 美元。

我的评价：如果主要做网页、活动页、产品原型，或者希望模型多给一点交互灵感，Kimi K3 很值得试。它并不总是最稳的，但很容易给人留下记忆点。

GLM-5.3 + Z Code：国产模型里真正能解决复杂需求的那一个

一开始要不要测试 GLM-5.3，我其实纠结了很久。Z Code 的 Coding Plan Lite 档是每月 118 元，但以我这种持续读项目、改代码和跑长任务的用量来看，真正能稳定当主力使用的基本只有 每月 538 元的 Pro 档。这个价格对个人用户来说绝不是一个可以闭眼下单的数字，尤其是在同时订阅了其他产品以后，很容易让人望而生畏。

最后我还是买了。原因很简单：作为当时最受关注的国产开放权重模型之一，我想知道它到底只是榜单好看，还是能真正接手一个复杂项目。

实际体验证明，它名副其实。搭配官方的 Z Code 使用时，它给我的感觉只比 GPT-5.6 SOL 差一筹：能读项目、理解目标、修改代码，也能在任务卡住以后继续往下找办法。更难得的是，在一次项目重构里，它根据现有业务主动设计了一个我没有要求的新功能，而且这个功能不是为了炫技，是真的有用。

这种“理解项目后再多走一步”的表现，在我测试过的国产模型里仍然很少见。它的前端美感距离 Fable 5 和 GPT-5.6 SOL 还有差距，但已经完全够用；而在复杂任务的可执行性上，它是我目前最认可的国产选择之一。

我的评价：如果希望使用国产模型完成较复杂的真实开发，而不是只写几个函数或回答问题，GLM-5.3 值得认真考虑。Z Code 不是可有可无的外壳，它确实放大了模型的工程能力。

DeepSeek V4-Pro-0813：期待很高，实际体验却有些拧巴

我对它原本有很高的期待。此前 V4-Flash 给过我不少惊喜，而 V4-Pro 发布时的官方成绩也很强，很多项目已经接近甚至超过同期高端模型。我本来以为它会顺理成章地成为新的常用主力。

但至少在我一开始的实际使用里，正式版给我的完成度甚至不如 V4-Flash 稳定。换回 DeepSeek Harness、Linux 环境，并把提示词写得更克制以后，它的能力才更容易发挥出来。也就是说，它并非没有能力，而是比我预期中更“挑使用方式”。

网上有人把这种现象归因于训练过拟合，但我没有找到足够可靠的官方证据，因此不能把这个猜测当成事实。对我来说，能够确认的只有体验本身：一个 Pro 模型如果需要用户摸索很多前置条件，才能接近它在跑分里展示的状态，那就是产品层面的摩擦。

价格也是这次体验里绕不开的一部分。DeepSeek 目前没有推出类似 ChatGPT Plus 或 Z Code Coding Plan 的固定月费订阅，V4-Pro 主要还是按 API 用量计费。峰时每百万缓存未命中输入 Token 为 1.32 美元，输出 Token 为 3.96 美元，低峰时减半。单看 API 单价，它依然低于国外高端模型；但当 GPT-5.6 SOL 可以通过每月 20 美元的 Plus 订阅长期使用时，DeepSeek 每一次调用都在累计费用，重度使用下来反而会显得昂贵，而且月底到底花多少并不容易提前判断。

值得一提的是，V4-Flash 接入 WorkBuddy 依然很好用。日常办公、中等复杂度的信息整理和流程任务，它仍然是一个成本更低、速度更轻快的选择。

我的评价：V4-Pro 的能力没有跑分看起来那么令人失望，问题是它没有像我期待的那样开箱即用。高预期、涨价和环境敏感叠在一起，让这次体验显得格外拧巴。

跑分怎么看：同一张表里，也不是每一项都由同一个模型领先

先强调一句：官方跑分能够帮助我们判断能力边界，却不能代替自己的任务。不同厂商会使用不同 Harness、推理预算和测试配置，哪怕评测名称相同，结果也可能发生变化。

下面第一张表整理自 Z.ai 的 GLM-5.3 官方发布图，四款模型在同一张官方图中进行比较，方便观察它们各自擅长什么。除 GDPval-AA v2 为 Elo 分外，其余均为百分制，均是越高越好。

这张表很有意思：GPT-5.6 SOL 在终端、软件工程和工具推理上领先；GLM-5.3 则在 AutomationBench 和 GDPval-AA v2 上拿到最高分。也就是说，“综合最强”不等于“所有场景都最强”。

DeepSeek V4-Pro 使用的是另一套官方发布表，评测版本与上表并不完全相同，因此不应该把数字直接拼在一起排名。下面保留它与同表模型的成绩：

DeepSeek V4-Pro 并不是“跑分不行”。相反，它比预览版和 Flash 有明显提升，在 AutomationBench 上还拿到了同表最高分。我的不满主要来自跑分与开箱体验之间的落差，而不是否认它的能力。

我实际使用时的成本对比

只比较 API 单价，会掩盖这几款产品最大的区别：有些模型可以通过固定月费订阅使用，有些只能按 Token 计费。下面列的是我实际选择这些产品时面对的主要成本入口。订阅套餐与 API 并不是同一种计费方式，不能直接换算，但固定支出是否可预测，本身就是个人用户判断性价比的重要部分。

这张表也解释了为什么我会把 GPT-5.6 SOL 评价为“最有性价比的高端模型”。这里的性价比不是它的 API 最便宜，而是 20 美元的 Plus 订阅把成本固定了下来。反过来，DeepSeek 的单次 API 价格虽然更低，却没有订阅套餐兜底；如果每天大量使用，持续累加的调用费用会带来更强的成本压力。

如果让我给不同需求的人推荐

• 预算充足，追求前端效果和惊喜：Fable 5。
• 需要一个长期开发主力：GPT-5.6 SOL。
• 偏爱国产模型，主要做网页和产品原型：Kimi K3。
• 想用国产模型处理复杂工程项目：GLM-5.3 + Z Code。
• 在意成本，需求以中等办公和日常 Agent 为主：DeepSeek V4-Flash + WorkBuddy。
• 愿意调 Harness 和环境，想挖掘 DeepSeek 上限：再考虑 V4-Pro-0813。

最后：真正的跑分，是它能不能把事情做完

体验完这一轮以后，我越来越不愿意用一个总分判断模型。

Fable 5 会让我惊叹，GPT-5.6 SOL 会让我放心，Kimi K3 会在细节上给我灵感，GLM-5.3 会让我看到国产工程模型真正可用的样子，DeepSeek V4-Pro 则提醒我：一张漂亮的官方表格，与用户拿到手以后能否稳定发挥，中间还隔着 Harness、产品设计和大量使用细节。

对于普通用户来说，最重要的不是模型在某一项评测里多了两分，而是你把一个真实任务交给它以后，它能不能理解、执行、检查，并最终给你一个可以继续使用的结果。

如果非要把这轮体验压缩成一句话，那就是：最强的模型不一定最适合长期使用，最便宜的模型也不一定最省钱；真正有价值的 AI，是那个能让你少返工、还能偶尔给你惊喜的搭档。

数据来源：OpenAI：GPT-5.6、ChatGPT 订阅价格、Anthropic：Claude Fable 5、Kimi K3 官方发布、Z.ai：GLM-5.3、Z Code Coding Plan、DeepSeek V4-Pro 官方发布。模型更新很快，价格与成绩均以官方最新页面为准。