开源大模型领域迎来一波密集发布潮。7月底至8月中，Kimi K3、Qwen3.8-Max先后放出权重，DeepSeek V4 Pro正式版上线；与此同时，沉寂一年多的美国开源阵营也回归，Meta推出Muse Glimmer，英伟达发布Nemotron 3.5 Lightning。媒体硅星GenAI（作者周一笑）将这五款模型接入同一测试环境，从逻辑推理、代码生成、Agent能力、Blender脚本和写作五个维度进行横评，所有结果由脚本加真人盲评判分。

测试中，每道题设置了统一的输出上限，思考和作答共用额度，超限即视为未交卷；超限任务会放开上限单独补跑作为对照。最终成绩显示，K3在十项测试中六项满分，综合表现最佳；DeepSeek紧随其后。值得注意的是，部分0分源于模型思考过长被截断，而非能力不足。

在逻辑推理环节，测试包括24点游戏和五位数密码锁，并埋入无解陷阱。K3、Qwen和Nemotron识破了无解24点陷阱，而Muse在补跑时硬编假解。密码锁测试中，K3和Qwen全对，两个美国小模型（Muse和Nemotron）交了白卷——它们将推理题跑成马拉松，思考被输出上限截断，托管商返回超长错误。放开上限后，Muse密码锁两次全对，Nemotron烧掉六万token仍答错，DeepSeek则全对。

加时赛中，每个模型预算30美分，可重试直到花完。Nemotron十轮花费不到10美分，24点全对但密码锁十次未成；Muse第四次解出密码锁，15美分拿下五题；K3一次认真思考需35美分，Qwen近20美分，预算仅够一两轮；DeepSeek一轮全对，五题仅花4美分，比Muse便宜四倍，性价比凸显。

代码画图环节，模型需用SVG画熊猫骑单车场景。K3和Qwen（多模态）表现最佳，能清晰呈现剧情；Nemotron和Muse作品需想象力；DeepSeek一张可辨、一张无产出。地铁图网页任务中，K3两次满分，Muse画图但路线算错，Nemotron功能缺失，Qwen超限后补交完成，DeepSeek排第二。成绩单可视化任务中，DeepSeek两次上限内完成获最高分，Muse两次完成居第二，K3一次满分一次超限。

Agent能力测试中，修bug任务五家全部修绿，花费差异明显：两个30B模型不到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十五轮困于编码问题，Nemotron仅部分得分。Blender脚本测试中，K3两份脚本一次跑通，Qwen补跑后出图，Muse报错，Nemotron接口名写错，DeepSeek一份出图一份因废弃参数失败。

写作测试中，简单改写题差距不大，难题（如业主群涨价说明）无模型达4分，K3是唯一两道难题均获3分的模型。作者指出，K3在冲能力上限，Qwen走稳和全能，DeepSeek拉升性价比。K3表现可与前沿闭源模型比肩，但相对贵且慢；Qwen需更多时间；DeepSeek能力不弱且价格极低，可能拉低市场对“强模型价格”的预期。小模型在简单任务上又快又便宜，但复杂任务中大模型优势明显。

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。半个月内多款开源模型密集发布，一年前难以想象，对用户而言选择更多是好事。