開源大模型領域迎來一波密集釋出潮。7月底至8月中，Kimi K3、Qwen3.8-Max先後放出權重，DeepSeek V4 Pro正式版上線；與此同時，沉寂一年多的美國開源陣營也迴歸，Meta推出Muse Glimmer，輝達釋出Nemotron 3.5 Lightning。媒體矽星GenAI（作者週一笑）將這五款模型接入同一測試環境，從邏輯推理、程式碼生成、Agent能力、Blender指令碼和寫作五個維度進行橫評，所有結果由指令碼加真人盲評判分。

測試中，每道題設定了統一的輸出上限，思考和作答共用額度，超限即視為未交卷；超限任務會放開上限單獨補跑作為對照。最終成績顯示，K3在十項測試中六項滿分，綜合表現最佳；DeepSeek緊隨其後。值得注意的是，部分0分源於模型思考過長被截斷，而非能力不足。

在邏輯推理環節，測試包括24點遊戲和五位數密碼鎖，並埋入無解陷阱。K3、Qwen和Nemotron識破了無解24點陷阱，而Muse在補跑時硬編假解。密碼鎖測試中，K3和Qwen全對，兩個美國小模型（Muse和Nemotron）交了白卷——它們將推理題跑成馬拉松，思考被輸出上限截斷，託管商返回超長錯誤。放開上限後，Muse密碼鎖兩次全對，Nemotron燒掉六萬token仍答錯，DeepSeek則全對。

加時賽中，每個模型預算30美分，可重試直到花完。Nemotron十輪花費不到10美分，24點全對但密碼鎖十次未成；Muse第四次解出密碼鎖，15美分拿下五題；K3一次認真思考需35美分，Qwen近20美分，預算僅夠一兩輪；DeepSeek一輪全對，五題僅花4美分，比Muse便宜四倍，價效比凸顯。

程式碼畫圖環節，模型需用SVG畫熊貓騎單車場景。K3和Qwen（多模態）表現最佳，能清晰呈現劇情；Nemotron和Muse作品需想象力；DeepSeek一張可辨、一張無產出。地鐵圖網頁任務中，K3兩次滿分，Muse畫圖但路線算錯，Nemotron功能缺失，Qwen超限後補交完成，DeepSeek排第二。成績單視覺化任務中，DeepSeek兩次上限內完成獲最高分，Muse兩次完成居第二，K3一次滿分一次超限。

Agent能力測試中，修bug任務五家全部修綠，花費差異明顯：兩個30B模型不到1美分，萬億引數模型貴數倍，DeepSeek僅0.3美分。賬單清洗任務中，K3、Qwen、DeepSeek滿分，Muse十五輪困於編碼問題，Nemotron僅部分得分。Blender指令碼測試中，K3兩份指令碼一次跑通，Qwen補跑後出圖，Muse報錯，Nemotron介面名寫錯，DeepSeek一份出圖一份因廢棄引數失敗。

寫作測試中，簡單改寫題差距不大，難題（如業主群漲價說明）無模型達4分，K3是唯一兩道難題均獲3分的模型。作者指出，K3在衝能力上限，Qwen走穩和全能，DeepSeek拉昇價效比。K3表現可與前沿閉源模型比肩，但相對貴且慢；Qwen需更多時間；DeepSeek能力不弱且價格極低，可能拉低市場對“強模型價格”的預期。小模型在簡單任務上又快又便宜，但複雜任務中大模型優勢明顯。

Meta預告旗艦Muse Spark 1.2權重未來幾周放出，阿里已將Qwen3.8大杯權重上傳Hugging Face。半個月內多款開源模型密集釋出，一年前難以想象，對使用者而言選擇更多是好事。