DeepSeek、Kimi K3.1、Opus 5.5、GPT-6 五组编码智能体同题实测，Token 消耗相差13倍

DeepSeek、Kimi K3.1、Opus 5.5、GPT-6 同台竞技，Token 消耗差了 13 倍

文章要点

决策要点

同一道编码任务在不同智能体与模型组合之间的耗时和 Token 消耗可以差出一个数量级，组合选型本身就是成本变量。

影响：编码智能体的运行成本不只取决于模型单价，还取决于组合的行为风格，多推理多自查的组合会放大 Token 消耗和等待时间；成片质量与消耗并不正相关，速度和用量最省的组合未必质量最好，团队选型前需要按自身任务实测。
参考：可考虑选定一道本团队真实任务，让候选组合各跑一次并记录耗时、Token 总量与成片质量三项数据再定预算；值得把缓存命中率一并统计，本次各组合缓存占比都在96%以上，差异主要来自总消耗。
依据：数据来自作者本人一次性实测，五个组合各只有一次机会，耗时与 Token 数字客观可复核，成片质量为其个人主观评价，无独立复测。

正文

同一道题丢给五个组合同台竞技：DSH 配 DeepSeek V4.1 Flash、Kimi Code 配 K3.1 Pro、Codex 配 GPT-6 Astra 等。比的是耗时、完成度和成片质量，最快的 8 分钟，最慢的 46 分钟，还有选手把中文题做成了英文片。

DeepSeek 说：DSH与自家模型是绝配

DeepSeek V4.1 Flash 1017 最佳 Harness 易主，尽快拥抱 DeepSeek Harness！

实不相瞒，我一直想拥抱DSH，但还是没能习惯它

周末闲着没事，找了一道题目，让几个 Harness 和大模型同台竞技，看看他们表现如何，也确认一下哪些任务可以给哪些模型

我都想每周组织一场这个擂台了，大家有题目可以提哈，我抽空来测

本期出场选手包括：

题目很简单，纯代码生成视频，提示词：

/treardown 做一个抓娃娃机为何总是抓不到东西的拆解视频，录制一段20秒视频

提示词中的 treardown 是一个 Skills ，可以把任何机器变成一个可以拆解的 3D 模拟器，感兴趣的兄弟可以试试

npx skills add elvarofficial/teardown

所有选手都只有一次机会

最终他们都完成了任务，视频效果比较主观

但是它们实际耗时和Token消耗却是板上钉钉的数字：

选手	耗时	token 总处理量（缓存占比）	输出 token
Codex	8 分钟	350 万（97%）	2.8 万
Claude Code	17 分钟	1215 万（96%）	13.0 万
Gemini	21 分钟	1394 万（96%）	8.1 万
Kimi Code	36 分钟	950 万（98%）	5.9 万
DSH	46 分钟	4644 万（99%）	28.1 万

图片会更明显一些，最高效的是 Codex，最墨迹的是 DSH

还是看下具体效果吧

我选择 DSH 标准模式，整整 46 分钟才完成

符合我的刻板印象，之前测试过多次，同样题目，它总是“想太多”，它还有极简模式，我印象中也是“特能想”

结果如下，暇疵不少，唯一一个中文提问，最终给了英文视频的

Kimi K3.1 Pro 我前几天测试过，除了价格和速度，很难吐槽了

国产最强开源大模型，Kimi K3.1 Pro 实测 2 天，有惊喜，有吐槽

它的总耗时倒数第二，任务完成的还不错

我感觉可以排在 Opus 5.5 后面了

这是极速完成任务型选手，8分钟速通，感觉它太不擅长思考了，很喜欢无脑遵守我的指令，甚至舍弃了Skills中的框架

不可否分的冠军，输出的视频质量极佳，完美解释了我的问题

这是本次的搞笑担当，负责活跃氛围，瑕疵太多了

以上，大家感觉这个任务，谁完成的最好？

作者：Ai学习的老章公众号：Ai学习的老章

本文由 @Ai学习的老章原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自 Unsplash，基于CC0协议

决策要点

AI 评分29

同一道编码任务在不同智能体与模型组合之间的耗时和 Token 消耗可以差出一个数量级，组合选型本身就是成本变量。

影响：编码智能体的运行成本不只取决于模型单价，还取决于组合的行为风格，多推理多自查的组合会放大 Token 消耗和等待时间；成片质量与消耗并不正相关，速度和用量最省的组合未必质量最好，团队选型前需要按自身任务实测。
参考：可考虑选定一道本团队真实任务，让候选组合各跑一次并记录耗时、Token 总量与成片质量三项数据再定预算；值得把缓存命中率一并统计，本次各组合缓存占比都在96%以上，差异主要来自总消耗。
依据：数据来自作者本人一次性实测，五个组合各只有一次机会，耗时与 Token 数字客观可复核，成片质量为其个人主观评价，无独立复测。