技术笔记

2026-10 四家 Flash 级模型对比

Properties2
tags大模型/模型体验, 大模型/模型选型, 大模型/价格, 大模型/glm, 大模型/qwen, 大模型/gemini, 大模型/deepseek
aliases四家 Flash 模型对比, GLM-5.3-Flash 与 Qwen3.8-Flash 与 Gemini 3.8 Flash 与 deepseek-flash 对比

24分钟阅读

2026-10 四家 Flash 级模型对比

结论

四家「Flash 档」最新一代已经挤在同一个智能区间（AA 指数 39–42），真正的差异不在分数，而在单位成本、输出速度、工程完整度和 Agent 兼容性。

  • 最便宜：GLM-5.3-Flash 与 Qwen3.8-Flash 并列（0.8 元/百万输入），Qwen 输出略低（2.7 对 2.8 元）。
  • 最快：Gemini 3.8 Flash（245 tok/s）与 deepseek-flash（209 tok/s），是国产两个 Flash 的 4–5 倍。
  • 最省缓存：deepseek-flash 缓存命中 0.02–0.04 元，折扣 98%。
  • 每任务最省：GLM-5.3-Flash（1.24），差约 5 倍。
  • 最大的两个坑：Gemini 的 3.75 是引导价，2027-01-01 翻倍；Qwen3.8-Flash 社区实测 Agent 任务卡死、tool_choice=required 不履行。

数据口径说明（重要，决定这张表能不能横着读）

能横着读的唯一一档是「AA 同 harness」那 10 行。 它们来自 Artificial Analysis Intelligence Index v4.3.2 的同一套子评测，四家齐全、档位统一（GLM / Gemini 取 high，DeepSeek 取 max，Qwen 为其开放权重版实测值），是全表可比性最高的一组。

其余行分三类，不要混读：

  • 口径随厂商而变：HLE（厂商带工具） 只有 GLM 55.3 与 DeepSeek 63.9 有值，与 AA 行的 HLE 48/40/39/38（无工具）不是一回事；Terminal-Bench 2.1 用 Claude Code / mini-SWE 等不同 scaffold；Terminal-Bench 2.1 / 3.0 / 4.0 三个版本之间也不可跨版本比较。
  • 厂商自建基准：CoWorkBench、JobBench、RecreationBench、ClawEval-MM 由 Qwen 自建，跨厂商可比性弱。
  • 第三方独立：Vals AI 那一组（Finance Agent v2、EMB、Legal Research、HLAB、Tax Agent、Code Migration、Vibe Code Bench、Terminal-Bench Science）以及 ARC Prize 的 ARC-AGI 系列，是厂商无法挑选对照的，可信度较高。

三个已知的数值陷阱：

  1. AA 指数存在版本断层：Gemini 3.8 Flash 发布期广为引用的 59 是旧版指数，当前 v4.3.2 为 41；GLM 同理（旧版 57 → 现值 42）。混用版本会差出 15 分以上。
  2. 同一指标多处冲突：Gemini 的 τ³-Banking 官方 38.1% vs AA 45%；GDP.pdf 官方 35.0% vs AA 21%；GLM 的 GPQA Diamond 90.15 在 regolo.ai 被标为「未公布」；Vals Index 在 Vals 官网为 53.11% 而 DataLearner 记 47.22%。
  3. 厂商自报 vs 独立复现的落差：GLM 的 DeepSWE 官方 63.4、社区复现 58.4；LiveCodeBench 裸代码生成社区仅复现 28.0%，说明其优势高度依赖 agent harness，不等于单次代码生成强。

表中行名后的「（n/4）」表示有几家公布了该指标，★ 标出该行最优值（越低越好的行按最小值标）。

总对比表

单一数据源

全表由 模型卡片 的 frontmatter 自动生成：一列一个模型，一行一个对比维度。改卡片即改表，不需要维护第二张表。 跨币种比较看 price_*_usd_equiv（表内按各厂商原始币种显示）。

// ===== 转置对比表：列 = 模型，行 = 维度 =====
// 数据源：同目录 type: model-card 笔记的 frontmatter（顶层字段 + bench 映射）
const DIR = '"大模型/05-评测与选型/模型体验"';
const order = ["GLM-5.3-Flash", "Qwen3.8-Flash", "deepseek-flash", "Gemini 3.8 Flash"];
const rank = m => { const i = order.indexOf(m); return i === -1 ? 99 : i; };
// 只显示至少 N 家有数据的指标；改成 1 可看到全部（含单家独有指标）
const MIN_REPORTERS = 2;
 
const models = dv.pages(DIR).where(p => p.type === "model-card").array()
  .sort((a, b) => rank(a.model) - rank(b.model));
 
const raw = (p, k) => {
  const b = p.bench;
  if (b && b[k] !== undefined && b[k] !== null) return b[k];
  const v = p[k];
  return (v === undefined || v === null || v === "") ? null : v;
};
const txt = (p, k, fb = "—") => {
  const v = raw(p, k);
  if (v === null) return fb;
  return Array.isArray(v) ? v.join("、") : v;
};
const money = (p, k) => {
  const v = raw(p, k);
  return v === null ? "—" : (p.currency === "USD" ? "$" + v : v + " 元");
};
 
// [分组, 键, 显示名, 方向]  方向：1 = 越大越好，-1 = 越小越好，0 = 不标最优
// 未收录该指标的模型显示「—」；只有 1 家有数据的指标不显示（见 MIN_REPORTERS）
const METRICS = [
  // —— 跨家聚合指数 ——
  ["聚合指数", "aa_intelligence", "AA 智能指数 v4.3.2", 1],
  ["聚合指数", "eci", "Epoch ECI", 1],
  ["聚合指数", "vals_index", "Vals Index（旧版）", 1],
  ["聚合指数", "vals_index_v21", "Vals Index v2.1", 1],
  ["聚合指数", "gdpval_aa_v2", "GDPval-AA v2（厂商口径 Elo）", 1],
 
  // —— Artificial Analysis 同 harness 的 10 项子评测（四家唯一完全同源可比的一套）——
  ["AA 同 harness", "aa_briefcase", "AA-Briefcase v1.1", 1],
  ["AA 同 harness", "aa_gdpval_v21", "GDPval-AA v2.1", 1],
  ["AA 同 harness", "aa_automationbench", "AutomationBench-AA (%)", 1],
  ["AA 同 harness", "aa_terminal_bench_40", "Terminal-Bench 4.0 (%)", 1],
  ["AA 同 harness", "aa_scicode", "SciCode (%)", 1],
  ["AA 同 harness", "aa_hle", "HLE (% 无工具)", 1],
  ["AA 同 harness", "aa_gdp_pdf", "GDP.pdf (%)", 1],
  ["AA 同 harness", "aa_critpt", "CritPt (%)", 1],
  ["AA 同 harness", "aa_omniscience", "AA-Omniscience（幻觉惩罚项）", 1],
  ["AA 同 harness", "aa_lcr", "AA-LCR v1.1 (%)", 1],
 
  // —— 知识与推理（厂商自报 / 其他第三方）——
  ["知识与推理", "hle_tools", "HLE（厂商带工具口径）", 1],
  ["知识与推理", "hle_verified", "HLE-Verified（厂商）", 1],
  ["知识与推理", "gpqa_diamond", "GPQA Diamond", 1],
  ["知识与推理", "simplebench", "SimpleBench", 1],
  ["知识与推理", "arc_agi_1", "ARC-AGI-1", 1],
  ["知识与推理", "arc_agi_2", "ARC-AGI-2", 1],
  ["知识与推理", "arc_agi_3", "ARC-AGI-3", 1],
  ["知识与推理", "creative_writing", "Creative Writing (Elo)", 1],
  ["知识与推理", "mysterymechanism", "MysteryMechanism", 1],
  ["知识与推理", "frontier_math_v2", "FrontierMath v2", 1],
  ["知识与推理", "matharena_apex", "MathArena Apex", 1],
  ["知识与推理", "proofbench", "ProofBench v1.1 (Lean 4)", 1],
  ["知识与推理", "codeforces", "CodeForces (Elo)", 1],
 
  // —— 编程与终端 ——
  ["编程与终端", "terminal_bench_21", "Terminal-Bench 2.1", 1],
  ["编程与终端", "terminal_bench_30", "Terminal-Bench 3.0", 1],
  ["编程与终端", "deepswe", "DeepSWE v1.1", 1],
  ["编程与终端", "swe_bench_pro", "SWE-bench Pro", 1],
  ["编程与终端", "swe_bench_pro_v2", "SWE-Bench Pro V2", 1],
  ["编程与终端", "swe_bench_multilingual", "SWE-bench Multilingual", 1],
  ["编程与终端", "swe_atlas", "SWE-Atlas", 1],
  ["编程与终端", "nl2repo", "NL2Repo-Bench", 1],
  ["编程与终端", "livecodebench", "LiveCodeBench v6", 1],
  ["编程与终端", "cursorbench_40", "CursorBench 4.0", 1],
  ["编程与终端", "program_bench", "ProgramBench", 1],
  ["编程与终端", "ioi_vals_v2", "IOI (Vals v2)", 1],
  ["编程与终端", "vals_code_migration", "Code Migration（Vals）", 1],
  ["编程与终端", "vals_vibe_code_bench", "Vibe Code Bench v1.1（Vals）", 1],
  ["编程与终端", "vals_terminal_bench_science", "Terminal-Bench Science（Vals）", 1],
 
  // —— Agent 与办公 ——
  ["Agent 与办公", "toolathlon", "Toolathlon Verified", 1],
  ["Agent 与办公", "agents_last_exam", "Agents' Last Exam", 1],
  ["Agent 与办公", "automationbench", "AutomationBench（厂商版）", 1],
  ["Agent 与办公", "osworld_2", "OSWorld 2.0", 1],
  ["Agent 与办公", "androidworld", "AndroidWorld", 1],
  ["Agent 与办公", "tau3_banking", "τ³-Banking", 1],
  ["Agent 与办公", "tau2_banking", "τ²-Banking", 1],
  ["Agent 与办公", "ifbench", "IFBench（指令遵循）", 1],
  ["Agent 与办公", "officeqa_pro", "OfficeQA Pro", 1],
  ["Agent 与办公", "finance_agent_v2", "Finance Agent v2（Vals）", 1],
  ["Agent 与办公", "emb_excel", "EMB（Excel 建模，Vals）", 1],
  ["Agent 与办公", "legal_research", "Legal Research Bench（Vals）", 1],
  ["Agent 与办公", "hlab", "HLAB（法律 Agent，Vals）", 1],
  ["Agent 与办公", "vals_tax_agent", "Tax Agent Bench（Vals）", 1],
  ["Agent 与办公", "itbench_sre", "ITBench SRE", 1],
  ["Agent 与办公", "cybergym", "CyberGym", 1],
  ["Agent 与办公", "sec_bench_pro", "SEC-Bench Pro", 1],
  ["Agent 与办公", "exploitgym", "ExploitGym", 1],
  ["Agent 与办公", "coworkbench", "CoWorkBench（厂商自建）", 1],
  ["Agent 与办公", "jobbench", "JobBench", 1],
 
  // —— 多模态与长文本 ——
  ["多模态与长文本", "mmmu_pro", "MMMU-Pro", 1],
  ["多模态与长文本", "charxiv_rq", "CharXiv RQ", 1],
  ["多模态与长文本", "mathvision", "MathVision", 1],
  ["多模态与长文本", "realworldqa", "RealWorldQA", 1],
  ["多模态与长文本", "babyvision", "BabyVision", 1],
  ["多模态与长文本", "chartography", "Chartography", 1],
  ["多模态与长文本", "lvbench", "LVBench（长视频）", 1],
  ["多模态与长文本", "mmvu", "MMVU（视频）", 1],
  ["多模态与长文本", "mvvbench", "MVBench（视频）", 1],
  ["多模态与长文本", "erqa", "ERQA（具身）", 1],
  ["多模态与长文本", "context_arena", "Context Arena", 1],
  ["多模态与长文本", "zerobench_main", "ZeroBench Main", 1],
 
  // —— 速度与成本 ——
  ["速度与成本", "aa_speed_tps", "输出速度 (tok/s)", 1],
  ["速度与成本", "aa_ttft", "首 token 延迟 (s)", -1],
  ["速度与成本", "aa_time_first_answer", "首个答案 token 延迟 (s)", -1],
  ["速度与成本", "aa_e2e", "端到端响应 (s)", -1],
  ["速度与成本", "aa_time_per_task", "每任务耗时 (s)", -1],
  ["速度与成本", "aa_output_tokens_per_task", "每任务输出 token (k)", 0],
  ["速度与成本", "aa_reasoning_tokens_per_task", "每任务推理 token (k)", 0],
  ["速度与成本", "aa_index_output_tokens", "跑完指数总输出 (M token)", 0],
  ["速度与成本", "aa_input_price_usd", "输入价 ($/百万)", -1],
  ["速度与成本", "aa_output_price_usd", "输出价 ($/百万)", -1],
  ["速度与成本", "aa_cache_hit_usd", "缓存命中价 ($/百万)", -1],
  ["速度与成本", "aa_price_blended", "混合价 ($/百万)", -1],
  ["速度与成本", "aa_cost_per_task_usd", "每任务成本 ($)", -1],
  ["速度与成本", "aa_cost_index_total", "跑完指数总成本 ($)", -1],
  ["速度与成本", "aa_cache_discount_pct", "缓存折扣 (%)", 1],
];
 
const rows = [
  ["厂商", ...models.map(p => txt(p, "vendor"))],
  ["发布", ...models.map(p => { const v = raw(p, "release_date"); return (v && v.toFormat) ? v.toFormat("yyyy-MM-dd") : String(v ?? "—"); })],
  ["价格（输入 / 输出）", ...models.map(p => txt(p, "price_display"))],
  ["缓存命中输入", ...models.map(p => money(p, "price_cache_hit"))],
  ["参数（总 / 激活）", ...models.map(p => txt(p, "params_display"))],
  ["上下文 / 最大输出", ...models.map(p => txt(p, "context_display"))],
  ["输入模态", ...models.map(p => txt(p, "input_modalities"))],
  ["开放权重 / 许可", ...models.map(p => (p.open_weights ? "✅ 开源 · " : "❌ 闭源 · ") + txt(p, "license"))],
  ["本地部署", ...models.map(p => p.local_deploy === true ? "✅ 可本地" : "❌ 仅云")],
  ["接 Agent", ...models.map(p => p.agent_ready === true ? "✅ 可接" : "⚠️ 慎接")],
];
 
for (const [group, key, label, dir] of METRICS) {
  const vals = models.map(p => raw(p, key));
  const present = vals.filter(v => v !== null);
  if (present.length < MIN_REPORTERS) continue;
  const best = dir === 0 ? null : (dir > 0 ? Math.max(...present) : Math.min(...present));
  const cells = vals.map(v => v === null ? "—" : (v === best ? v + " ★" : String(v)));
  const cov = present.length < models.length ? `（${present.length}/${models.length}）` : "";
  rows.push([`${group} · ${label}${cov}`, ...cells]);
}
 
rows.push(["定位", ...models.map(p => txt(p, "verdict"))]);
 
dv.table(["维度", ...models.map(p => p.file.link)], rows);

怎么读这张表

分数层面几乎打平，差异全在成本、速度和可靠性。

  • 智能梯队（AA 同 harness）：GLM 42 ≈ Gemini 41 ≈ Qwen 40 ≈ DeepSeek 39，只差 3 分，属同一档。别为这点分差付 5 倍价钱。
  • 拆到 10 项子评测，格局完全不同：Gemini 赢在知识推理侧（HLE 48、CritPt 18、GDP.pdf 21、SciCode 57 全为第一），GLM 赢在终端与知识校准（Terminal-Bench 4.0 33、AA-Omniscience +7 为正），DeepSeek 赢在自动化与长上下文（AutomationBench-AA 69、AA-LCR 84 均为第一），Qwen 则在 AA-Briefcase（1588）与 GDPval-AA（1612）上领先，但 AA-Omniscience −10 是四家最低，即幻觉惩罚最重。
  • 速度与延迟分化极端：Gemini 245 tok/s 但 TTFT 17.48 s 最慢；DeepSeek 209 tok/s 且 TTFT 0.99 s + 端到端 12.96 s 全场最快；GLM 47 tok/s、每任务耗时 1064 s；Qwen 54.6 tok/s、每任务 1546 s 最慢。所谓「Flash」对 GLM / Qwen 只意味着价格档。
  • 成本：GLM 混合价 0.5775 是它的 5.9 倍；跑完一次指数 GLM 1,623。
  • 啰嗦度：四家输出 172M–253M token，同类中位数 81–140M，都远超中位数——刊例价低 ≠ 实际便宜。Qwen 每任务输出 108k token（含推理 72k）最啰嗦。
  • 本地部署 / 接 Agent 两行：最容易踩坑——开源不等于能本地跑（deepseek-flash 552B / 约 480GiB，标「仅云」），跑分高不等于能接 Agent（Qwen 标「慎接」）。

价格列背后的细则

  • GLM-5.3-Flash：缓存存储限时免费；Batch 为标准价 5 折；同架构速度版 GLM-5.3-FlashX 为 2 / 7 元（缓存 0.57），官方称约 200 tok/s。
  • Qwen3.8-Flash：2026-08-27 起由 1 / 3 元下调至 0.8 / 2.7 元；Batch 0.4 / 1.35 元；显式缓存创建 1.25 元；北京地域 100 万 tokens 免费额度（90 天内有效）；web_search 4 元/千次；不支持模型调优。
  • deepseek-flash：峰谷定价，高峰 = 北京时间周一至周五 9:00–12:00、14:00–18:00（不含法定节假日），其余时间含周末全天为空闲价：1 / 4 元，缓存 0.02 元。并发 2500。旧名 deepseek-v4-flash、deepseek-v4-flash-vision-exp 与新访问的 deepseek-v4-pro 均路由到 V4.1 Flash 并按 Flash 价计费。
  • Gemini 3.8 Flash：缓存在库 14/千次；2027-01-01 起 7.50，3.6 / 3.7 Flash 同日同幅上涨。另有安全向变体 3.8 Flash Cyber。

结构差异（表里看不出的部分）

  • GLM：稀疏 + 线性注意力混合，相比 GLM-5.3 注意力计算量降 3.01 倍、KV Cache 降 4.44 倍；GLM-5 系列首个原生多模态模型，视觉直接进 Coding 循环。
  • Qwen：QSA 稀疏 + GDN 线性混合、Gated Residual、51B N-gram Embedding。嵌入表每 token 只读 16 行，可 mmap 到 NVMe——这是它能塞进单台 128GB 小主机的关键；官方称 1M 长上下文高缓存命中可提速 8 倍以上。
  • DeepSeek：Causal-Encoder-Decoder 非对称结构（输入激活 8B、输出激活 16B），KV Cache 约 890 字节/token、相比初代缩小 437 倍，HBM 需求降至 1/4、SSD 降至 1/8。
  • Gemini：思考 token 按输出价计费（thoughtsTokenCount 与可见输出同价），默认 thinking_level = medium，minimal 已移除。

逐模型详评

GLM-5.3-Flash（AA 42 / 47.2 tok/s / $0.25 每任务）

代表跑分：Terminal-Bench 2.1 84.3（Opus 4.8 为 85.0、GPT-5.6 Terra 为 87.4）· DeepSWE v1.1 63.4（同门 GLM-5.2 为 46.2）· Toolathlon Verified 78.4 · AutomationBench 48.8 · OfficeQA Pro 62.4 · HLE 带工具 55.3（同门旗舰为 62.5，−7.2）· GPQA Diamond 90.15 优：官方单价最低档、每任务成本最低；雷峰网同题实测（从零开发个人工作台）中结构最完整，登录、模块、CRUD、统计、测试齐全，像标准 SaaS；原生多模态，文档/截图/图表负载有结构性优势。 劣：输出仅 47 tok/s，批处理墙钟时间明显偏长；高难推理是降本代价（HLE −7.2）；1M 上下文衰减未被独立测量；本地实测出现「50 字约束超限」「被禁词点名」等指令跟随错误。 本地部署：单机 3-bit（Unsloth GGUF 120.4 GB，128GB 需 --cache-ram 0 --ctx-checkpoints 0）或双机 NVFP4（vLLM TP=2，代码修复仅 38.1 秒）。

Qwen3.8-Flash（AA 40 / 54.6 tok/s / $0.37 每任务）

代表跑分：NL2Repo-Bench 48.1 · Toolathlon Verified 73.5 · DeepSWE 58.7 · CharXiv RQ 90.6（此处领先 GLM 的 89.4）· SWE-bench Pro 官方称领先 Opus 4.6 达 9.1 分 · AndroidWorld / MathVision / ERQA 分别高出 Opus 4.6 22.5 / 25.1 / 31.5 分（口径为开源版 Flash-Next） 优：价格最低档 + 100 万 tokens 免费额度；单机可跑（mmap 方案，DGX Spark 单台常驻 79.4 GiB）；DGX Spark 实测中唯一日语机械判定 9/9 全通过，200K 长文 TTFT 仅 101 秒；雷峰网实测更懂个人办公节奏（智能排序、逾期提示、7 天内到期、Markdown 笔记）。 劣：Agent 落地问题突出——社区在线 API 实测生成一个网页耗时 19 分 37 秒、任务频繁死循环，作者评分 40；tool_choice=required 被受理却返回 0 个工具调用；思考链偏长（弱思考档输出 token 可达 GLM 的 5–6 倍）；雷峰网实测 UI 有文本溢出、信息密度偏低；开源版为 Qwen Community License 1.0，含月活/营收条件。

deepseek-flash（AA 39 / 208.9 tok/s / $0.27 每任务）

代表跑分：DeepSWE 74.2（Opus 5 为 74.0、GPT-5.6 Sol 为 73.0）· Terminal-Bench 2.1 90.6 · Terminal-Bench 3.0 仅 30 · HLE 36.8（落后 Opus 5 约 20 分） 优：速度 208.9 tok/s 且缓存折扣 98%，长会话成本最优；网易智能三题实测（3D 停车游戏 / 电商下单 / 预约系统）全部通过（V4 Flash 有两题分别出现 3D 场景倒置、重启后订单读不到）；生成耗时约为 V4 Flash 的三到四成，输出 token 少 14.4%、总 token 少 44.7%；MIT 许可；腾讯 WorkBuddy/CodeBuddy 与 OpenCode 已全量接入。 劣：HLE 36.8，高难学术推理明确弱项；长程任务稳定性存疑——Terminal-Bench 换到 3.0 后从 90.6 崩到 30；552B / 约 480GiB 权重，社区实测量化后仍可能慢到 1 tok/s 级（一句话等 74 秒），自部署实际不可行。

Gemini 3.8 Flash（AA 41 / 244.7 tok/s / $1.24 每任务）

代表跑分：AA 用旧版指数测得 high 档 59（3.7 Flash high 为 56），但每任务多花约 30% 输出 token，每任务成本从 0.58，耗时 2.2 → 2.5 分钟。Google 官方叙事是「works harder」，不做刷榜。 优：245 tok/s 四家最快；1M 上下文；唯一支持音频输入，全模态统一输入价；有免费层可零成本试；生态与 grounding 集成完善。 劣：思考 token 按输出价计费——一次 10K 输入 + 2K 可见输出 + 6K 思考的请求，思考占整单费用 60%；引导价 2026-12-31 到期后 7.50，那时比 GPT-5.6 Luna（6）贵、与 Sonnet 5 差距缩到约 1.3 倍；默认「更努力」，不显式设置 thinking_level 等于放弃成本控制；闭源不可私有化。 降本杠杆：thinking_level high → medium → low 对应每任务 0.41 → $0.24。

选型建议

  • 高频办公 / 文档 / 交付物生成（PPTX、DOCX、XLSX） → GLM-5.3-Flash。单价最低、工程完整度最好，Office 与文档是官方主推方向。
  • 长会话 Agent / 缓存命中为主 → deepseek-flash。缓存命中 0.02–0.04 元、折扣 98%、209 tok/s，长上下文复用成本最低。
  • 延迟敏感的批量通用任务 → Gemini 3.8 Flash。245 tok/s + 免费层起步；上线前必须按路由显式设置 thinking_level，并把 2027-01-01 重新评估写进日历。
  • 个人办公问答 / 长文档与代码库阅读 → Qwen3.8-Flash。价格最低档、1M 上下文、多模态齐全；先别接 Agent 流水线，要接的话先自测 tool_choice=required 与长会话稳定性。
  • 本地 / 私有化部署 → Qwen3.8-Flash-Next 优于 GLM-5.3-Flash。Qwen 靠 mmap 能进单台 128GB，7 分钟起服务；GLM 需要单机 3-bit 硬压或双机 NVFP4，但双机版的等待时间更短（代码修复 38 秒对 87 秒）。deepseek-flash 与 Gemini 排除。
  • 中文写作 + 多并发 → 视并发模型定。GLM 单发慢但 TTFT 快；Qwen 思考长，同样 10 题的总耗时可能差 5 倍。

待验证

三个未解问题

  1. Qwen3.8-Flash 的 tool_choice=required 不履行，是解析器问题还是模型本身，社区尚无定论。
  2. GLM-5.3-Flash 的 1M 上下文衰减未被独立测量（官方只给了注意力计算量降 3 倍、KV 降 4.4 倍）。
  3. 各家 Flash 的量化后质量（GGUF / NVFP4）普遍缺少公开对比——本地部署前建议自测。

模型卡片

上表的四个数据源（每张卡片是 type: model-card，含完整规格、价格表、跑分与优缺点）：

字段说明与新增方式

标识：model、vendor、model_family、tier、release_date 规格：open_weights、license、context_window、max_output、total_params_b、active_params_b、input_modalities 价格：currency、price_input、price_output、price_cache_hit、price_input_usd_equiv、price_output_usd_equiv 评测与判断：aa_intelligence、aa_speed_tps、aa_cost_per_task_usd、aa_cache_discount_pct、local_deploy、agent_ready 表内展示（派生字段）：price_display、params_display、context_display、key_benchmark、verdict

新增模型：在 大模型/05-评测与选型/模型体验/ 建笔记，设 type: model-card 并补齐上述字段，总对比表会自动多出一行。确实未公开的字段（如闭源模型的 total_params_b）直接省略，不要填 0。

参考资料

延伸阅读

关系图谱

反向链接