要点
- Kimi K3 在全部 12 个领域都是国产模型第一,并在咨询、法律和金融三个领域进入前十。
- Kimi K3 落后总榜第一 188 分,但只落后 GPT-6.1 Sol + OpenCode 49 分。
- DeepSeek Flash + Codex 每题 0.11 美元,处在质量–成本前沿上;在医疗任务中,它是全榜最便宜也最快的搭配。
- GLM-5.3 + OpenCode 的分数只比 GLM-5.3 Prime 的最佳搭配低 28 分,成本不到其五分之一。
各模型的位置
下表取每个模型在总榜上的最佳搭配。
| 总榜名次 | 模型 | 最佳 Harness | 质量 | 单题成本 | 单次耗时 |
|---|---|---|---|---|---|
| 13 | Kimi K3 | OpenCode | 1147 | $1.23 | 904.6 秒 |
| 19 | DeepSeek Flash | Claude Code | 1039 | $0.18 | 1050.7 秒 |
| 22 | GLM-5.3 Prime | Claude Code | 1021 | $2.51 | 977.1 秒 |
| 23 | Qwen3.8 Max | Codex | 1001 | $1.30 | 1800.6 秒 |
| 27 | GLM-5.3 | OpenCode | 993 | $0.47 | 710.5 秒 |
| 32 | DeepSeek V4 Pro | Claude Code | 914 | $0.41 | 799.1 秒 |
| 38 | Qwen3.8 Flash | Codex | 859 | $0.15 | 1562.3 秒 |
| 39 | Qwen3.7 Plus | Codex | 856 | $0.15 | 586.0 秒 |
| 44 | MiniMax M2.5 | OpenCode | 700 | $0.17 | 751.7 秒 |
| 48 | Kimi K2.7 Code | Kimi CLI | 651 | $0.30 | 464.3 秒 |
10 个模型中有 4 个高于 1000 参考分。作为对照,总榜第一 Claude Opus 5.5 + Claude Code 是 1335 分,49 套搭配的中位数是 999 分。
Kimi K3
Kimi K3 在四个 Harness 上运行,四套搭配都在总榜前二十:OpenCode 1147、Codex 1110、Claude Code 1095,以及月之暗面自家的 Kimi CLI 1094。
分领域看,它的最好名次是咨询第 8、法律第 9、金融第 10。在其余 9 个领域排第 11 到第 15,并且在每个领域都是排名最高的国产模型。
和头部相比,落后 Claude Opus 5.5 188 分,意味着同题对比中击败对方的期望概率约 25%。与 GPT-6 Sol 系列的差距小得多:比 GPT-6.1 Sol + OpenCode 低 49 分,比 GPT-6 Sol + OpenCode 低 43 分。不过 Kimi K3 的成本更高,每题 1.23 美元,对方约 0.50 美元。
DeepSeek
DeepSeek Flash 是国产模型中性价比最高的。搭配 Codex 每题 0.11 美元、1031 分,处在总榜的质量–成本前沿上:没有搭配能用更少的钱拿到更高的分。搭配 Claude Code 是 1039 分,每题 0.18 美元。
它在医疗任务上相对价格的优势最明显。DeepSeek Flash + Codex 是该领域全榜最便宜的搭配,每题 0.004 美元,同时也是最快的,单次 81.6 秒,得分 1038。在第一名每题要花 17.73 美元的 3D 领域,DeepSeek Flash + Claude Code 每题 0.16 美元,得分 1105。
DeepSeek V4 Pro 排名较低,最好成绩 914 分。在 DeepSeek 自家的 Harness 上它得 893 分,但这是它最便宜也最快的配置,每题 0.18 美元、单次 488.5 秒。
GLM Qwen 与 MiniMax
- GLM-5.3 Prime 搭配 Claude Code 得 1021 分,但每题 2.51 美元,接近 Claude Opus 5.5 的 2.60 美元。GLM-5.3 搭配 OpenCode 993 分,每题 0.47 美元。多数场景下标准版更划算。
- Qwen3.8 Max 在三个 Harness 上都是 998 到 1001 分,但速度慢,单次 1253.1 到 1800.6 秒,其中包括全榜最慢的搭配。
- Qwen3.8 Flash + OpenCode 是全榜最便宜的搭配,每题 0.049 美元,832 分;搭配 Codex 是 859 分,每题 0.15 美元。
- MiniMax M2.5 最好成绩 700 分(OpenCode),Kimi K2.7 Code 在 Kimi CLI 上 651 分。
Harness 对这些模型影响更大
对好几个国产模型,换 Harness 带来的质量变化比头部模型更大:GLM-5.3 61 分,MiniMax M2.5 59 分,Kimi K3 53 分,DeepSeek Flash 39 分。同时在自家 Harness 和通用 Harness 上运行过的三个国产模型,都至少在一个通用 Harness 上得分更高。各模型的完整情况见 Harness 影响分析。
常见问题
做 Agent 任务最强的国产模型是哪个
在 2026 年 11 月的 Work Arena 排行榜上,Kimi K3 是排名最高的国产模型,搭配 OpenCode 总榜第 13、1147 分,并且在全部 12 个领域都是国产模型第一。
DeepSeek 适合做 AI Agent 任务吗
DeepSeek Flash 是很强的低成本选项。搭配 Codex 得 1031 分,高于 1000 参考分,每题 0.11 美元,榜单上没有搭配能用更少的钱拿到更高的分。DeepSeek V4 Pro 分数较低,最好 914 分。
本文数字来自 2026 年 11 月 2 日 的排行榜数据,此后的变化请以排行榜为准。