这三个名字不能直接排成一条“最强榜”。更实用的结论是：纯文本、长周期编码与终端 Agent 可以先测 glm-5.3；同一模型需要读图片或视频时，先测 kimi-k3；成本敏感的文本 API 先测 deepseek-v4-flash，难题再用 deepseek-v4-pro 做质量对照。
真正决定默认模型的，不是发布页上的最高分，而是同一批真实任务在质量、重试、延迟、人工 review 和总账单上的结果。尤其要先拆开 DeepSeek V4：它是一个 family，不是一条模型 ID。
先把四条可调用路线对齐
| 路线 | 当前合同里最重要的区别 | 适合作为首测的情况 | 不能顺手推导的结论 |
|---|---|---|---|
glm-5.3 | 纯文本；1M 上下文；最大 128K 输出；推理始终开启，可选 low/high/max | 复杂代码库、终端任务、需要长时间保持计划的纯文本 Agent | Z.ai 的厂商跑分不能证明它在你的仓库里最稳 |
kimi-k3 | 原生文本、图片和视频；1M 上下文；开放权重；推理始终开启 | 前端截图反馈、视觉与代码混合、长文档和知识工作 | “2.8T 参数”不能单独证明结果更好或更便宜 |
deepseek-v4-flash | 纯文本主路线；1M 上下文；最大 384K 输出；thinking 可开关 | 低成本批量任务、先扩大测试覆盖、低风险默认候选 | Flash 的低价不能自动继承给 Pro 或第三方 gateway |
deepseek-v4-pro | 当前官方版本为 Pro-0813；同样支持 thinking 开关和三档 effort | 更难的编码、工具链、失败代价较高的文本任务 | “V4 支持视觉”不等于 Pro 原生支持视觉 |
GLM-5.3 官方文档明确写的是纯文本、1M 上下文、128K 最大输出和始终开启推理。Kimi K3 官方 API 指南给出 kimi-k3、原生视觉、1M 上下文和 low/high/max 三档，但也要求多轮工具调用把完整 assistant message 原样回传。
DeepSeek 的边界更容易写错。当前价格与模型页把 deepseek-v4-pro、deepseek-v4-flash 与实验性的 deepseek-v4-flash-vision-exp 分成三行。要处理图片，应显式评估视觉实验分支；不要把它的能力写到 Pro 身上。
价格比较要先统一计费场景
截至 2026 年 8 月 28 日，Z.ai 价格页列出的 GLM-5.3 单价是每 1M tokens：输入 $1.40、缓存输入 $0.26、输出 $4.40。
Kimi 中国开放平台显示 K3 为缓存输入 ¥2、普通输入 ¥20、输出 ¥100 / MTok。这个价格属于人民币平台账户；官方指南还写明 K3 需要至少充值 10 元才能解锁，注册赠券不能解锁。它不能不经说明就和美元国际 provider 报价放进一列。
DeepSeek 采用工作日峰谷价。V4 Flash 的 cache-miss 输入/输出在谷时为 $0.22/$0.66，峰时为 $0.44/$1.32；V4 Pro 谷时为 $0.66/$1.98，峰时为 $1.32/$3.96，单位都是每 1M tokens。峰时是工作日 UTC 01:00–04:00 与 06:00–10:00。
可以用一笔固定工作量检查价格表是否对齐。假设一次任务有 1M 未缓存输入和 200K 输出，暂不计重试：
- GLM-5.3 约为 $1.40 + $0.88 = $2.28；
- DeepSeek V4 Pro 谷时约 $1.056，峰时约 $2.112；
- DeepSeek V4 Flash 谷时约 $0.352，峰时约 $0.704；
- Kimi K3 中国平台为 ¥20 + ¥20 = ¥40，若输入全部命中缓存则约 ¥22。
这只是 token 合同对齐，不是最终性价比。Agent 失败一次再重跑，或者便宜结果需要多出半小时 review，都会改变“每个被接受任务”的成本。价格与促销也会变化，采购前应重新打开官方页。
公开 benchmark 能回答什么
三家发布材料使用的 harness、工具、推理强度、token budget 和测试集并不一致。把几个最高分抄进同一张表，会制造精确但错误的比较。
更有参考价值的是同工作负载评测。Aikido 的安全模型评测冻结了 32 个近期漏洞、prompt、工具和评估规则，每个模型重复三次。在这个漏洞发现任务里，DeepSeek V4 Pro-0813 的三次合并召回最高；Kimi K3 在受测开放权重模型中有最高的合并精度；GLM-5.3 的召回与一致性都很强。
这并没有产生通用冠军。它反而说明了三个决策事实：
- 单次运行会遗漏，重复运行可能比换更贵模型更有价值；
- 高召回可能带来更多误报和后处理；
- 一个安全评测不能代表前端实现、长文档、视觉理解或你自己的工具链。
用一轮小试点决定默认模型
不要一开始就把整个生产流量切过去。先选 6–10 个会真实发生的任务，例如：一个跨文件 bug、一次中型重构、一条需要工具调用的 Agent 任务、一份长文档分析、一个带截图反馈的前端任务，以及一个故意保留歧义的需求。
对文本任务，让 glm-5.3、DeepSeek V4 Flash/Pro 与 Kimi K3 使用相同仓库快照、提示、工具权限、超时和验收命令。视觉任务只让实际支持该输入的路线参加，并把“为了参赛先人工转成文字”的成本单独记录。推理强度也要显式对齐：三家都能使用 low/high/max，但 Kimi K3 与 GLM-5.3 不能关闭 reasoning，DeepSeek 可以。
每次至少记录这些结果：
- 自动测试与业务验收是否通过；
- blocker、major、minor 缺陷数；
- 工具循环、漏文件、格式漂移和重试次数；
- 首 token、总耗时、输入/输出/缓存账单；
- reviewer 修改分钟数与能否安全回滚。
在试点前写停止规则。例如出现一个 blocker 就不提升默认；同一任务需要三次以上重跑，只保留为低风险候选；review 时间超过当前默认两倍，即使 token 更便宜也不切换。
按任务选择第一条路线
如果任务是纯文本大仓库、终端操作和长周期计划，GLM-5.3 是合理的第一条挑战者；它的限制也清楚：没有原生视觉输入，推理不能关闭。
如果输入天然包含截图、图表、视频或视觉反馈，Kimi K3 的原生多模态减少了前处理。它也适合评估开放权重部署，但硬件成本、Kimi K3 License 与官方托管单价是三件不同的事。
如果目标是用低价格扩大覆盖，先让 DeepSeek V4 Flash 跑大量低风险样本，再用 Pro 处理 Flash 未通过或失败代价更高的任务。工作日峰时会把价格翻倍，批处理是否能移到谷时会直接改变路线价值。
如果你现在只需要 DeepSeek family 内部的模型 ID、别名和迁移边界，继续看 DeepSeek V4 API 迁移指南。跨 provider 的默认选择，则保留这三条路线作为候选，用同任务数据做最后决定。
