内容编辑丨特工小海 特工小天
内容审核丨特工少女
Kimi K3 发布十天后，AI 原生云服务商 Together AI 公布了一份独立评测报告。
https://www.together.ai/blog/kimi-k3-vs-gpt-5-6-sol-on-deepswe-cost-coding-and-routing
报告的结论出人意料：如果你的 Coding Agent 还在按榜单选模型——Together AI 这份独立评测可能会让你改默认配置。
如果单看「一次就写对代码」，GPT-5.6 Sol 确实领先；但 Together AI 多问了一个问题：如果允许模型多次尝试呢？
答案立刻反转：Kimi K3 在 DeepSWE-pass@2 上以 82.0% 反超 Sol 的 81.0%，到 DeepSWE-pass@4 时差距拉大到 89.4% 对 85.8%。
最终的结论就是：如果比一次定胜负，GPT-5.6 Sol 赢；如果在允许 2-4 次重试的 Agent 架构里，Kimi K3 的天花板更高，并且价格更低。
下面来拆开看这份报告的具体数据。
一次调用，GPT-5.6 Sol 哪里强？
在展开对比之前，有必要解释一下为什么 Together AI 选择了 DeepSWE 作为评测基准：
DeepSWE 是今年五月发布的，继 SWE-bench 之后出现的新一代编程评测。近几个月，包括 OpenAI、Anthropic 在内的多家厂商在模型发布时，都优先引用了 DeepSWE 成绩作为编程能力的证明。
它和 SWE-bench Pro 的区别在于两点：
第一，提示长度约为 SWE-bench 的一半，但解决方案需要的代码量是后者的 5.5 倍。这意味着模型不能靠读懂长 Prompt 提取线索来取巧，必须真正自己思考和理解问题，并生成大量有效代码。
第二，所有任务和评估指标都是从零开始编写的，模型在预训练阶段不可能见过相同的题目。
这两个特性让 DeepSWE 成为当前最难刷分的编程评测之一。
理解了评测方法，再看 Together AI 本次试验的具体方法和数据：实验一共有 904 条执行记录，覆盖 113 个任务，每个任务 4 次独立尝试，两个模型都使用了最大推理强度。
如果只看单轮测试的效果，GPT-5.6 Sol 的整体优势如下：
1. 在单次尝试的场景下，Sol 确实更强。pass@1 达到 72.7%，领先 Kimi K3 约 4 个百分点。72.7% 的 pass@1 意味着它在接近四分之三的任务上，第一次就能给出正确答案。
2. 稳定性上 Sol 的优势更明显。在 4 次尝试中全部成功的任务数，Sol 有 61 个，Kimi K3 只有 45 个。换句话说，Sol 在更多任务上能稳定复现成功：它的可靠性评分达到 84.5%，Kimi K3 为 76.6%。
3. Sol 在速度方面的领先也很明显。Sol 的中位执行时间是 17 分钟，Kimi K3 需要 66 分钟（基于 7 月 25 日 Moonshot 的 Kimi K3 API 数据）。
4. Sol 的整体 Token 消耗更少。Sol 完成任务所需的步骤数大约少了 40%，因此同一个任务，消耗更少。
如果你的场景是一次定胜负、对延迟敏感、预算充足的用户，Sol 是更稳妥的选择。
为什么 K3 适合 Agent 场景
但现实中的编程 Agent 很少是「一次定胜负」的。
pass@1 衡量的是一次命中率，pass@k 衡量的是 k 次尝试内至少成功一次的概率。对带有重试机制的 Agent 来说，pass@k 更接近真实表现：
实际的 Coding Agent 本来就会重试多次，pass@k 更高意味着实际成功率更高。
Kimi K3 在 pass@2 上就已经反超，82.0% 对 81.0%。到 pass@4 时差距拉大到 89.4% 对 85.8%。
与此同时，Kimi K3 每次部署成本为 4.65 美元，Sol 为 8.37 美元。换算下来，每花 100 美元，Kimi K3 能解决 14.7 个任务，Sol 只能解决 5.3 个。每美元解题效率， K3 领先 Sol 约 2.8 倍。
报告中对失败模式的分析，解释了这种差异的来源：
1. Kimi K3 有 65% 的失败案例属于差一点就成功的类型。
即超过 80% 的测试用例都通过了，只卡在小细节上。这类错误在重试时更容易被修正，因为模型已经掌握了问题的主体逻辑。
2. Sol 的失败模式则不同，它是真不会。
它在 20% 的失败案例中会破坏代码库原有的测试，这个比例在 GPT 系列模型中比较一致。更关键的是，Sol 一旦第一次失败，后续重试的改善幅度有限。
在多轮对话中，即使提供了报错信息，Sol 也倾向于在同一个方向上反复修补，缺乏跳出当前思路的能力。报告将此归因为采样多样性不足。
最优解：Kimi K3 优先，Sol 兜底
Together AI 在报告中，提出了一个可直接落地的工程建议：
如果任务只能调用一次，使用 Sol 更可靠。如果允许重试，又有测试套件把关，使用 Kimi K3 具有极高的覆盖率和成本优势。
因此对多数 coding agent 团队而言，目前更合理的答案是：让 Kimi 先处理大部分任务，再让 Sol 接手那些没有通过验证的部分。
具体来说，研究团队发现两个模型的成功/失败分布相关性只有 0.46：这意味着它们不是「谁强谁弱」的关系，而是互补关系，它们擅长和不擅长的题目有明显区别。
基于这个发现，Together AI 提出了一种级联路由策略：先运行 Kimi K3，如果测试套件拒绝了结果，再升级到 Sol。这个策略的准确率达到约 85.6%，覆盖 113 个任务中的 108 个。
85.6% 不仅高于任何单一模型的 pass@1，还超过了“完美路由器”的理论上限 83.4%。
所谓完美路由器，是指假设你能提前 100% 准确地判断每道题该交给哪个模型，但每题只调用一次。级联策略之所以能突破这个上限，是因为它给困难任务提供了两次独立尝试的机会。
从成本角度看，这个策略也合理：
Kimi K3 能在第一轮清掉大约 70% 的任务队列，只有剩下的难题才需要调用更贵的 Sol。每个任务的平均成本约为 7.30 美元，低于直接全部使用 Sol 的 8.37 美元，但准确率高出近 13 个百分点。
当然，这个策略有一个前提条件：你需要有验证器，也就是测试套件，来判断第一轮的结果是否正确。没有验证器的情况下，现实中的路由器准确率会落在 70 多分的区间。
在具体的任务分配上，Together AI 也给出了参考：
1. 序列化处理（92 对 79）、并发处理（72 对 55）和程序分析（64 对 56）更适合交给 Sol。
2. 操作工具相关任务（79 对 73）和运行时相关任务（77 对 75）则更适合选择 Kimi K3。
3. 合规性方面两者基本打平，61 对 59。
国产模型的七月：从追赶者到搅局者
以上是纯技术层面的对比。但这份报告发布的时间点，恰好撞上了中国 AI 行业的一个敏感节点。
7 月，海外模型的合规风险集中爆发：
Anthropic 不仅试图垄断旗下 Fable5 模型，还指控阿里巴巴蒸馏 Claude，随后 Anthropic 被曝出在 Claude Code 中对中国用户做了隐式标记，紧接着工信部迅速发布 Claude Code 安全风险提示，阿里全面禁用 Claude 全系产品。
依赖海外闭源 API 的技术路线，合规风险骤然上升。
但国产模型的回应速度超出预期：在技术封锁和信任危机并行的 72 小时内，Kimi K3、Qwen3.8-Max 相继发布，国产开源模型首次在多项评测中进入全球前三。
从 Together AI 这份报告看，至少在编程 Agent 场景下，Kimi K3 已经是全球最优选项之一，而不只是海外模型的平替。这也意味着，国产模型不再是「追赶」，而是第一次真正意义上达到了全球第一梯队水平。
于是紧接着，国产模型带来的能力和价格压力，迅速传导到了大洋彼岸：
7 月最后一天，OpenAI 对上线仅三周的 GPT-5.6 Luna 实施了 80% 的降价——这是 OpenAI 历史上最大幅度的单次价格调整。
同一天，DeepSeek-V4-flash 正式版发布，以最高性价比的表现再次惊艳全球。与此同时，Gemini 3.5 Pro 在 Arena 平台上线不到 30 分钟后撤回。
与此同时，海内外模型厂商竞争的焦点正在转移：
当模型被嵌入 Agent 工作流后，单次推理成本不再是唯一指标，多轮调用的总成本和成功率才是关键。这恰好是国产模型目前的优势区间。
更重要的是，这只是开始。
8 月，智谱据传即将释放 GLM 最新模型（网传名为 GLM-5.5），对标 Fable5。创始人唐杰用「史诗级 plus」来描述这次升级。同时，智谱整体开放了限购并调高了 GLM 的套餐额度，似乎在为新模型上线做准备，也体现出对这次发布的自信。
此外，DeepSeek-V4-Pro 正式版预计 8 月初跟进。预计 9 月，MiniMax 的 3 万亿级别参数 M3 Pro 也将发布。
如果这些模型的编程能力也达到类似水平，Together AI 报告中提出的级联路由策略将有更多组合可能。
当 Anthropic 和 OpenAI 还在争论谁是世界第一模型的时候，中国已经在量产第一梯队了。
恭喜 Kimi K3 的优秀表现，以及期待本月即将发布的 GLM 新模型能否再度引爆全球。
