摘要： 本文帮你在 DeepSeek、豆包、Kimi、通义千问四个国产大模型之间做选择，并给出一套可以自己动手的 30 道题实测方法。最重要的结论是：没有“绝对最强”的国产大模型，只有“最适合你”的那一个——先按生态和场景缩小范围，再按成本测算，最后用同一套题目亲自测一遍。网上的排行榜往往测试日期、模型版本、使用方式都不同，结论很快就会过时；自己测的结果，才对应你的任务、你的使用方式和你测试那天的模型版本。本文适合正在为个人、团队或产品选择主力大模型的职场人、创作者和开发者。需要说明的是，本文不公布我们自己的评分，只提供选型依据和测试方法。读完本文，你能按场景快速缩小选择范围，看懂四家的公开价格与能力差异，并用 30 道题和评分表在一小时内完成自己的实测。
免费配套资料：下载 国产大模型一页纸选型决策表（PDF）。
核心结论
国产大模型选型的正确顺序是：先看生态，再看成本，最后自己测；四家各有明确的优势场景，谁都不是全场景第一。
- 按生态缩小范围：文件和办公在钉钉、淘宝、高德一侧的，优先试通义千问；在抖音、飞书一侧的，优先试豆包；需要一次读很多长文件、直接产出 PPT 和表格的，优先试 Kimi；需要大量低价 API 调用的，优先试 DeepSeek 和千问的 Flash 级模型。
- 按成本测算：DeepSeek 官方价格页显示，V4.1 Flash 空闲时段每百万 token 输入 1 元、输出 4 元，高峰时段翻倍；阿里云百炼官方价格页显示，qwen3.8-flash 在北京地域输入 0.8 元、输出 2.7 元。API 用量大时，这些差距会被放大。
- 按能力特点匹配：Kimi 官方帮助中心说明，K3 模型支持 100 万 token 上下文，单个会话最多可上传 50 个文件，Agent 可直接生成文档、表格和幻灯片；豆包大模型通过火山方舟提供 API。
- 最后一定要自己测：用同一套题、同一种使用方式、同一天测试四个模型，比引用任何榜单都可靠。本文配套的 30 道题覆盖中文写作、推理与数学、信息抽取、代码、事实与时效、指令遵循与安全 6 个维度，其中 23 道可以自动评分。
背景与主要变化
2026 年的国产大模型市场，已经从“谁能用”变成“怎么选”。四家都推出了新一代模型，也都在往各自的生态里深度整合。
- DeepSeek：官方更新日志显示，V4.1 Flash 是其新架构家族中最小的模型，API 模型名为
deepseek-flash，并原生支持图像理解。 - Kimi：官方帮助中心介绍，Kimi K3 于 2026 年 7 月 16 日发布，支持原生视觉和 100 万 token 上下文，可通过 Kimi 应用、网页、Kimi Work、Kimi Code 和 API 使用。
- 豆包：火山方舟官方文档的 API 示例中，使用的是
doubao-seed-2-1-pro-260628等 Doubao Seed 系列模型；方舟的编程套餐页面还列出了 Doubao Seed 2.0 系列以及 GLM、MiniMax、Kimi、DeepSeek 等第三方模型。 - 通义千问：阿里云百炼的官方价格页已上架 qwen3.8-flash 等新一代模型；千问 App 在 2026 年接入了飞猪、高德、淘宝、支付宝等阿里生态服务。
模型越多、更新越快，排行榜就越不可靠。常见的问题有三类：
| 排行榜的常见问题 | 为什么会误导你 | 自己测怎么避免 |
|---|---|---|
| 测试日期不明 | 模型几周就更新一次，旧结论可能已失效 | 记录测试日期和模型 ID |
| 使用方式不同 | 网页版开了联网和深度思考，API 默认没有 | 四个模型用同一种方式测 |
| 题目与你无关 | 竞赛题考得好，不代表写周报写得好 | 按你的场景调整维度权重 |
| 只看总分 | 总分掩盖了你最在意的单项 | 看维度分，按场景加权 |
| 来源不透明 | 无法复现，也无法核对 | 保存每道题的原始回答 |
核心功能拆解
选型可以拆成三层：生态与入口、价格与额度、能力与特点。前两层靠公开信息就能判断，第三层必须靠测试。
第一层：生态与入口
日常使用时，“好不好用”往往取决于它能不能接进你的工作流：
| 模型 | 所属生态 | 公开信息中的特点 |
|---|---|---|
| DeepSeek | 独立 | 开源路线，API 价格低，空闲时段半价 |
| 豆包 | 字节跳动 | 火山方舟提供 API；豆包 App 衔接抖音、飞书等字节系服务 |
| Kimi | 月之暗面 | 长上下文、多文件上传，Agent 可直接生成 Office 文件 |
| 通义千问 | 阿里巴巴 | 百炼提供 API；千问 App 接入飞猪、高德、淘宝等生活服务 |
第二层：价格与额度
如果你要通过 API 把大模型接进产品或工作流，价格是硬约束。以本文核验时的官方价格为例：DeepSeek V4.1 Flash 空闲时段每百万 token 输入 1 元、输出 4 元，北京时间工作日 9 点至 12 点、14 点至 18 点为高峰，价格翻倍；千问 qwen3.8-flash 在北京地域输入 0.8 元、输出 2.7 元。豆包和 Kimi 的 API 价格请到火山方舟和 Kimi 开放平台的官方价格页查看。站内的 API 降本实测 有更详细的测算方法。
第三层：能力实测
能力差异只能靠测。我们把常见办公与开发任务拆成 6 个维度，每个维度 5 道题：
- 中文写作：电商文案、公文改写、短视频开头、意境改写、婉拒邮件；
- 推理与数学：百分比、真假话推理、鸡兔同笼、日期推算、工程问题；
- 信息抽取：合同字段、会议待办、矛盾检查、要点摘要、数据求和；
- 代码能力：回文函数、SQL、找 Bug、手机号正则、Excel 公式；
- 事实与时效：节假日、法规日期、实时信息诚实度、虚假前提识别、来源可核查；
- 指令遵循与安全：纯 JSON 输出、数量与长度约束、拒绝不当请求、语言与字数、提示注入抵抗。
其中 23 道题有明确的判定标准（标准答案、JSON 格式、字数行数、禁止词、单元测试），可以自动评分；7 道题需要人工按评分要点打分，比如写作的文采、面对实时信息时是否诚实。
适用人群与使用场景
这套选型方法适合三类人：个人用户想找一个主力助手、团队想统一 AI 工具、开发者要为产品选择 API。
以下是按场景的初步建议（编辑判断，需用测试验证）：
- 写作与自媒体：先测写作维度的 5 道题。写作风格的偏好因人而异，四家各写一遍你最常写的内容，最直接。
- 办公与文档处理：重点测信息抽取维度；需要处理大量长文件时，可以优先试 Kimi 的多文件能力。站内的 长文档拆解教程 有配套方法。
- 开发与编程：重点测代码维度，并把你项目里的真实代码片段替换进测试题；四家都提供 API 或编程套餐，成本差异要一并考虑。
- 生活服务与办事：通义千问的千问 App 接入了阿里生态的出行和购物服务，豆包也上线了出行入口，按你常用的 App 选择。
- 产品接入 API：价格、并发限制、稳定性比单次回答质量更重要，测试时同时记录耗时和失败率。
安装、配置或使用步骤
完整测试有两种方式：在网页或 App 里手动测，或用脚本调用 API 自动测。两种方式不要混用，否则结果不可比。
- 确定测试方式。普通用户用网页或 App 手动测；开发者用 API 测。四个模型统一开启或统一关闭联网、深度思考等功能。
- 准备题目。下面是 30 道题中的三道示例，题目要原样复制，不加任何额外说明：
甲说“乙在说谎”，乙说“丙在说谎”，丙说“甲和乙都在说谎”。请问谁说的是真话？请给出推理过程和最终答案。
请推荐 3 本适合程序员的书，只输出 JSON 数组，每个元素包含 title 和 reason 两个字段，不要输出任何其他文字。
已知 2026 年 10 月 1 日是星期四，请问 2026 年 12 月 25 日是星期几？
这三道题的标准答案分别是：乙；只输出合法 JSON 且包含 3 个元素；星期五。我们已用程序逐一验证过这些答案。
- 每道题新开一个对话。避免前面题目的内容影响后面的回答。
- 手动测试时记录原始回答。把每个模型的回答复制保存，后续评分和复核都要用到。
- 用 API 自动测试。配套的评测脚本只用 Python 标准库，复制
.env.example填入各平台的 Key、接口地址和模型 ID 后运行：
cp .env.example .env
set -a; . ./.env; set +a
python3 run_eval.py
python3 auto_score.py raw/
脚本会把每道题的原始回答、耗时和 token 用量保存为 raw/DS.jsonl 等文件，并生成 scores.csv。各平台的接口地址和模型 ID 以官方控制台为准，例如火山方舟官方文档给出的接口地址为 https://ark.cn-beijing.volces.com/api/v3。
- 给主观题打分。7 道主观题按 0 到 5 分打分：0 分不可用，3 分基本可用但需要修改，5 分可以直接使用。
- 填写评分表并设置场景权重。在 Excel 的“场景加权”表中调整你关心的维度权重，表格会自动算出加权得分和最适合你的模型。
- 记录测试条件。写下测试日期、模型 ID、温度参数和使用方式；建议每道题跑 2 到 3 次取平均。
实际工作流示例
以“一个 5 人内容团队选择主力 AI 助手”为例，看完整的选型流程。
第一步：缩小候选范围
团队日常用飞书协作、主要写公众号和短视频脚本、偶尔需要读行业报告。按生态与场景，候选是豆包、Kimi、DeepSeek、通义千问中的全部或其中几家。
第二步：统一方式测试 30 道题
团队成员分工，每人负责一个模型，统一用网页版、统一开启深度思考，同一天完成测试，每道题新开对话并保存原始回答。
第三步：评分与加权
客观题按标准答案判定，主观题由两人分别打分取平均。在“场景加权”表中把写作维度权重设为 3、指令遵循设为 2、其他维度设为 1，表格自动算出四个模型的加权得分。
第四步：用真实任务加测
如果前两名的加权得分差距不大，再用团队上周真实写过的 3 篇稿件需求让它们各写一遍，由团队投票决定。
第五步：小范围试用
选定后先试用一周，记录实际使用中遇到的问题，再决定是否作为团队主力工具。
需要说明的是，本文没有公布四个模型的实测分数。模型更新频繁，任何一次测试结果都只代表测试当天的版本；我们更希望你用同一套方法，得到属于你自己的、可复核的结论。
成本估算
以下为示例计算，非官方数据。用 API 测试时，30 道题 × 4 个模型共 120 次调用。假设每次平均输入 300 个 token、输出 400 个 token，每个模型约消耗 9000 个输入 token 和 12000 个输出 token。以 DeepSeek V4.1 Flash 空闲时段价格计算，约 0.009 + 0.048 ≈ 0.06 元；四个模型都使用 Flash 级模型时，整轮测试通常在 1 元以内。实际费用取决于你选用的模型档位和回答长度。手动测试不产生 API 费用，但需要约 1 到 2 小时。
对比与选型建议
如果你没有时间完整测试，可以先按下表做初步选择，再挑几道题快速验证。
| 你的情况 | 优先尝试 | 依据 |
|---|---|---|
| 预算有限、需要大量 API 调用 | DeepSeek、通义千问 | 两家都有低价 Flash 级模型，DeepSeek 闲时半价 |
| 读长合同、多份报告，直接出 PPT 和表格 | Kimi | 官方：单会话最多 50 个文件，Agent 可生成文档与幻灯片 |
| 在对话里查票、订酒店、办生活事 | 通义千问（千问 App） | 接入飞猪、高德、淘宝等阿里生态 |
| 常用抖音、飞书 | 豆包 | 字节生态衔接 |
| 写代码、做 Agent | 四家都可 | 先用代码维度 5 道题和你自己的代码验证 |
| 写文案、做自媒体 | 先测写作维度 | 风格偏好因人而异 |
几条选型建议（编辑判断，不代表官方结论）：
- 不必只选一个。很多人的最佳组合是一个日常助手加一个专项工具，比如日常用一家、长文档用另一家。
- 定期复测。模型每几个月就有大版本更新，建议每个季度用同一套题复测一次。
- 别忽视使用体验。App 的响应速度、文件上传是否方便、历史记录管理，往往比模型本身的细微差异更影响日常效率。
本文配套提供两份资料：免费的《国产大模型一页纸选型决策表》，按需求列出优先尝试的模型和依据，文末链接 AI Stack Nav 智能选型器；以及付费的 30 项测试题集与评测工具，包含 Excel 评分工作簿、一键调用四个模型的评测脚本、自动评分脚本和打印版题目，读者可以自己复测并保存原始评测数据。
风险、限制与注意事项
自己做评测，最大的风险不是测错，而是用不公平的方式得出看似可靠的结论。
测试条件不一致。 网页版和 API、开启和关闭联网或深度思考，表现差异可能很大。四个模型必须用同一种方式测试，否则结论没有意义。
结果有时效性。 模型持续更新，今天的结论下个月可能就不成立。公开分享测试结果时，务必注明测试日期、模型版本和测试方法。
样本量有限。 30 道题能反映大致特点，但不能代表所有场景。对你最重要的任务，要用真实工作内容补充测试。
API Key 安全。 评测脚本需要填入各平台的 API Key，Key 只放在本地的 .env 文件中，不要提交到代码仓库或分享给他人，并在平台控制台设置用量上限。
运行模型生成的代码有风险。 自动评分脚本可以选择执行模型生成的代码做单元测试，这一功能默认关闭，开启时请只在虚拟机或容器中运行。
不要上传敏感数据。 测试时使用题集中的虚构材料，不要用公司真实合同、客户信息做测试。
平台规则与费用。 API 调用会产生费用；部分平台的编程套餐额度只能在编程工具中使用，火山方舟官方文档明确提示，在非编程工具中使用编程套餐的接口地址和 Key 可能被识别为违规。做通用评测时请使用常规 API。
价格与功能会变。 本文引用的价格和功能以核验日为准，使用前请到各家官方页面确认。
事实依据与来源
本文信息按可信度分级如下：
- 官方已确认：DeepSeek V4.1 Flash 的模型名、峰谷价格与高峰时段，来自 DeepSeek 官方价格页与更新日志；qwen3.8-flash 北京地域价格，来自阿里云百炼官方价格页；Kimi K3 的发布日期、100 万 token 上下文、使用渠道，以及单会话 50 个文件、Agent 生成文档与幻灯片，来自 Kimi 官方帮助中心；火山方舟的接口地址、Doubao Seed 系列模型 ID 示例、编程套餐支持的模型与使用限制，来自火山方舟官方文档。
- 媒体报道：千问 App 接入飞猪、高德、淘宝、支付宝等生态服务，豆包上线出行入口，来自新浪科技、21 财经等报道。
- 本站验证：30 道题中客观题的标准答案已用程序逐一验证；评测脚本与自动评分逻辑已在本地模拟环境中测试，包括答错、多余文字、正则过宽、代码不通过等反例。
- 编辑判断：选型三层结构、场景建议、维度划分与权重示例，为本站编辑整理，不代表官方结论。本文未公布四个模型的实测分数，配套资料包也不含预填的真实评分。
- 示例计算：测试成本估算为示例计算，非官方数据。
内容核验日期为 2026 年 10 月 1 日。
FAQ
国产大模型哪个最好？
没有绝对最好的，只有最适合你的。四家各有优势场景，建议先按生态和成本缩小范围，再用同一套题目自己测试。
为什么不直接看排行榜？
因为排行榜的测试条件往往和你不同。测试日期、模型版本、是否联网、题目类型都会影响结果；自己测的结论才对应你的使用方式。
不会编程能自己测吗？
可以。用打印版题目在网页或 App 中逐题提问，按评分要点打分，填入 Excel 评分表即可，无需运行任何脚本。
用 API 测试要花多少钱？
通常很少。按示例计算，30 道题测四个 Flash 级模型，整轮费用一般在 1 元以内；选用更高档位的模型时费用会相应增加。
网页版和 API 的结果一样吗？
不一定一样。网页版可能默认开启联网、深度思考或有不同的系统设定，API 通常没有；对比时四个模型要用同一种方式。
测试结果能公开发布吗？
可以，但要注明条件。公开时写清测试日期、模型 ID、使用方式和题目来源，方便他人复核，也避免以偏概全。
一页纸选型表和智能选型器在哪里？
在本文配套的免费资料中。选型表为一页 PDF，按需求列出优先尝试的模型和依据，底部可点击进入 AI Stack Nav 智能选型器。
参考来源
- DeepSeek API 文档：模型与价格
- 阿里云百炼：模型调用价格
- Kimi 帮助中心：Kimi Agent 概览
- Kimi 帮助中心：Kimi 概览
- 火山方舟：产品简介
- 火山方舟：编程套餐概览
- 新浪科技：千问 App 接入飞猪
内容核验日期：2026 年 10 月 01 日
配套测试题集与评测工具
国产大模型 30 项测试题集 + 评测工具（¥29）：包含 6 个维度的测试题、Excel 评分工作簿、自动评测脚本和题目打印版。
工具选型与提示词资料
适合阅读工具评测、工具推荐、对比测评类文章后继续转化。
