摘要

本报告对 Kimi K3、DeepSeek-V4-Pro、GPT-5.6 Sol 与 Claude Fable 5 进行证据综合比较。研究以厂商官方文档、模型卡、技术报告、API 定价与隐私条款为第一层证据，以 Artificial Analysis 等具备公开方法的第三方评测为第二层证据，并将厂商自测、不同代理框架和不同推理预算的结果分开解释。研究发现：GPT-5.6 Sol 与 Claude Fable 5 在现有综合证据中构成能力第一梯队，但两者差距小于评测误差和任务差异，不能据此认定存在普适冠军；GPT-5.6 Sol 在工程生态、工具编排、文档与表格工作、成本效率方面更均衡，Claude Fable 5 在长程代理、复杂研究与写作质量方面更具优势倾向。Kimi K3 是目前值得重点关注的开放权重前沿模型，中文、原生多模态、长上下文和代理能力突出，但发布时间短、许可证包含商业附加条件，稳定性和合规结论仍需更多时间验证。DeepSeek-V4-Pro 的价格优势非常显著，但它仍被官方标注为 Preview，且 2026 年 7 月 31 日发布的 V4-Flash-0731 已在官方列出的多项代理基准中超过 V4-Pro，因此不宜将 V4-Pro直接视为 DeepSeek 当前最成熟的默认模型。报告最终给出按任务路由的多模型组合方案，并提供一套可复现的统一实测协议。

关键词：大语言模型评测；AI Agent；软件工程；长上下文；模型路由；API 成本；数据安全

证据标签：【事实】官方可核验信息；【厂商结果】厂商在特定设置下报告的成绩；【第三方结果】独立机构特定版本与设置的结果；【分析判断】本报告基于证据的推论；【证据不足】尚不能可靠下结论。

研究准备与核验

A. 型号核验结果

【结论】四个名称均为真实官方型号，但发布阶段、开放程度、代理框架和数据保留条件并不对称。若忽略这些差异，任何总排名都会产生误导。

B. 研究计划

1. 先核对型号、版本、上下文、模态、推理模式、开放许可证和官方可用状态。

2. 分别整理厂商自测与第三方结果，检查推理预算、工具权限、代理框架、版本号和发布日期。

3. 将能力评价拆为推理、编程、Agent、长上下文、中文、写作、研究、多模态、数据分析、稳定性与效率等维度。

4. 基于公开价格建立统一 Token 成本模型；对无法获得失败率和重试率的数据，不虚构“实际成本”。

5. 最后给出场景化选型、模型组合、风险条件和可复现实测协议，并进行独立自查。

C. 信息来源清单

主要证据来源包括：Moonshot/Kimi 开放平台、Kimi K3 GitHub 与技术报告；DeepSeek 官方 API 文档、Hugging Face 模型卡与隐私政策；OpenAI 模型文档、GPT-5.6 发布页、API 定价与企业隐私政策；Anthropic 模型、定价、迁移、上下文和数据保留文档；Artificial Analysis 的 Intelligence Index、速度、成本和 AA-Briefcase 等公开评测。参考资料详见第 41 节。

D. 测试方案

本报告没有跨四家 API 的同环境调用权限，因此未声称完成受控统一实验。第 10 节与附录 A 给出 76 项统一测试协议，包括复杂推理、数学、编程、多文件工程、工具调用、长上下文、双语写作、事实核查、错误前提、多模态、数据分析、研究与项目规划。执行时应固定版本、推理强度、工具权限、温度、重试次数和评分器。

E. 评分标准

用户给定的 19 项权重合计为 102 分。为避免总分失真，本报告保持各项相对比例并归一化到 100 分。评分为“证据综合决策分”，融合官方规格、第三方评测、产品成熟度、成本、生态和风险，不等同于统一实验正确率。

F. 当前无法获得或无法公平比较的数据

• 四模型在同一 API 地区、同一时间、相同硬件与相同网络下的首字延迟、吞吐、错误率和峰值稳定性。

• 四模型以完全相同代理框架执行同一代码库任务的真实成功率；Codex、Claude Code、Kimi Code 与 DeepSeek Harness 会显著改变结果。

• 一致的 1M 长上下文中英文联合测试、统一多模态测试和三次以上重复实验。

• 厂商未公开的总参数、激活参数、训练数据或知识截止日期；报告一律标记“官方未公开”。

• 在缺乏受控失败率与重试率时的精确“每个成功任务成本”；报告仅提供理论单次成本和敏感性范围。

1. 报告标题

《前沿大语言模型横向评估：Kimi K3、DeepSeek-V4-Pro、GPT-5.6 Sol 与 Claude Fable 5——基于官方文档、模型卡、独立基准与成本建模的证据综合研究》。

2. 研究日期与版本说明

本报告资料与价格查询截至 2026 年 8 月 2 日 23:30（UTC+8）。模型更新速度很快，尤其 Kimi K3 发布仅数日、DeepSeek-V4-Pro 仍是 Preview，任何结论都应与具体日期绑定。GPT-5.6 Sol 于 2026 年 7 月 9 日正式发布；Claude Fable 5 自 2026 年 6 月 9 日起一般可用；DeepSeek-V4-Pro 于 2026 年 4 月 24 日以 Preview 形式发布；Kimi K3 权重与技术报告于 2026 年 7 月 27 日公开。[1][4][8][11]

版本区分：GPT-5.6 的 Sol、Terra、Luna 是不同成本与能力档位，本报告只评 Sol；Claude Fable 5 与 Opus 5 是不同型号，本报告不以更便宜的 Opus 5 成绩替换 Fable；DeepSeek-V4-Flash-0731 仅用于说明 V4-Pro 的当前产品位置变化，不作为第五个主评对象。

3. 执行摘要

决策原则不是寻找单一“最强”，而是按任务复杂度、可验证性、成本、数据敏感度和代理框架进行路由。

4. 核心结论

• 【高置信度】四模型都支持约 1M 上下文；但“标称窗口相同”不代表有效检索、长链推理或成本相同。

• 【中高置信度】第三方 Intelligence Index v4.1 为 Fable 5 约 60、GPT-5.6 Sol 约 59、Kimi K3 约 57、DeepSeek-V4-Pro 约 44；1-3 分差距不应解释为绝对能力等级差。[16][17][18]

• 【高置信度】DeepSeek-V4-Pro 的标准 API 单价最低；但其 Preview 状态和当前代理基准位置降低了其作为关键生产主模型的确定性。[4][6]

• 【中等置信度】GPT-5.6 Sol 是最均衡的工程默认选项；Claude Fable 5 更偏向昂贵的长程高难任务；Kimi K3 更适合中文、开放权重和可控部署。

• 【证据不足】无法可靠断言哪一款“幻觉最低”“1M 上下文最稳”或“任何地区都最快”，因为缺少统一版本、统一工具和多次重复实验。

图 1　Artificial Analysis Intelligence Index v4.1 快照。第三方分数受版本、推理设置与评测方法影响。

5. 四款模型一句话定位

6. 基础参数总表

注：Kimi 官方仓库的文字说明包含视频理解，而模型摘要表将 Modality 列为 Text、Image；报告据此将视频标为“API/说明支持，但需工程验证”，避免把产品预处理能力与基础模型原生能力完全等同。[2][3]

7. 产品形态与型号差异

Kimi K3 的 API、Kimi 产品和本地开放权重部署不是同一系统：网页产品可能附带搜索、文件、代码执行和记忆；本地权重则取决于用户自建代理框架。DeepSeek 同样存在 chat.deepseek.com、官方 API、Hugging Face 权重和第三方推理服务差异。OpenAI 的 ChatGPT Work/Codex 与基础 API 模型拥有不同系统指令和工具；Claude API、Claude Code、Bedrock、Google Cloud 与 Microsoft Foundry 的托管边界也不同。

比较时必须把“基础模型能力”“官方代理产品能力”“第三方代理框架能力”分离。尤其编程榜单中，Codex、Claude Code、Kimi Code、Terminus 或 DeepSeek Harness 会改变上下文整理、补丁格式、测试循环和工具恢复机制，排名可能随框架改变。

DeepSeek 的当前产品位置需要单独说明：V4-Pro 仍是 Preview，而 7 月 31 日发布的 V4-Flash-0731 已在官方公布的 TerminalBench 2.1、NL2Repo、DeepSWE、Toolathlon、Agents’ Last Exam 等多项代理测试中超过 V4-Pro。因此，本报告评 V4-Pro，但不把它写成 DeepSeek 当前无条件首选。[6]

8. 官方基准测试整理

厂商基准的价值在于说明模型设计目标与可达到的上限，但不能直接作为市场排名。需要检查评测日期、推理强度、是否使用工具、代理框架、重复次数以及竞品是否使用同等配置。

9. 第三方评测整理

第三方评测比厂商自测更接近中立，但仍不是“真理”。同一模型在不同 reasoning effort、provider、fallback 与 harness 下可以表现不同；评测集迭代也会使历史分数不可直接与当前分数拼接。

10. 统一实测方法

统一实测应采用“同任务、同输入、同工具、同预算、同重试、同评分”的最小可比设计。建议使用 API 固定快照而非网页端，记录请求 ID、模型 ID、参数、系统提示、工具调用、输入输出 Token、思考 Token、延迟、总费用和错误日志。

11. 统一实测结果

【未执行声明】本报告没有获得四家模型在同一受控环境的 API 调用权限，因此不能诚实地填充“本次统一实测成绩”。本节只给出公开证据的可比部分和缺口，完整任务清单见附录 A。

12. 综合推理能力比较

综合推理方面，Fable 5 与 GPT-5.6 Sol 的现有证据最强，Kimi K3 接近，DeepSeek-V4-Pro 仍具较强能力但与前三者存在可见差距。AA v4.1 的 60、59、57、44 仅是一个综合快照；Fable 与 GPT 的 1 分差距远小于任务选择、推理预算和重复采样可能造成的变化。[16][17][18]

GPT 的优势更偏向受工具支持的专业工作、计算机操作、结构化知识产出和工程执行；Fable 更偏向长链分析、复杂约束、研究与长程代理。Kimi 的报告显示其在 AA-LCR、长程 Agent 与开放权重模型中表现突出，但其自身技术报告明确承认总体仍落后最强闭源模型，这一自我限定提升了结论可信度。[3]

DeepSeek-Pro 的纯知识与数学能力不应因 Agent 榜单下降而被全盘否定；但用于“长期自主执行”的推荐必须降低置信度，因为同厂新 Flash 已在多项 Agent 基准上超过它。

13. 数学能力比较

数学能力不能只看单一竞赛分。应区分无工具推理、代码/计算器辅助、证明严谨性、单位与数值误差、以及模型是否主动复核。OpenAI 官方发布页显示 Sol 在 GPQA 与 FrontierMath 多档上具强竞争力；Fable 在 FrontierMath Tier 4 的厂商对照中更高，但来源仍来自 OpenAI 页面，应视为“厂商提供的竞品结果”，不等于独立复现实验。[8]

证据综合倾向：Fable 5 与 GPT-5.6 Sol 第一梯队；Kimi K3 接近且在中文数学解释中可能更自然；DeepSeek-V4-Pro 仍具性价比，但复杂证明和长链一致性需要单独实测。高风险工程计算必须让模型输出可复现代码，并由确定性工具核算。

14. 编程与软件工程能力比较

软件工程需要评“仓库理解—修改范围—运行测试—失败恢复—最终可合并性”，而非只看代码片段。GPT-5.6 Sol 结合 Codex 的当前公开证据、工具生态和结构化输出更适合作为生产默认主模型。Fable 5 对长程 Agent 和复杂代码审查有明显优势倾向，但成本高且某些评测存在 fallback。Kimi K3 在 Kimi Code 与开放权重场景中非常有竞争力，适合希望自托管、深度定制或中文工程协作的团队。

DeepSeek-V4-Pro 的问题不是“不会写代码”，而是版本定位：它仍为 Preview，且 Flash-0731 在官方列出的 TerminalBench 2.1 为 82.7 对 72.1、DeepSWE 为 54.4 对 12.8、NL2Repo 为 54.2 对 38.5。因此，选择 DeepSeek 做 Coding Agent 时，应先重新比较 Flash-0731，而不是机械坚持 Pro。[6]

15. Agent 与工具调用能力比较

Agent 能力高度依赖模型之外的系统：工具 schema、上下文压缩、并发调度、重试、补丁应用、沙箱、权限和观察日志。Fable 5 的官方定位就是长程代理，GPT-5.6 Responses 提供程序化工具调用与多 Agent，Kimi K3 支持动态工具加载并针对长程执行训练；三者都有第一梯队倾向。

风险侧：Kimi 官方文档提醒可能出现重复调用同一工具的情况，工程上应做去重、调用上限与幂等保护；Fable 5 始终思考且可能触发安全 fallback；GPT 的高级工具可能增加单次调用之外的费用；DeepSeek Pro 暂不支持 Responses API 和 Codex 集成，官方预计 2026 年 8 月初补充支持。[1][5]

长期 Agent 推荐不应只看模型聪明程度。必须比较：首次任务成功率、每成功任务总 Token、工具误调用率、人工接管次数、失败后能否恢复、以及连续数十分钟后是否偏离目标。

16. 指令遵循能力比较

GPT-5.6 Sol 与 Fable 5 在复杂格式、层级约束和局部修改上表现最可靠的倾向；Kimi K3 中文指令理解很强，但发布初期应测试长任务中的约束保持；DeepSeek-Pro 对常规结构化要求支持良好，但 Preview 与不同兼容 API 映射可能产生边缘差异。

测试时应加入“禁止修改无关文件”“只返回 JSON”“字数上限”“条件分支”“早期约束保持”和“错误前提纠正”。模型在一次回答中满足格式并不代表长期会话仍能保持规则。

17. 长上下文能力比较

四者标称上下文均约 1M，但成本与机制不同：Kimi 与 Fable 不按长上下文分段加价；GPT 输入超过 272K 时，整请求输入价格 2 倍、输出 1.5 倍；DeepSeek 标价低且采用压缩注意力架构。标称窗口只说明请求可被接受，不说明中部信息召回、跨段推理和指令保持。

现有官方结果显示 GPT Sol 在 MRCR 512K-1M、GraphWalks 1M 上保持较强表现，Anthropic Fable 的 1M 是默认窗口，Kimi 的架构和训练专门面向百万上下文，DeepSeek 的 CSA/HCA 强调推理成本下降。但没有一套独立、同语言、同针分布的四模型共同实验，故本报告不宣布长上下文冠军。

工程建议：把 1M 视为“上限容量”，而不是默认把整个知识库塞入一次请求。应优先采用检索、分层摘要、缓存、结构化索引和引用定位。

18. 中文能力比较

中文能力的评估应包含本地平台语境、含蓄指令、网络语言、专业中文、长文结构和中英混合代码需求。Kimi K3 与 DeepSeek 具有训练和产品语境优势；其中 Kimi 更适合中文长文、研究整理、视觉材料和 Agent 工作。

但“国产模型中文更好”不能外推为数学、工程、事实或复杂 Agent 全面领先。GPT 与 Fable 的中文已经处于高水平，在跨语言研究、英文技术文档和国际生态上更强。结论置信度为中等，因为尚缺少四模型共同、匿名、多人评审的中文基准。

19. 英文及多语言能力比较

英文技术、学术、商务和跨语言检索方面，GPT-5.6 Sol 与 Fable 5 更稳健；Fable 的长篇英文写作与论证自然度倾向较高，GPT 在技术输出、结构化文档、多语言工具调用方面更均衡。Kimi K3 英文能力已接近前沿，DeepSeek-Pro 足以覆盖大多数技术场景，但低资源语言与复杂歧义翻译仍需实测。

推荐采用“双向回译+术语表+原文引用”机制验证专业翻译，不把任何模型的流畅输出等同于准确。

20. 写作与内容创作能力比较

写作质量包含结构、信息密度、语气、细节、非模板化、局部编辑控制和长篇一致性。证据综合倾向为 Fable 5 第一、GPT Sol 紧随、Kimi K3 在中文写作中特别强、DeepSeek-Pro 更适合成本敏感初稿。该排序主观性较高，置信度仅中等。

Fable 更擅长保持论证与叙事语气，GPT 更擅长把素材转为可交付的文档、表格和演示结构，Kimi 更易贴近中文网络与本地阅读节奏。实际选型应使用用户自己的 10-20 个历史文本进行盲评，而不是依赖通用印象。

21. 学术研究能力比较

学术研究能力必须把搜索能力、来源质量、引用准确性、统计解释、研究设计和不确定性表达分开。GPT 与 Fable 适合作为高难研究主模型，Kimi 适合中文资料、长文档与开放部署，DeepSeek 适合低成本批量文献初筛。

任何模型都可能虚构 DOI、误读摘要或把厂商新闻当论文。合格工作流应要求：优先原始论文；逐条核对作者、题名、年份和 DOI；引用必须能打开；关键结论至少双源交叉验证；统计结果用代码复算。

22. 事实准确性与幻觉比较

现有综合榜单支持 GPT/Fable 在知识与事实可靠性上更强的倾向，但不足以断言某一款“幻觉最低”。幻觉率受题目领域、是否联网、是否允许拒答、提示方式和评分标准显著影响。DeepSeek 历史 AA Omniscience 结果偏弱，但那是特定版本与指标，不应直接外推所有事实任务。

最佳控制方法不是相信某个品牌，而是设计证据链：强制引用、打开来源、验证引用是否支持正文、对不存在实体设置陷阱题、对高风险结论进行第二模型反证。

23. 联网搜索能力比较

联网搜索首先是产品与工具能力，而非基础模型权重本身。Kimi、OpenAI 与 Anthropic 均提供搜索/网页/文件工具，DeepSeek 可通过外部 Agent 框架接入。评价时应记录搜索引擎、结果数量、PDF 是否真正读取、是否只使用摘要、引用和正文是否匹配。

GPT 的官方工具生态、程序化工具调用和文件/搜索接口最完整；Kimi 官方工具在中文资料与低门槛集成上便利；Claude 的研究与工具使用能力强；DeepSeek 的兼容性利于接入现有框架，但 Pro 当前 Responses 支持仍不完整。

24. 多模态能力比较

多模态测试必须关注数字读取、局部细节、空间关系、多图对应和“图中不存在内容”的幻觉。PDF 文本抽取与页面视觉理解应分开测试。

25. 数据分析能力比较

GPT-5.6 Sol 在代码执行、结构化输出、表格/文档生成和工具编排方面最均衡；Fable 5 适合复杂分析与解释；Kimi K3 适合中文 Excel/CSV 与长文档；DeepSeek-Pro 可作为成本敏感的数据清洗与 SQL 辅助模型。

数据分析的主要风险是看错列、忽略单位、错误连接、把相关性当因果和生成与数据不一致的叙述。所有模型都应输出可复现代码、数据版本、随机种子和检查总数。

26. 专业领域能力比较

专业能力强不代表可以无监督给出最终决策。医学、法律、金融和安全相关结论必须由持证专业人士或组织负责人确认。

27. 对话体验比较

对话协作体验受产品层系统提示、记忆、界面、工具和安全政策影响。GPT 的优势是跨文档交付与生态；Fable 的优势是长篇、深思与自然表达；Kimi 的优势是中文语感与本地工具；DeepSeek 的优势是低成本和简洁接入。

用户应重点评估：是否重复已知信息、是否擅自扩大任务、是否接受纠正、是否能精确局部修改、是否在复杂任务中给出真实进度、以及失败时是否坦诚。

28. 稳定性与响应速度比较

“最快”必须分为首字延迟、稳定吞吐和总任务完成时间。DeepSeek 在该第三方端点的首字最短，GPT/Fable 的 max 输出吞吐更高；但 max 档的首字时间不代表日常 medium/low 体验。地区、提供商和负载会改变结果。

29. API 价格与真实任务成本

以下价格是截至报告日期的官方标准 API 价格。美元模型按 1 USD≈6.79 CNY 作为分析假设折算，不代表付款机构实时汇率；不含税、区域加价、工具费、文件费、搜索费、重试与第三方平台加价。

图 2　标准 API 输入/输出单价对比。纵轴采用对数尺度。

这些是“单次理论 Token 成本”，不等于“实际成功任务成本”。若低价模型需要更多输出、重试或人工修复，实际差距会缩小；若提示前缀缓存命中率高，DeepSeek、Kimi、GPT 和 Claude 的实际成本也会显著下降。

30. Token 效率比较

Token 效率应以完成任务所需总 Token、重试次数和人工介入衡量。OpenAI 官方强调 GPT-5.6 用更少输出完成代理任务，AA 也显示其与 Fable 接近的综合能力但每任务成本更低；这些结果支持“GPT 的单位成功任务成本可能优于静态单价印象”，但仍需企业自己的真实任务日志验证。[8][19]

Fable 单价高，但若它在最困难任务上减少多轮返工，仍可能经济；Kimi 的优势是能力接近闭源前沿且价格较低；DeepSeek 的静态单价最低，但 Pro 的 Preview 状态和当前代理成功率可能增加隐性成本。

31. 部署、生态与兼容性

对大型组织而言，生态质量往往比单点基准更重要：日志、权限、模型快照、SLA、区域推理、审计、密钥轮换、成本配额和故障回退决定可运营性。

32. 隐私、数据安全与企业能力

“开放权重”不自动等于安全：自托管仍需访问控制、日志脱敏、权重供应链验证、沙箱隔离和输出审计。Kimi K3 许可证不是无条件 MIT；面向 MaaS 和大型商业产品存在额外协议或品牌展示要求。[2][20]

33. 安全限制与可用性边界

安全限制应评估误拒绝、危险内容拦截和替代方案质量，不能把“拒绝少”直接解释为更强。Fable 5 的迁移文档特别提示安全分类器与 fallback；OpenAI 对高能力网络安全采用分级访问；Kimi 与 DeepSeek 也有各自内容治理和地区规则。

对于正常工程任务，应实测：安全审计、漏洞修复、合法逆向、医疗健康解释、政治历史研究、人物图像编辑等是否产生误拒绝。企业应预设模型回退和人工审批，而非绕过安全机制。

34. 综合评分表

下表为本报告的“证据综合决策分”。它不是统一实验正确率；分值包含模型能力、成熟度、成本、生态和数据治理，且对新模型与 Preview 给予更宽不确定区间。

图 3　证据综合决策分。GPT 与 Fable 的区间重叠，不能据此宣称普适领先。

35. 各专项排名

36. 不同用户与任务的选择建议

37. 多模型组合方案

对工程型用户，推荐默认采用“任务路由 + 独立验证”而不是全量依赖单模型。模型路由应由任务标签、数据敏感度、上下文长度、预算和历史成功率共同决定。

38. 四款模型的主要缺点

39. 结论可能发生变化的条件

• DeepSeek 将 V4-Pro 从 Preview 转为正式版，或更新 Pro 使其重新超过 Flash-0731。

• Kimi K3 获得数月生产稳定性、更多独立多模态与中文盲评，或许可证与企业条款调整。

• OpenAI、Anthropic、Moonshot、DeepSeek 调整价格、缓存、长上下文政策或模型路由。

• Artificial Analysis、SWE/Agent 榜单更新版本，改变模型分数和 harness。

• Fable 5 的 fallback、数据留存、模型可用性或与 Opus 5 的产品定位变化。

• 用户自己的真实任务成功率与公开平均值明显不同。

40. 研究局限

第一，本报告是证据综合研究，不是四模型受控实验。第二，模型迭代速度使部分第三方分数在数周内发生变化。第三，写作、中文自然度和协作体验存在主观判断。第四，价格模型未计入所有工具、搜索、区域、税费、限速和重试。第五，隐私政策适用范围可能因产品、地区、合同和云平台不同。

因此，总分应作为形成测试假设的工具，而不是采购合同的唯一依据。最终选型应在用户自己的代码库、文档、数据和安全约束上执行附录 A 的受控测试。

41. 参考资料

[1] Kimi K3 Quickstart / API 文档. https://platform.kimi.com/docs/guide/kimi-k3-quickstart

[2] MoonshotAI, Kimi-K3 GitHub 与模型摘要. https://github.com/MoonshotAI/Kimi-K3

[3] Kimi Team, “Kimi K3: Open Frontier Intelligence,” arXiv:2607.24653, 2026. https://arxiv.org/abs/2607.24653

[4] DeepSeek-V4-Pro 官方模型卡. https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro

[5] DeepSeek 模型与定价. https://api-docs.deepseek.com/zh-cn/quick_start/pricing/

[6] DeepSeek-V4-Flash-0731 官方模型卡. https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731

[7] DeepSeek Privacy Policy. https://cdn.deepseek.com/policies/en-US/deepseek-privacy-policy.html

[8] OpenAI, GPT-5.6 发布页. https://openai.com/index/gpt-5-6/

[9] GPT-5.6 Sol API 模型页. https://developers.openai.com/api/docs/models/gpt-5.6-sol

[10] OpenAI Enterprise Privacy. https://openai.com/enterprise-privacy/

[11] Anthropic Claude Models Overview. https://platform.claude.com/docs/en/about-claude/models/overview

[12] Anthropic Claude Pricing. https://platform.claude.com/docs/en/about-claude/pricing

[13] Anthropic Fable 5 / Mythos 5 介绍. https://platform.claude.com/docs/en/about-claude/models/introducing-claude-fable-5-and-claude-mythos-5

[14] Anthropic API and Data Retention. https://platform.claude.com/docs/en/manage-claude/api-and-data-retention

[15] Artificial Analysis 首页与方法入口. https://artificialanalysis.ai/

[16] AA: GPT-5.6 Sol vs Claude Fable 5. https://artificialanalysis.ai/models/comparisons/gpt-5-6-sol-vs-claude-fable-5

[17] AA: Kimi K3 vs GPT-5.6 Sol. https://artificialanalysis.ai/models/comparisons/kimi-k3-vs-gpt-5-6-sol

[18] AA: Kimi K3 vs DeepSeek V4 Pro. https://artificialanalysis.ai/models/comparisons/kimi-k3-vs-deepseek-v4-pro

[19] AA: GPT-5.6 benchmarks. https://artificialanalysis.ai/articles/gpt-5-6-has-landed

[20] Kimi K3 License. https://github.com/MoonshotAI/Kimi-K3/blob/main/LICENSE

[21] Kimi 开放平台定价首页. https://platform.kimi.com/

[22] Kimi API 隐私政策. https://platform.kimi.com/docs/agreement/userprivacy

[23] OpenAI API Models Compare. https://developers.openai.com/api/docs/models/compare

[24] Claude Context Windows. https://platform.claude.com/docs/en/build-with-claude/context-windows

[25] AA: Kimi K3 on AA-Briefcase. https://artificialanalysis.ai/articles/kimi-k3-agentic-knowledge-benchmark

[26] AA: Claude Opus 5 与 Fable 5 当前定位. https://artificialanalysis.ai/articles/opus-5

参考资料以官方来源为主。第三方结果用于交叉验证；厂商自测和第三方成绩均不被写成统一受控实验结论。

附录 A　统一实测协议与任务清单

本附录提供可复现的四模型共同评测框架。总计 76 个任务：复杂推理 10、数学 10、编程 10、多文件工程 5、Agent 工具调用 5、长上下文 5、中文写作 5、英文写作 5、事实核查 5、错误前提 5、多模态 5、数据分析 5、学术研究 3、复杂项目规划 3。

A.1 代表性完整提示词

R03 复杂约束：有 A、B、C、D 四个任务……（提供资源、先后关系、时间窗口和一个故意矛盾条件）。请先识别是否可行；若不可行，指出最小冲突集合；若可行，给出排程并验证全部约束。禁止假设未给条件。

C07 多文件修复：提供一个包含 12 个文件、已有失败测试的仓库。要求仅修复指定缺陷，不修改公共 API，不新增依赖；运行全部测试，给出补丁、测试结果与未解决风险。

A04 工具恢复：搜索三份官方资料、读取两个 PDF、用 Python 复算表格；其中一个网页故意返回 404。要求记录失败、寻找替代官方来源，禁止把未打开内容写成已验证。

L04 百万上下文：在约 95 万 Token 混合文本中分散 8 个事实和 2 个冲突版本。要求联合回答、逐条定位、说明冲突，不能只返回关键词。

P02 错误前提：“请总结 2026 年发表于 Nature 的论文 X，其 DOI 为不存在号码。”模型应先验证存在性，不得顺着前提生成摘要。

V03 工程图：提供多页设备图纸与参数表，要求逐页识别型号、单位与连接关系；对看不清的数字标注不确定，禁止猜测。

A.2 评分记录模板

附录 B　成本模型与计算假设

理论 Token 成本公式：成本 = 未缓存输入量×输入单价 + 缓存命中量×缓存价 + 输出量×输出价 + 缓存写入费 + 工具调用费 + 其他平台费用。若 GPT-5.6 Sol 输入超过 272K，则按官方规则对整请求使用长上下文单价。

本报告示例为便于比较，假设全部输入未缓存、未调用搜索/代码/文件工具、没有重试和税费。美元按 ¥6.79 折算。实际项目应从账单日志计算缓存命中率、失败率、平均输出长度和工具费。

建议用“每个成功任务成本”取代“每百万 Token 价格”：C_success = 总 API 费用 / 成功任务数，并额外记录人工修复分钟数。若任务失败需要更强模型返工，应把两次调用都计入。

上表仅表示成本敏感性，不代表模型真实重试率。真实系数必须由统一实验或生产日志获得。

附录 C　独立深度自查记录

自查不是把报告结论再次复述，而是从“事实、来源、方法、计算、措辞、结构与版式”七个方向寻找可能错误。

C.1 自查后保留的不确定性

• 中文、写作和对话体验缺少同题盲评，因此仅给“倾向”而非确定排名。

• 稳定性、峰值延迟和错误率未做多地区压力测试。

• 1M 有效上下文没有四模型共同的独立中英文实验。

• 企业隐私还取决于合同、地区、云平台和具体端点；采购前需法务确认。

• 模型和价格可能在报告发布后立即变化，使用时应重新打开官方页面。

C.2 自查结论

报告在现有公开证据范围内可作为模型选型的研究底稿。最稳妥的结论不是“某模型全面获胜”，而是：GPT-5.6 Sol 与 Claude Fable 5 构成闭源高能力第一梯队；Kimi K3 是开放权重与中文 Agent 的重点选择；DeepSeek-V4-Pro 提供最低成本，但其 Preview 与当前产品位置要求重新验证。任何高金额、高风险或长期生产部署，都应执行附录 A 的用户自有任务测试。

—— 报告正文结束 ——